분산 적응형 차량 라우팅 알고리즘

초록

본 논문은 확률적·동적 환경에서 다수의 자율 차량이 요구를 서비스하는 m‑Vehicle Dynamic Traveling Repairman Problem(m‑DTRP)을 다룬다. 1‑DTRP에 대해 라이트·헤비 로드 모두에서 최적임을 증명한 Divide & Conquer(DC)와 Receding Horizon(RH) 정책을 제시하고, 이를 환경 분할(partition)과 결합해 m‑DTRP에 대한 분산·스케일러블 정책을 설계한다. 제안 알고리즘은 로드 변화에 적응하고, 헤비 로드에서 상수 팩터 내 최적성을 보장하며, 모든 로드 조건에서 시스템을 안정화한다. 시뮬레이션을 통해 이론적 성능을 검증한다.

상세 분석

이 논문은 동적·확률적 수요가 지속적으로 발생하는 2차원 볼록 영역 Q에서, 속도 제한 v를 가진 m대의 자율 차량이 서비스를 수행하는 문제를 수학적으로 모델링한다. 수요는 평균 도착률 λ와 공간 밀도 f(x)로 정의된 동질 포아송 과정으로 생성되며, 각 수요는 평균 서비스 시간 (\bar{s})를 가진 i.i.d. 서비스 시간을 요구한다. 로드 팩터 (\rho = \lambda \bar{s} / m)가 1보다 작을 때만 안정적인 정책이 존재한다는 전제 하에, 저자는 먼저 1‑DTRP(단일 차량) 상황을 분석한다. 여기서 제안된 Divide & Conquer(DC) 정책은 파라미터 r에 따라 두 극단을 구현한다. r→∞이면 환경을 무한히 작은 서브셋으로 나누어 각 서브셋에서 최적 TSP 경로를 순회함으로써 라이트·헤비 로드 모두에서 이론적 최적성을 증명한다. r=1일 경우는 라이트 로드에서 최적이며, 헤비 로드에서는 최적값의 2배 이내에 머문다. 흥미롭게도 r=1 설정은 수요 발생 과정에 대한 사전 지식이 전혀 필요하지 않다. 두 번째 정책인 Receding Horizon(RH)은 현재 대기 중인 수요 집합에 대해 일정 시간 창(horizon) 내에서 최적 TSP 경로를 계산하고, 그 경로를 일정 부분만 실행한 뒤 창을 재설정한다. RH는 라이트 로드에서 최적을 보이고, 모든 로드에서 시스템을 안정화한다. 헤비 로드에서는 경험적으로 최적에 근접함을 시뮬레이션으로 확인한다.

다음 단계에서는 다중 차량(m‑DTRP) 문제로 확장한다. 저자는 환경을 m개의 영역으로 균등하게 분할(equitable partition)하고, 각 차량이 자신에게 할당된 영역 내에서 위의 1‑DTRP 정책(DC 또는 RH)을 독립적으로 수행하도록 설계한다. 이때 영역 분할은 공간 밀도 f와 서비스 시간 분포를 동시에 고려한 동시 공정(equitable) 파티션을 사용한다. 이러한 파티셔닝 정책은 헤비 로드에서 전체 시스템 평균 대기 시간을 (\frac{1}{1-\rho})에 비례하는 상수 팩터 내에서 최적에 가깝게 만든다. 또한, 차량 수가 변하거나 환경 경계가 바뀌어도 파티션을 재계산하면 즉시 적응한다.

이론적 분석에서는 Jensen 부등식, Euclidean TSP의 대수적 한계((\beta_{TSP,2}\approx0.712)), 그리고 연속 다중 중앙값 문제(continuous multi‑median)와 Voronoi 분할의 최적성을 활용한다. 특히, 헤비 로드에서의 최적성 증명은 차량당 평균 서비스 거리와 TSP 길이의 비례 관계를 이용해, 전체 시스템 대기 시간이 (\frac{\beta_{TSP,2}}{v}\frac{1}{\sqrt{1-\rho}}) 형태로 상한을 갖는 것을 보인다.

시뮬레이션 섹션에서는 2차원 사각형 영역에 대해 λ를 0.1부터 0.9까지 변화시키며, DC(r=∞), DC(r=1), RH, 그리고 기존 중앙집중형 정책을 비교한다. 결과는 제안된 분산 정책이 라이트 로드에서는 기존 정책과 동등하거나 더 나은 평균 시스템 시간을 보이며, 헤비 로드에서는 2배 이내의 성능 저하만을 보이는 것을 확인한다. 또한, 차량 수가 증가할수록 평균 대기 시간이 (\frac{1}{m})에 비례해 감소함을 실험적으로 입증한다.

전반적으로 이 논문은 동적·확률적 라우팅 문제에 대해 분산, 적응성, 스케일러빌리티라는 세 축을 동시에 만족하는 정책 프레임워크를 제시한다는 점에서 학술적·실용적 의의가 크다. 특히, 사전 통계 정보가 없어도 작동하는 r=1 DC와 RH 정책은 실시간 로봇 시스템에 바로 적용 가능하며, 파티셔닝 기반 다중 차량 확장은 대규모 자율 차량 네트워크에 필수적인 설계 원칙을 제공한다.