Using a Variational Autoencoder to Learn Valid Search Spaces of Safely Monitored Autonomous Robots for Last-Mile Delivery

要約

自律型ロボットを使ってお客様に商品をお届けすることは、信頼性が高く持続可能なサービスを提供するための新しい方法として期待されています。しかし、現実の世界では、安全上の理由から、自律型ロボットは依然として人間の監視を必要とします。我々は、自律型ロボットのタイミングを最適化して配送を最大化する一方で、同時に稼働するロボットの数が多すぎて安全に監視できないという現実的な問題に取り組んでいる。この問題のバリエーションを探る目的で、最近のハイブリッド機械学習最適化アプローチCOIL（constrained optimization in learned latent space）の使用状況を評価し、ベースラインの遺伝的アルゴリズムと比較する。また、COILの速度と効率を向上させるための新たな手法についても検討した。その結果、テストしたすべての問題のバリエーションにおいて、COILのみが適切な数のロボットを同時に走らせることで有効な解を見つけることができることを示す。また、COILが潜在表現を学習した場合、GAよりも10%速く最適化できることを示し、一度に稼働するロボットの数を安全に維持しながら、各日の配送要求をロボットに割り当てる、ロボットの毎日の再最適化に適した選択肢であることを示す。

要約(オリジナル)

The use of autonomous robots for delivery of goods to customers is an exciting new way to provide a reliable and sustainable service. However, in the real world, autonomous robots still require human supervision for safety reasons. We tackle the realworld problem of optimizing autonomous robot timings to maximize deliveries, while ensuring that there are never too many robots running simultaneously so that they can be monitored safely. We assess the use of a recent hybrid machine-learningoptimization approach COIL (constrained optimization in learned latent space) and compare it with a baseline genetic algorithm for the purposes of exploring variations of this problem. We also investigate new methods for improving the speed and efficiency of COIL. We show that only COIL can find valid solutions where appropriate numbers of robots run simultaneously for all problem variations tested. We also show that when COIL has learned its latent representation, it can optimize 10% faster than the GA, making it a good choice for daily re-optimization of robots where delivery requests for each day are allocated to robots while maintaining safe numbers of robots running at once.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL