Robo-taxi Fleet Coordination at Scale via Reinforcement Learning
Tresca et al. — 2025
Résumé (FR)
Cet article aborde le défi de la coordination à grande échelle de flottes de robo-taxis dans les systèmes AMoD, qui promettent des bénéfices sociétaux importants (réduction de la pollution, de la congestion) mais restent complexes à orchestrer. Les auteurs formulent le problème de coordination AMoD comme un problème d’apprentissage par renforcement et proposent un cadre basé sur des réseaux de graphes. Ce cadre combine l’apprentissage de représentations graphiques, le renforcement et des outils classiques de recherche opérationnelle. Des évaluations extensives sur diverses fidélités de simulation démontrent des performances supérieures aux méthodes antérieures. Le code source et les benchmarks sont publiés en open source. Les auteurs incluent des chercheurs de Stanford (Pavone), de l’ETH Zurich et du MIT. Soumis en avril 2025.
Summary (EN)
This paper addresses the challenge of coordinating large fleets of robo-taxis in Autonomous Mobility-on-Demand (AMoD) systems, which offer significant societal benefits but remain difficult to orchestrate at scale. The authors propose a graph network-based reinforcement learning framework that combines graph representation learning, reinforcement learning, and classical operations research tools to solve the AMoD coordination problem. Extensive evaluations across diverse simulation fidelities demonstrate superior system performance, computational efficiency, and generalizability compared to prior methods, with an open-source codebase and benchmarks released publicly.
Points clés
| Aspect | Détail |
|---|