Feedback
Settings

Settings

Goto Application

1. WO2022006873 - VEHICLE REPOSITIONING ON MOBILITY-ON-DEMAND PLATFORMS

Submit observation
PermaLink
Publication Number WO/2022/006873
Publication Date 13.01.2022
International Application No. PCT/CN2020/101403
International Filing Date 10.07.2020
IPC
G08G 1/0968 2006.1
GPHYSICS
08SIGNALLING
GTRAFFIC CONTROL SYSTEMS
1Traffic control systems for road vehicles
09Arrangements for giving variable traffic instructions
0962having an indicator mounted inside the vehicle, e.g. giving voice messages
0968Systems involving transmission of navigation instructions to the vehicle
G01C 21/34 2006.1
GPHYSICS
01MEASURING; TESTING
CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
21Navigation; Navigational instruments not provided for in groups G01C1/-G01C19/104
26specially adapted for navigation in a road network
34Route searching; Route guidance
Applicants
  • BEIJING DIDI INFINITY TECHNOLOGY AND DEVELOPMENT CO., LTD. [CN]/[CN]
Inventors
  • QIN, Zhiwei
  • JIAO, Yan
  • TANG, Xiaocheng
  • ZHU, Hongtu
  • YE, Jieping
Agents
  • METIS IP (CHENGDU) LLC
Priority Data
Publication Language English (en)
Filing Language English (EN)
Designated States
Title
(EN) VEHICLE REPOSITIONING ON MOBILITY-ON-DEMAND PLATFORMS
(FR) REPOSITIONNEMENT DE VÉHICULE SUR DES PLATEFORMES DE MOBILITÉ SUR DEMANDE
front page image
Abstract
(EN) Deep reinforcement learning may be used for vehicle (150) repositioning on mobility-on-demand platforms. Information may be obtained. The information may include a current location of a vehicle (150) on a ride-sharing platform. A set of paths originated from the current location of the vehicle (150) may be obtained. Each of the set of paths may have a length less than a preset maximum path length. A set of expected cumulative rewards along the set of paths may be obtained based on a trained deep value-network. A best path from the set of paths may be selected based on a heuristic tree search of the set of expected cumulative rewards. A next step along the best path may be recommended as a reposition action for the vehicle (150).
(FR) Un apprentissage de renforcement profond peut être utilisé pour un repositionnement de véhicule (150) sur des plateformes de mobilité sur demande. Des informations peuvent être obtenues. Les informations peuvent inclure un emplacement actuel d'un véhicule (150) sur une plateforme de partage de course. Un ensemble de trajets partant de l'emplacement actuel du véhicule (150) peut être obtenu. Chacun des trajets de l'ensemble de trajets peut présenter une longueur inférieure à une longueur de trajet maximale prédéfinie. Un ensemble de récompenses cumulées attendues le long de l'ensemble de trajets peut être obtenu sur la base d'un réseau de valeurs soumis à un entraînement profond. Un meilleur trajet à partir de l'ensemble de trajets peut être sélectionné sur la base d'une recherche par arbre heuristique de l'ensemble de récompenses cumulées attendues. Une étape suivante le long du meilleur trajet peut être recommandée en tant qu'action de repositionnement pour le véhicule (150).
Latest bibliographic data on file with the International Bureau
# -