Accéder directement au contenu Accéder directement à la navigation
Communication dans un congrès

SULFR: Simulation of Urban Logistic For Reinforcement

Guillaume Bono 1, 2 Jilles Steeve Dibangoye 1 Laëtitia Matignon 1, 3 Florian Pereyron 4 Olivier Simonin 1
1 CHROMA - Robots coopératifs et adaptés à la présence humaine en environnements dynamiques
Inria Grenoble - Rhône-Alpes, CITI - CITI Centre of Innovation in Telecommunications and Integration of services
3 SMA - Systèmes Multi-Agents
LIRIS - Laboratoire d'InfoRmatique en Image et Systèmes d'information
Abstract : In urban logistics, various sources of uncertainty can invalidate pre-planned routes. In this context, a routing strategy that uses available information from the environment could help improve the overall performance of the routing process by dynamically choosing the next client at the online execution time. While static and deterministic testbeds for vehicle routing exist, their stochastic and dynamic counterparts are still missing. This paper proposes an interface to the microtraffic simulation package SUMO that implement a generative model of stochastic and dynamic vehicle routing problems. We formalize the latter using a reinforcement learning framework for semi-Markov decision processes. The resulting testbeds make it possible to compare single- and multi-agent reinforcement learning algorithms in customizable routing environments. We report our preliminary tests to evaluate a hand-crafted policy on some basic scenarios.
Liste complète des métadonnées

Littérature citée [21 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01847773
Contributeur : Guillaume Bono <>
Soumis le : vendredi 7 septembre 2018 - 13:21:33
Dernière modification le : mercredi 8 juillet 2020 - 12:43:51

Fichier

gbono_pgmrl18.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01847773, version 2

Citation

Guillaume Bono, Jilles Steeve Dibangoye, Laëtitia Matignon, Florian Pereyron, Olivier Simonin. SULFR: Simulation of Urban Logistic For Reinforcement. PGMRL 2018Workshop on Prediction and Generative Modeling in Reinforcement Learning, Jul 2018, Stockholm, Sweden. pp.1-5. ⟨hal-01847773v2⟩

Partager

Métriques

Consultations de la notice

494

Téléchargements de fichiers

319