Atomic Proximal Policy Optimization for Electric Robo-Taxi Dispatch and Charger Allocation
Jim et al. — 2025
Résumé (FR)
Cet article traite de l’optimisation conjointe de la correspondance de trajets, du repositionnement des véhicules et de la planification de la recharge pour les flottes de robo-taxis électriques. Le problème est modélisé comme un processus de décision de Markov en temps discret à horizon infini. Face à la croissance exponentielle de l’espace d’états et d’actions avec la taille de la flotte, les auteurs introduisent Atomic-PPO, un algorithme d’apprentissage par renforcement profond scalable basé sur la décomposition en actions atomiques. L’algorithme est validé sur des données réelles de véhicules de location à New York City. Les résultats permettent d’analyser l’allocation efficace des chargeurs et l’impact de l’autonomie des véhicules et de la vitesse de charge. Les auteurs sont affiliés à Cornell University et UC Berkeley. Soumis en février 2025.
Summary (EN)
This paper addresses the joint optimization of ride matching, vehicle repositioning, and charging scheduling for electric robo-taxi fleets, formulated as a discrete-time infinite-horizon Markov Decision Process. To handle the exponential growth of state and action spaces with fleet size, the authors introduce Atomic Proximal Policy Optimization (Atomic-PPO), a scalable deep reinforcement learning algorithm using atomic action decomposition. The algorithm is validated on real-world NYC for-hire vehicle trip records and provides insights on efficient charger allocation and the impact of vehicle range and charger speed.
Points clés
| Aspect | Détail |
|---|---|
| — | — |