Personalized and Context-aware Route Planning for Edge-assisted Vehicles

要約

従来のルート計画サービスは通常、すべてのドライバーに同じルートを提供し、主に移動距離や時間などのいくつかの標準化された要素に焦点を当て、個々のドライバーの好みを無視していました。
数年以内に自動運転車の導入が予想され、車両はそのようなプランナーによって決定されたルートに依存するため、各ドライバーの特定の好みを組み込んで、パーソナライズされたナビゲーション体験を確保する必要性が生じます。
この研究では、個人の好みに合わせてルートをカスタマイズすることを目的とした、グラフ ニューラル ネットワーク (GNN) と深層強化学習 (DRL) に基づく新しいアプローチを提案します。
個々のドライバーの過去の軌跡を分析することで、ドライバーの運転行動を分類し、それをドライバーの好みの指標として関連する道路属性と関連付けます。
GNN は道路ネットワークをグラフ構造データとして効果的に表現できますが、DRL は報酬メカニズムを利用して意思決定を行い、移動コスト、渋滞レベル、ドライバーの満足度などの要素を考慮してルート選択を最適化できます。
私たちは、現実世界の道路ネットワークを使用して提案した GNN ベースの DRL フレームワークを評価し、ドライバーの好みに対応し、個々のドライバーに合わせた幅広いルート オプションを提供する機能を実証します。
その結果、私たちのフレームワークは、一般的なルート プランナーと比較して最大 17% 改善してドライバーの好みに合わせたルートを選択でき、最短距離と比較して移動時間を 33% (午後) と 46% (夕方) 短縮できることがわかりました。
に基づいたアプローチ。

要約(オリジナル)

Conventional route planning services typically offer the same routes to all drivers, focusing primarily on a few standardized factors such as travel distance or time, overlooking individual driver preferences. With the inception of autonomous vehicles expected in the coming years, where vehicles will rely on routes decided by such planners, there arises a need to incorporate the specific preferences of each driver, ensuring personalized navigation experiences. In this work, we propose a novel approach based on graph neural networks (GNNs) and deep reinforcement learning (DRL), aimed at customizing routes to suit individual preferences. By analyzing the historical trajectories of individual drivers, we classify their driving behavior and associate it with relevant road attributes as indicators of driver preferences. The GNN is capable of representing the road network as graph-structured data effectively, while DRL is capable of making decisions utilizing reward mechanisms to optimize route selection with factors such as travel costs, congestion level, and driver satisfaction. We evaluate our proposed GNN-based DRL framework using a real-world road network and demonstrate its ability to accommodate driver preferences, offering a range of route options tailored to individual drivers. The results indicate that our framework can select routes that accommodate driver’s preferences with up to a 17% improvement compared to a generic route planner, and reduce the travel time by 33% (afternoon) and 46% (evening) relatively to the shortest distance-based approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google