基于图学习的城市空中移动车队调度:面向运营约束、需求变动和不确定性
本文提供了一种应用图强化学习来解决城市空中移动(UAM)- 垂直港口调度管理(UAM-VSM)问题的新方法,通过使用图卷积网络(GCN)进行功能提取,并通过感知器层来决定不同动作,从而优于基本的强化学习或随机选择基准。
Aug, 2023
介绍了部分可观察的先进空中移动游戏的概念,提出了一种新的异构图注意力编码器 - 解码器 (HetGAT Enc-Dec) 神经网络,以构建可推广的随机策略来协调机动车辆代理,此政策通过深度一致性学习进行训练,使代理人能够使用其本地观察进行分散的决策制定。通过大量实验表明,采用 HetGAT Enc-Dec 政策的车队在按需移动网络中表现最佳。
Feb, 2023
本研究针对城市空中移动车辆之间的调度问题,提出使用马尔可夫决策过程和蒙特卡罗树搜索等方法来构建一个在线、安全的调度器,以保证硬性期限不会被错过,并最大程度地减少错过软性期限所带来的成本,结果表明与价值迭代和随机蒙特卡罗树搜索调度解决方案相比,本研究所提出的方法具有接近最优的非抢占式调度策略。
Sep, 2022
本文提出了一种自主 UAV 路径规划框架,采用深度强化学习方法和深度确定性策略梯度算法,通过调整加速度,使无人机在任意环境中在最短时间内到达目的地,回避任何动态或静态障碍物,并避免进入其路 径上现有的先前许可区域,这有助于提高城市空中移动的有效空间容量。
Jan, 2023
城市空中移动是一种创新的交通方式,其中电动垂直起降(eVTOL)飞行器在被称为垂直机场的节点之间运行。我们基于深度强化学习,概述了一种自组织垂直机场到达系统。我们研究了在训练过程中强化学习策略的发展,并且展示了算法从次优的局部保持模式逐步转变为安全高效的最终策略。后者通过基于仿真的场景验证,并在小型无人机上进行了真实世界可用性的展示。
Apr, 2024
该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法,以优化机场地勤中的车队调度,实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀,并在不同情况下表现出了很好的鲁棒性和广泛适用性。
Feb, 2023
通过基于强化学习的图神经网络框架解决运营商在实时决策中遇到的电动自主出行需求匹配、空闲车辆再平衡和充电范围保证等问题,以提高可扩展性、性能和运行效率。
Nov, 2023
本论文提出了一种基于模型的派遣算法、基于高性能模型无关的强化学习算法和将自顶向下方法和模型无关强化学习的优点结合的新型混合算法,以路线优化策略的形式为车队提供路线规划,研究了面对实时、随机需求的情况下,在小到中型的道路网络中,对街道叫车服务的路线进行优化;使用基于代理的大规模微观仿真平台,评估了提出的算法在人工道路网络和社区基础新加坡道路网络中的表现,结果显示出基于模型的派遣算法、基于高性能模型无关的强化学习算法和混合算法在性能上均表现出色,并且混合算法可以显著加速模型无关学习者的学习过程。
Oct, 2020
进行近未来空中出租车运营,并使用电动垂直起降 (eVTOL) 飞行器,在频繁充电、垂直机场上有限的起降区以及时变需求和电价限制下,eVTOL 调度问题是独特而具有挑战性的。本文通过发展基于深度强化学习的两种 eVTOL 调度算法,即单智能体和多智能体深度 Q-learning eVTOL 调度算法,旨在最大化运营利润。建立了一个基于 eVTOL 的乘客运输仿真环境,通过 36 个数值实验评估了算法的性能,覆盖不同数量的 eVTOLs、垂直机场和需求情况。结果表明,多智能体 eVTOL 调度算法在计算开销显著减少的情况下,能够接近近优的调度策略。与单智能体算法相比,多智能体算法在产生利润和训练时间方面表现更好。
Dec, 2023
该研究提出一种将需求能力平衡与强化学习相结合的新框架,用于解决城市空中移动上的战略冲突管理和战术安全分离问题,结果表明,这种预调整方法可以使得目标安全水平得到满足,同时在实现更高操作效率的同时提高空中交通的安全性。
May, 2023