SAMoD: Shared Autonomous Mobility-on-Demand using Decentralized Reinforcement Learning
Guériau, Maxime et al. — 2018
Résumé (FR)
SAMoD propose une approche décentralisée basée sur le Q-learning multi-agents pour la relocalisation des véhicules et l’affectation des demandes de course dans les systèmes de mobilité autonome partagée à la demande. Chaque véhicule apprend de manière autonome son comportement, incluant à la fois le rééquilibrage et la sélection des requêtes à satisfaire, sur la base de la demande locale courante et historique observée. L’approche décentralisée permet d’éviter les goulots d’étranglement computationnels des méthodes centralisées. Les résultats montrent que SAMoD atteint des taux de service élevés tout en minimisant les distances à vide parcourues. L’intégration du rééquilibrage et de l’affectation des requêtes dans un seul cadre d’apprentissage constitue l’apport principal de ce travail. Les expériences sur des scénarios réalistes valident la robustesse de l’approche face à des variations de la demande. Ce travail pave la voie pour des systèmes MoD entièrement décentralisés et apprenants.
Summary (EN)
SAMoD proposes a decentralized multi-agent Q-learning approach for vehicle relocation and ride request assignment in shared autonomous mobility-on-demand systems. Each vehicle autonomously learns its behaviour, including both rebalancing and request selection, based on local current and observed historical demand. The decentralized approach avoids computational bottlenecks of centralized methods. Results show SAMoD achieves high service rates while minimizing empty miles traveled. Integrating rebalancing and request assignment in a single learning framework is the main contribution of this work. Experiments on realistic scenarios validate the robustness of the approach to demand variations. This work paves the way for fully decentralized and learning-capable MoD systems.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | 2018 21st International Conference on Intelligent Transportation Systems (ITSC) |
| Mots-clés | shared autonomous vehicles, decentralized reinforcement learning, multi-agent, rebalancing, request assignment |
| DOI | 10.1109/ITSC.2018.8569608 |