[论文解读] Fleet management for autonomous vehicles: Online PDP under special constraints

Sahar Bsaybes, Alain Quilliot+1 more|arXiv (Cornell University)|Mar 30, 2017

Transportation and Mobility Innovations参考文献 12被引用 4

一句话总结

本文提出了一种针对封闭场所环境中自动驾驶车辆的动态车队管理框架，将有轨电车模式和电梯模式建模为在线算法，以最小化总行程长度。该研究提供了竞争性分析与实际性能评估，表明实际表现显著优于理论最坏情况边界，从而实现自适应模式切换以实现对每日需求的最优响应。

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. 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 different 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 a correspond- ing fleet management framework, to handle modes, demands and commands. We consider two modes of circulation, tram and elevator mode, propose for each mode appropriate on- line algorithms and evaluate their performance, both in terms of competitive analysis and practical behavior.

研究动机与目标

• 开发一种动态车队管理系统，以根据封闭场所中不断变化的日常需求模式，自适应地切换运输模式（有轨电车、电梯、出租车）。
• 将 VIPAFLEET 系统建模为具有时间依赖子网络和车辆重新定位的在线度量任务系统。
• 设计并分析适用于有轨电车和电梯模式的在线算法，以在实时请求到达的情况下最小化总行程长度。
• 评估算法的理论竞争比与在合成测试实例上的实际性能。
• 提供一种需求与子网络聚类框架，以实现全局高效的调度。

提出的方法

• 将交通网络建模为度量空间 (V, d)，该空间由连通图 G 导出，其中站点为节点，边权为最短路径距离。
• 将客户请求定义为四元组 (t_j, x_j, y_j, z_j)，指定释放时间、起点、终点和乘客数量。
• 为在线调度定义任务 τ_j = (t_j, x_j, y_j, z_j, G')，其中 G' 是时间区间 [t, t’] 内的活跃子网络。
• 针对环形网络上的有轨电车模式提出 SIR 算法，并提出 SIF_M、SIF_E、SIF_L 变体以实现特定模式下的请求处理。
• 为线性网络上的电梯模式设计 MAIN 算法，支持动态重新定位与请求重新分配。
• 使用竞争性分析来界定最坏情况性能，并通过在多样化请求场景下的计算实验进行验证。

实验结果

研究问题

• RQ1 如何为在动态、时变需求下运行的自动驾驶车辆车队设计在线算法，以实现有轨电车与电梯模式的最优调度？
• RQ2 能否为所提出的在线算法在最小化总行程长度方面建立理论竞争比？
• RQ3 在类似真实世界的情境下，算法的实际性能与理论最坏情况边界相比如何？
• RQ4 哪些网络与需求聚类策略能在不同时间段（早晨、傍晚、午餐时间）实现最大效率？
• RQ5 如何使动态车队管理系统智能地在不同运输模式间切换，以优化经济与运营目标？

主要发现

• 在环形网络上运行的有轨电车模式 SIR 算法，其竞争比为 Cap·|C|，其中 Cap 为车辆容量，|C| 为环路长度。
• SIF_M 与 SIF_E 算法在各自场景（早晨与傍晚）下分别实现了最优竞争比 1，前提是请求被限制在特定子网络内。
• 用于午餐时间场景的 SIF_L 算法，其竞争比为 2，反映出在餐厅站点需要中心协调。
• 用于线性网络上电梯模式的 MAIN 算法，其竞争比为 2·Cap·|L|，且实际性能显著优于理论最坏情况边界。
• 在计算实验中，TTL/OPT 比值（实际行程长度 / 最优行程长度）始终低于理论竞争比，表明其在实际场景中表现优异。
• 该框架能够有效将需求聚类为子问题，从而支持使用定制化子网络与算法，提升全局解的质量。