Shared Autonomous Mobility-on-Demand: Learning-based Approach and its Performance in the Presence of Traffic Congestion
Guériau, Cugurull, Dusparic — 2020
Résumé (FR)
Cet article étend le système SAMoD (Shared Autonomous Mobility-on-Demand) présenté en 2018, en évaluant ses performances dans des conditions de congestion trafic réalistes. SAMoD utilise l’apprentissage par renforcement décentralisé : chaque véhicule apprend indépendamment sa politique de prise en charge et de repositionnement à partir de la demande locale courante et historique. L’article évalue comment la congestion affecte les décisions des agents et la performance globale du système. Les résultats montrent que l’approche décentralisée par RL maintient de bonnes performances même en présence de congestion, avec une meilleure adaptabilité que les approches centralisées. C’est un pas vers des systèmes MoD résilients qui ne nécessitent pas de connaissance globale de l’état du trafic.
Summary (EN)
This paper extends the SAMoD framework (2018) by evaluating its performance under realistic traffic congestion conditions. SAMoD uses decentralised reinforcement learning: each vehicle independently learns its pick-up and repositioning policy from local current and historical demand. The paper assesses how congestion affects agent decisions and overall system performance. Results show that the decentralised RL approach maintains good performance even under congestion, with better adaptability than centralised approaches. A step towards resilient MoD systems that do not require global traffic state knowledge.
Points clés
| Aspect | Détail |
|---|---|
| Système | SAMoD — décentralisé, RL par véhicule |
| Innovation 2020 | Évaluation sous congestion trafic réaliste |
| Méthode RL | Chaque véhicule = agent RL indépendant, politique de pick-up + rebalancing |
| Résultat clé | Robustesse aux perturbations trafic sans coordination centralisée |
| Journal | IEEE ITS Magazine — audience large, impact sur la communauté |
| Suite | Castagna et al. (2021) pour le rebalancing adaptatif |
Lien avec mes recherches
SAMoD est le précurseur direct de dafflon2020-emergent-microcommunities côté véhicules : Guériau & Dusparic ont établi que des agents RL décentralisés peuvent gérer un système MoD efficacement. Dafflon2020 ajoute la dimension riders actifs + émergence de communautés. La congestion trafic est identifiée comme piste future dans Dafflon2020 — ce papier y répond partiellement.