Data-Driven Model Predictive Control of Autonomous Mobility-on-Demand Systems
Iglesias, Ramon et al. — 2018
Résumé (FR)
Cet article présente un cadre de bout en bout piloté par les données pour contrôler les systèmes de mobilité autonome à la demande (AMoD). Les auteurs modélisent d’abord le système AMoD à l’aide d’un réseau temporellement étendu et formulent le problème de rééquilibrage optimal et de taille minimale de flotte. Un algorithme de commande prédictive (MPC) est ensuite développé pour exploiter des prévisions de demande à court terme basées sur des données historiques. Les prévisions de demande sont obtenues par un modèle de réseau de neurones graphiques (GNN) qui capture les dépendances spatio-temporelles de la demande. Les résultats montrent que l’approche MPC surpasse les stratégies réactives dans des conditions de demande variables. L’algorithme est validé sur des données réelles de taxis new-yorkais. Ce travail démontre l’efficacité de la combinaison de l’apprentissage automatique et de l’optimisation pour la gestion de flottes de véhicules autonomes.
Summary (EN)
This paper presents an end-to-end data-driven framework for controlling autonomous mobility-on-demand systems. The authors first model the AMoD system using a time-expanded network and formulate the optimal rebalancing strategy and minimum feasible fleet size computation. A model predictive control (MPC) algorithm is then devised to leverage short-term demand forecasts based on historical data. Demand forecasts are obtained via a graph neural network model that captures spatio-temporal demand dependencies. Results show that the MPC approach outperforms reactive strategies under varying demand conditions. The algorithm is validated on real New York City taxi data. This work demonstrates the effectiveness of combining machine learning and optimization for autonomous vehicle fleet management.
Points clés
| Aspect | Détail |
|---|---|
| Thème | autonomous-fleet |
| Venue | 2018 IEEE International Conference on Robotics and Automation (ICRA) |
| Mots-clés | model predictive control, autonomous mobility-on-demand, fleet rebalancing, data-driven, demand forecasting |
| DOI | 10.1109/ICRA.2018.8460966 |