[论文解读] Fleet management for autonomous vehicles

Sahar Bsaybes, Alain Quilliot+1 more|arXiv (Cornell University)|Sep 6, 2016

Robotic Path Planning Algorithms被引用 3

一句话总结

本文提出了一种针对在封闭区域内以有轨电车、电梯和出租车模式运行的自动驾驶车辆的动态车队管理框架，采用在线算法以最小化行程长度和完成时间。证明了在早晨场景下，MAIN算法在完成时间上为2-竞争，且在直线电梯模式下的总行程长度为Cap-竞争。

ABSTRACT

The VIPAFLEET project consists in developing models and algorithms for man- aging a fleet of Individual Public Autonomous Vehicles (VIPA). Hereby, we consider a fleet of cars distributed at specified stations in an industrial area to supply internal transportation, where the cars can be used in different modes of circulation (tram mode, elevator mode, taxi mode). One goal is to develop and implement suitable algorithms for each mode in order to satisfy all the requests under an economic point of view by minimizing the total tour length or the makespan. The innovative idea and challenge of the project is to develop and install a dynamic fleet management system that allows the operator to switch between the differ- ent modes within the different periods of the day according to the dynamic transportation demands of the users. We model the underlying online transportation system and propose an according fleet management framework, to handle modes, demands and commands. We propose for each mode appropriate online algorithms and evaluate their performance.

研究动机与目标

• 开发一种动态车队管理系统，能够根据全天需求模式的变化，灵活切换运输模式（有轨电车、电梯、出租车）。
• 通过将系统建模为具有时间依赖性请求的在线运输问题，解决经典离线路径规划问题的局限性。
• 设计并分析针对每种运行模式定制的在线算法，以最小化经济成本，如总行程长度和完成时间。
• 提出一种新颖的子问题聚类策略，即对不同子网络应用不同算法，以提升全局解的质量。
• 为所提出的算法在最坏请求序列下的理论竞争比边界提供保证。

提出的方法

• 将封闭区域的交通网络建模为度量空间 (V, d)，该空间由连通图 G = (V, E) 导出，其中节点表示站点，距离为最短路径。
• 定义三种运行模式：有轨电车（固定路线，双向运行）、电梯（在固定线路上按需服务）和出租车（具有时间窗的按需接送服务）。
• 为电梯模式提出 MAIN 算法，该算法根据请求位置和当前服务器位置，决定是远离车站还是返回车站。
• 采用竞争分析评估最坏情况下的性能，将算法的成本与最优离线解（OPT）进行比较。
• 使用对抗性示例推导出完成时间和总行程长度目标的最坏情况竞争比下限。
• 在不同场景（早晨、午餐、晚上）下分析性能，并证明早晨场景下的理论边界。

实验结果

研究问题

• RQ1 如何使动态车队管理系统能够根据随时间变化的需求，有效在有轨电车、电梯和出租车模式之间切换？
• RQ2 在直线网络上，MAIN算法在电梯模式下最小化完成时间的竞争力比是多少？
• RQ3 在早晨场景下，MAIN算法在最小化总行程长度方面的竞争力比是多少？
• RQ4 子问题聚类——即对不同子网络应用不同算法——相比统一应用算法，如何提升整体解的质量？
• RQ5 在自动驾驶车辆车队管理背景下，面对最坏请求序列时，在线算法的理论性能边界是什么？

主要发现

• 在早晨场景下，MAIN算法在直线电梯模式中最小化完成时间的竞争力比为2，且通过对抗性示例证明该界为紧致。
• MAIN算法在最小化总行程长度方面的竞争力比在一般情况下至少为 (1/2)(n−1)Cap，但在早晨场景下提升为Cap-竞争。
• 对抗性请求序列表明，完成时间的竞争力比至少为2，且该界在早晨场景下为紧致。
• 研究表明，MAIN算法的最坏情况性能在某些请求模式下不可避免，凸显了在缺乏未来信息的情况下在线路径规划的固有局限性。
• 该框架支持模式间的动态切换以及子网络特定的算法应用，显著优于统一算法的应用，从而大幅提升了解的质量。
• 研究发现，理论竞争力比并不总能反映实际性能，这促使需要同时分析最坏情况和最好情况行为。