Robo-Taxi Fleet Coordination with Accelerated High-Capacity Ridepooling
Xinling et al. — 2025
Résumé (FR)
Cet article propose deux algorithmes d’accélération pour le covoiturage haute capacité dans les systèmes de robo-taxis, ciblant les goulots d’étranglement computationnels de l’approche de référence. Le premier algorithme est un prédicteur de faisabilité basé sur les données qui filtre les combinaisons de trajets à faible potentiel. Le second utilise un partitionnement de graphe pour paralléliser la génération de trajets. Validés sur des données réelles de Manhattan (NYC), ces algorithmes réduisent l’écart à l’optimalité de jusqu’à 27% sous contraintes temps réel. Le temps de trajet à vide est réduit de jusqu’à 5%. Ce travail ouvre la voie à un déploiement pratique du covoiturage haute capacité pour les flottes autonomes. Soumis en mai 2025.
Summary (EN)
This paper proposes two algorithmic acceleration strategies for large-scale high-capacity ridepooling in robo-taxi systems: a data-driven feasibility predictor that filters low-potential trip combinations, and a graph-partitioning scheme enabling parallelizable trip generation. Validated on real-world Manhattan demand data, the proposed algorithms reduce the optimality gap by up to 27% under real-time constraints and cut empty travel time by up to 5%. The work demonstrates how computational efficiency gains can unlock the practical deployment of high-capacity ridepooling for autonomous on-demand fleets.
Points clés
| Aspect | Détail |
|---|---|
| — | — |