Et nyt forskningsprojekt præsenterer en AI-drevet løsning på et komplekst logistikproblem, hvor droner bruges til at hente pakker, mens et køretøj kører ruten. Problemet, kaldet Travelling Thief Problem med Drone (TTP-D), kombinerer planlægning af køretøjets rute, valg af hvilke pakker der samles, og synkronisering af dronens flyvninger for at maksimere profit. Forskningen er publiceret på Hugging Face og kan få betydning for virksomheder, der investerer i dronebaseret logistik.
Kernen i problemet er, at et køretøj bliver langsommere, jo flere pakker det samler op, hvilket skaber en kumulativ straf på effektiviteten. En drone kan afhjælpe dette ved at hente pakker, der ligger uden for ruten, hvilket forkorter den samlede tid og øger den operationelle profit. Men rejsetiden forbliver afhængig af lasten, og hver pakke, som køretøjet samler op, ændrer ankomsttiderne, som styrer dronens start- og mødepunkter. Dette gør problemet særdeles komplekst at løse optimalt.
Forskerne har udviklet en matematisk model, der løser små tilfælde optimalt, samt to tilgange til større problemer: en metaheuristik og en Deep Reinforcement Learning (DRL)-politik. Den mest interessante løsning er en hybrid, hvor DRL-politikken konstruerer en startløsning, som efterfølgende forbedres med en kort annealing-proces. På to benchmarksæt opnår denne hybrid næsten samme kvalitet som metaheuristikken, men med en brøkdel af beregningsressourcerne. Dog kræver de største tilfælde stadig metaheuristikken med fuldt budget.
En følsomhedsanalyse viser, at lejeforholdet (rental ratio) er den primære driver for profitabilitet, mens flådeparametrene kun påvirker profitten marginalt. Dette er en vigtig indsigt for beslutningstagere, der overvejer at investere i droneteknologi: Det er ikke antallet af droner, der er afgørende, men snarere de økonomiske betingelser for at leje eller eje dronerne.
For logistikvirksomheder og investorer betyder dette, at AI-drevne ruteplanlægningssystemer kan blive markant mere effektive, hvilket kan reducere omkostninger og øge konkurrenceevnen. Samtidig understreger forskningen, at der stadig er udfordringer med at skalere løsningerne til meget store operationer, hvilket kan kræve yderligere investeringer i beregningskraft.
