Graph Meta-Reinforcement Learning for Transferable Autonomous Mobility-on-Demand
Gammelli, Daniele et al. — 2022
Résumé (FR)
Cet article étend l’approche GNN-RL précédente en introduisant le méta-apprentissage par renforcement pour la mobilité autonome à la demande transférable. La méthode permet à un agent de s’adapter rapidement à de nouveaux environnements (nouvelles villes, nouvelles distributions de demande) après un petit nombre d’interactions. Les réseaux de neurones à graphes capturent la structure topologique des réseaux de transport, facilitant le transfert de connaissances. Des expériences sur plusieurs villes réelles montrent une adaptation rapide et de meilleures performances généralisées par rapport aux approches non méta. Le cadre proposé combine méta-apprentissage et représentation en graphe pour une généralisation robuste. Ce travail répond au défi critique du déploiement de systèmes AMoD dans de nouveaux environnements sans recollecte coûteuse de données. Les résultats établissent de nouveaux états de l’art en termes de transférabilité dans la gestion de flotte autonome.
Summary (EN)
This paper extends the previous GNN-RL approach by introducing meta-reinforcement learning for transferable autonomous mobility-on-demand. The method enables an agent to quickly adapt to new environments (new cities, new demand distributions) after a small number of interactions. Graph neural networks capture the topological structure of transport networks, facilitating knowledge transfer. Experiments on multiple real cities show rapid adaptation and better generalized performance compared to non-meta approaches. The proposed framework combines meta-learning and graph representation for robust generalization. This work addresses the critical challenge of deploying AMoD systems in new environments without costly data recollection. Results establish new state-of-the-art levels of transferability in autonomous fleet management.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2022) |
| Mots-clés | meta-reinforcement learning, graph neural network, autonomous mobility-on-demand, transferability, fleet control |
| DOI | 10.1145/3534678.3539180 |