Coordination de flottes de véhicules autonomes connectés : Approche décentralisée d’allocation de ressources pour le transport à la demande

Coordination in Connected Autonomous Vehicle fleets : A Multiagent Resource Allocation Approach to Online On-Demand Transport

• Auteur / Autrice : Alaa Daoud
• Direction : Gauthier Picard, Flavien Balbo
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/01/2022
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Sciences Ingénierie Santé (Saint-Etienne)
• Partenaire(s) de recherche : établissement opérateur d'inscription : École nationale supérieure des mines (Saint-Etienne ; 1816-....)
• Partenaire(s) de recherche : Laboratoire : Institut Henri Fayol / FAYOL-ENSMSE
• Jury : Président / Présidente : Dominique Feillet
• Jury : Examinateurs / Examinatrices : Gauthier Picard, Flavien Balbo, Dominique Feillet, Franziska Klügl, Mahdi Zargayouna, Marie-Pierre Gleizes, Paolo Gianessi
• Jury : Rapporteurs / Rapporteuses : Franziska Klügl, Mahdi Zargayouna
• DOI : 10.70675/b57321c6z2a28z4d7ezac02z08e51de47e54

Mots clés

Mots clés contrôlés

Intelligence artificielle répartie

Transports semi-collectifs

Véhicules en libre-service

Mots clés libres

Systèmes Multiagents

Transport à la Demande

Allocation des Ressources

Véhicules Autonomes Connectés

Simulation

Multiagent Systems

On demand Transport

Resource Allocation

Connected Autonomous Vehicles

Simulation

Résumé

Le développement de véhicules autonomes, capables de communiquer de pair à pair, ainsi que l'intérêt pour les solutions à la demande (par exemple, Uber, Lyft, Heetch), sont les principales motivations de cette étude. Plus précisément, nous nous intéressons ici à la résolution du problème d'allocation de véhicules autonomes de manière décentralisée. Une flotte de véhicules autonomes est déployée pour répondre à de nombreuses demandes provenant de différents endroits de la ville.Typiquement, ce problème est résolu en centralisant les demandes dans un portail où un gestionnaire de flotte les répartit aux véhicules. Cela impose que les véhicules aient un accès permanent au portail (via un réseau cellulaire, par exemple). Cependant, l'accès à une telle infrastructure de commutation globale (pour la collecte des données et la livraison des commandes) est coûteux et peut représente un goulot d'étranglement critique. L'idée est d'utiliser des technologies de communication de véhicule à véhicule (V2V) à faible coût pour permettre aux véhicules de se coordonner sans infrastructure de communication globale.Nous proposons de modéliser les différents aspects des problèmes de décision et d'optimisation liés à ce défi plus général. Ensuite, la question se pose du choix entre les méthodes de solution centralisées et décentralisées. Sur le plan méthodologique, nous explorons les orientations et comparons les performances des techniques d'optimisation des contraintes distribuées (DCOP), des techniques multi-agents auto-organisées, des approches sur marché et des solutions centralisées de recherche opérationnelle.

The development of autonomous vehicles, capable of peer-to-peer communication, as well as the interest in on-demand solutions (e.g., Uber, Lyft, Heetch), are the primary motivations for this study. More precisely, we are interested here in solving the problem of allocating autonomous vehicles in a decentralized manner. A fleet of autonomous vehicles is deployed to respond to numerous requests from different locations in the city.Typically, this problem is solved by centralizing the requests in a portal where a fleet manager assigns them to vehicles. This implies that the vehicles have continuous access to the portal (via a cellular network, for example). However, accessing such a global switching infrastructure (for data collection and order delivery) is costly and represents a critical bottleneck. The idea is to use low-cost vehicle-to-vehicle (V2V) communication technologies to allow vehicles to coordinate without a global communication infrastructure.We propose to model the different aspects of decision and optimization problems related to this more general challenge. Then, the question arises as to the choice between centralized and decentralized solution methods. Methodologically, we explore the directions and compare the performance of distributed constraint optimization techniques (DCOP), self-organized multiagent techniques, market-based approaches, and centralized operations research solutions.