Ready, Bid, Go! On-Demand Delivery Using Fleets of Drones with Unknown, Heterogeneous Energy Storage Constraints

要約

無人航空機（UAV）は、物流を変革し、配送時間、コスト、排出量を削減することが期待されています。
この研究では、オンデマンドの配信に対処します。この配達では、uavの艦隊が展開されて、意地悪に到着する命令を満たすように展開されています。
以前の研究とは異なり、不均一で未知のエネルギー貯蔵能力を持つUAVを考慮し、エネルギー消費モデルの知識を想定していません。
オークションベースのタスクの割り当てとオンライン学習を組み合わせた分散型展開戦略を提案します。
各UAVは、エネルギー貯蔵電荷レベル、小包の質量、および配送距離に基づいて注文を入札するかどうかを独立して決定します。
時間が経つにつれて、能力の範囲内での注文のみを入札するというポリシーを改良します。
現実的なUAVエネルギーモデルを使用したシミュレーションは、直感的に、最も自信のない入札者に注文を割り当てると、配信時間が短縮され、成功した注文の数が増加することが明らかになります。
この戦略は、UAVが展開時に特定の充電レベルを超える必要があるしきい値ベースの方法を上回ることが示されています。
予測に学んだポリシーを使用する戦略のバリアントを提案します。
これにより、充電レベルが不十分なUAVは、特定の将来の時期に注文を満たすことを約束し、早期注文の優先順位を付けることができます。
私たちの仕事は、UAV群の長期展開に関する新しい洞察を提供し、現実世界の動的環境でのオンライン学習と組み合わされた分散型エネルギーを意識する意思決定の利点を強調しています。

要約(オリジナル)

Unmanned Aerial Vehicles (UAVs) are expected to transform logistics, reducing delivery time, costs, and emissions. This study addresses an on-demand delivery , in which fleets of UAVs are deployed to fulfil orders that arrive stochastically. Unlike previous work, it considers UAVs with heterogeneous, unknown energy storage capacities and assumes no knowledge of the energy consumption models. We propose a decentralised deployment strategy that combines auction-based task allocation with online learning. Each UAV independently decides whether to bid for orders based on its energy storage charge level, the parcel mass, and delivery distance. Over time, it refines its policy to bid only for orders within its capability. Simulations using realistic UAV energy models reveal that, counter-intuitively, assigning orders to the least confident bidders reduces delivery times and increases the number of successfully fulfilled orders. This strategy is shown to outperform threshold-based methods which require UAVs to exceed specific charge levels at deployment. We propose a variant of the strategy which uses learned policies for forecasting. This enables UAVs with insufficient charge levels to commit to fulfilling orders at specific future times, helping to prioritise early orders. Our work provides new insights into long-term deployment of UAV swarms, highlighting the advantages of decentralised energy-aware decision-making coupled with online learning in real-world dynamic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google