Two-Sided Deep Reinforcement Learning for Dynamic Mobility-on-Demand Management with Mixed Autonomy
Xie, Jiaohong et al. — 2023
Résumé (FR)
Cet article aborde l’optimisation en temps réel de la gestion de flotte d’un système de mobilité à la demande (MoD) à autonomie mixte, comprenant des véhicules conventionnels (CV) et des véhicules autonomes (VA). Un nouveau cadre d’apprentissage par renforcement profond bilatéral est développé pour gérer simultanément les deux types d’agents avec des comportements et objectifs distincts. Les conducteurs humains à rationalité limitée déterminent et apprennent leurs stratégies de relocalisation pour améliorer leur rémunération personnelle. Les VA sont entièrement conformes aux décisions opérationnelles de la plateforme. La plateforme priorise les conducteurs humains dans les décisions d’appariement et détermine dynamiquement les tâches de relocalisation des VA et les frais de commission optimaux. Des expériences extensives démontrent l’efficacité de l’approche pour des flottes mixtes. Ce travail est pionnier dans la prise en compte conjointe de l’hétérogénéité des agents dans les systèmes MoD.
Summary (EN)
This paper addresses real-time fleet management optimization of a mobility-on-demand (MoD) system with mixed autonomy of conventional vehicles (CVs) and autonomous vehicles (AVs). A novel two-sided deep reinforcement learning framework is developed to simultaneously manage two types of agents with distinct behaviors and objectives. Boundedly rational human drivers determine and learn their relocation strategies to improve their own compensation. AVs are fully compliant with the platform’s operational decisions. The platform prioritizes human drivers in matching decisions and dynamically determines AV relocation tasks and optimal commission fees. Extensive experiments demonstrate the effectiveness of the approach for mixed fleets. This work is pioneering in jointly accounting for agent heterogeneity in MoD systems.
Points clés
| Aspect | Détail |
|---|---|
| Thème | rl-fleet |
| Venue | Transportation Science |
| Mots-clés | mixed autonomy, deep reinforcement learning, mobility-on-demand, autonomous vehicles, fleet management |
| DOI | 10.1287/trsc.2022.1188 |