Pro-Routing: Proactive Routing of Autonomous Multi-Capacity Robots for Pickup-and-Delivery Tasks

要約

マルチロボット設定を検討します。ここでは、固定最大待機時間で空間的に分散したピックアップと配信要求をサービスしなければならない多能力の自律ロボットのフリートがあります。
リクエストは、事前にスケジュールされるか、リアルタイムでシステムに入ることができます。
この設定では、ルーティングポリシーの安定性は、ポリシーのコストが時間とともに均一に制限されるかと定義されます。
以前のほとんどの作業は、理論的に安定性を維持するためにオフラインで問題を解決するか、安定性に関する理論的保証を犠牲にしてリクエストを動的に到着することを検討します。
この論文では、学習ルーティングポリシーの安定性を証明しながら、リアルタイムの需要に適応する新しいプロアクティブロールアウトベースのルーティングフレームワークを提案することにより、このギャップを埋めることを目指しています。
私たちは、建設による安定性を保証する十分に大きな艦隊を取得するフリートサイジングアルゴリズムを提案することにより、当社の方法の証明可能な安定性保証を導き出します。
理論的な結果を検証するために、ハーバード大学のイブニングバンシステムの実際のライドリクエストに関するケーススタディを検討します。
また、現在展開されているより小さなフリートサイズを使用して、フレームワークのパフォーマンスを評価します。
この小さなセットアップでは、現在展開されているルーティングアルゴリズム、貪欲なヒューリスティック、およびモンテカルロツリー検索ベースのアルゴリズムと比較します。
私たちの経験的結果は、理論的結果に見られる十分に大きな艦隊サイズを使用すると、フレームワークが安定性を維持することを示しています。
現在展開されている艦隊サイズが小さいため、メソッドサービスは、乗客の待機時間の中央値を33％削減しながら、最も近いベースラインよりも6％多くのリクエストをサービスします。

要約(オリジナル)

We consider a multi-robot setting, where we have a fleet of multi-capacity autonomous robots that must service spatially distributed pickup-and-delivery requests with fixed maximum wait times. Requests can be either scheduled ahead of time or they can enter the system in real-time. In this setting, stability for a routing policy is defined as the cost of the policy being uniformly bounded over time. Most previous work either solve the problem offline to theoretically maintain stability or they consider dynamically arriving requests at the expense of the theoretical guarantees on stability. In this paper, we aim to bridge this gap by proposing a novel proactive rollout-based routing framework that adapts to real-time demand while still provably maintaining the stability of the learned routing policy. We derive provable stability guarantees for our method by proposing a fleet sizing algorithm that obtains a sufficiently large fleet that ensures stability by construction. To validate our theoretical results, we consider a case study on real ride requests for Harvard’s evening Van System. We also evaluate the performance of our framework using the currently deployed smaller fleet size. In this smaller setup, we compare against the currently deployed routing algorithm, greedy heuristics, and Monte-Carlo-Tree-Search-based algorithms. Our empirical results show that our framework maintains stability when we use the sufficiently large fleet size found in our theoretical results. For the smaller currently deployed fleet size, our method services 6% more requests than the closest baseline while reducing median passenger wait times by 33%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google