[论文解读] Efficient algorithms for autonomous electric vehicles' min-max routing problem.

Seyed Sajjad Fazeli, Saravanan Venkatachalam+1 more|arXiv (Cornell University)|Aug 7, 2020

Transportation and Mobility Innovations参考文献 29被引用 5

一句话总结

本文提出了一种针对自主电动车辆（AEVRP）的极小化最大值路由问题，旨在最小化任一车辆行驶的最长距离，同时考虑电池容量有限和充电站稀疏的约束。提出了一种基于遗传算法的元启发式方法，并通过ROS仿真和计算实验进行了验证，展示了在现实约束条件下高效路由解决方案的可行性。

ABSTRACT

Increase in greenhouse gases emission from the transportation sector has led companies and government to elevate and support the production of electric vehicles. The natural synergy between increased support for electric and emergence of autonomous vehicles possibly can relieve the limitations regarding access to charging infrastructure, time management, and range anxiety. In this work, a fleet of Autonomous Electric Vehicles (AEV) is considered for transportation and logistic capabilities with limited battery capacity and scarce charging station availability are considered while planning to avoid inefficient routing strategies. We introduce a min-max autonomous electric vehicle routing problem (AEVRP) where the maximum distance traveled by any AEV is minimized while considering charging stations for recharging. We propose a genetic algorithm based meta-heuristic that can efficiently solve a variety of instances. Extensive computational results, sensitivity analysis, and data-driven simulation implemented with the robot operating system (ROS) middleware are performed to corroborate the efficiency of the proposed approach, both quantitatively and qualitatively.

研究动机与目标

• 解决由于电池容量有限和充电基础设施稀疏，导致自主电动车辆（AEVs）车队出现低效路由的问题。
• 构建一种极小化最大值路由问题（AEVRP），在整合可用充电站充电的前提下，最小化所有AEVs中行驶的最长距离。
• 开发一种可扩展且高效的解决方案方法，能够处理在真实运行约束下的多样化路由实例。
• 通过数据驱动仿真和实时中间件（ROS）进行定量与定性分析，验证所提方法的有效性。

提出的方法

• 将AEVRP表述为极小化最大值优化问题，以最小化车队中任一AEV行驶的最长路线距离。
• 设计一种基于遗传算法的元启发式方法，以探索和优化车辆路径，同时整合电池容量和充电站可用性的约束。
• 将路由解决方案与机器人操作系统（ROS）中间件集成，以实现对AEV行为和动态环境交互的逼真仿真。
• 实施敏感性分析，评估关键参数（如充电站密度和电池续航里程）对路由效率的影响。
• 通过计算实验，在不同车队规模和基础设施配置的多种问题实例中进行性能基准测试。
• 应用数据驱动仿真，以建模真实世界中的运行动态，包括充电时间和能耗特性。

实验结果

研究问题

• RQ1 如何在尊重电池容量和充电站可用性的前提下，最小化所有AEVs中的最大行驶距离？
• RQ2 所提出的遗传算法在解决方案质量和计算效率方面，相较于基线路由策略在多大程度上表现更优？
• RQ3 充电站密度和电池续航里程的变化如何影响路由解决方案的最优性和可行性？
• RQ4 ROS中间件的集成是否能够实现在动态且受限环境下的AEV路由逼真仿真？

主要发现

• 所提出的基于遗传算法的元启发式方法有效减少了AEV车队中最大路线距离，在计算实验中优于传统路由策略。
• 敏感性分析表明，增加充电站密度可显著缩短最大路线长度，凸显了基础设施在路由效率中的关键作用。
• 基于ROS的仿真验证了所提路由解决方案在动态多车辆场景下的可行性与实时适应能力。
• 该方法在多种问题实例中表现出稳健性能，包括不同车队规模和电池容量，显示出良好的可扩展性。
• 定量结果表明，路线优化持续改进，极小化最大值目标函数在大规模测试案例中实现了接近最优的解决方案。
• 该方法通过战略性地将充电停靠点整合到车辆路线中，有效缓解了续航焦虑，并提升了能量利用效率。