[论文解读] Control of Robotic Mobility-On-Demand Systems: a Queueing-Theoretical Perspective

Rick Zhang, Marco Pavone|arXiv (Cornell University)|Apr 16, 2014

Transportation and Mobility Innovations参考文献 11被引用 5

一句话总结

本文提出了一种基于队列理论的自动驾驶按需出行（MOD）系统模型，采用闭合杰克逊网络优化车辆重新调度。该模型将最优重新调度策略形式化为线性规划问题，减少了所需重新调度车辆的数量，同时保持了服务的均衡性；案例研究结果表明，8,000辆机器人车辆即可满足曼哈顿当前的出租车需求——仅需现有车队规模的60%，且重新调度车辆主要使用交通较不拥堵的路线。

ABSTRACT

In this paper we present and analyze a queueing-theoretical model for autonomous mobility-on-demand (MOD) systems where robotic, self-driving vehicles transport customers within an urban environment and rebalance themselves to ensure acceptable quality of service throughout the entire network. We cast an autonomous MOD system within a closed Jackson network model with passenger loss. It is shown that an optimal rebalancing algorithm minimizing the number of (autonomously) rebalancing vehicles and keeping vehicles availabilities balanced throughout the network can be found by solving a linear program. The theoretical insights are used to design a robust, real-time rebalancing algorithm, which is applied to a case study of New York City. The case study shows that the current taxi demand in Manhattan can be met with about 8,000 robotic vehicles (roughly 60% of the size of the current taxi fleet). Finally, we extend our queueing-theoretical setup to include congestion effects, and we study the impact of autonomously rebalancing vehicles on overall congestion. Collectively, this paper provides a rigorous approach to the problem of system-wide coordination of autonomously driving vehicles, and provides one of the first characterizations of the sustainability benefits of robotic transportation networks.

研究动机与目标

• 开发一种随机的、基于队列理论的自动驾驶按需出行（MOD）系统模型，以分析车辆可用性与服务品质。
• 设计一种最优重新调度策略，以最小化自主重新调度车辆的数量，同时保持网络中各站点车辆可用性的均衡。
• 评估自动驾驶重新调度对城市交通拥堵及系统可持续性的影响。
• 将理论框架应用于纽约市曼哈顿出租车需求的真实案例研究。
• 扩展模型以研究拥堵效应，并识别重新调度可能增加整体延迟的条件。

提出的方法

• 将自动驾驶MOD系统建模为带有乘客丢失的闭合杰克逊网络，捕捉随机客户到达与车辆路径规划。
• 使用线性规划计算最优重新调度速率，以最小化重新调度车辆数量，同时保持各站点间车辆可用性的均衡。
• 应用利特尔定律，基于到达率与服务率计算预期队列长度及道路路段上的车辆数量。
• 通过将车辆在站点间路径上均匀分布，并累加各道路路段的车辆数量，实现对道路网络使用情况的映射。
• 将道路利用率估计为预期车辆数量与道路容量的比值，稳定性要求利用率 < 1。
• 采用基于开环线性规划解推导出的实时闭环重新调度算法，实现动态自适应。

实验结果

研究问题

• RQ1 何种最优重新调度策略可在保持网络内车辆可用性均衡的同时，最小化自主重新调度车辆的数量？
• RQ2 自动驾驶重新调度如何影响整体交通拥堵，尤其是在已拥堵的城市道路网络中？
• RQ3 机器人MOD系统在车辆数量少于现有有人驾驶出租车车队的情况下，能在多大程度上满足当前城市出行需求？
• RQ4 在随机客户到达条件下系统是否能保持稳定？不同网络区域的车辆可用性如何变化？
• RQ5 重新调度车辆采用不同路径策略时，对最大道路路段拥堵程度有何影响？

主要发现

• 最优重新调度策略可作为线性规划问题求解，实现自动驾驶车辆的高效、全局协调。
• 在纽约市的案例研究中，8,000辆机器人车辆即可满足曼哈顿当前的出租车需求——约为现有有人驾驶出租车车队规模的60%。
• 重新调度车辆主要使用交通较不拥堵的道路，即使平均利用率随重新调度车辆数量线性上升，最大道路路段利用率也仅出现微小增加。
• 在大多数情况下，重新调度不会增加最大拥堵程度；仅在极少数情况（最多10%的时间）下，会使最拥堵路段的利用率上升，尤其在已超载的系统中更为明显。
• 模型表明，尽管重新调度增加了道路上的总车辆数，但由于路径选择偏向于交通较不繁忙的道路，对峰值拥堵的影响总体较低。
• 该框架为分析与设计可持续的机器人交通网络提供了严谨的随机理论基础，具有与公共交通系统及动态交通分配系统集成的潜力。