Planning for optimised local delivery using sidewalk robots and mothership vans
Notice bibliographique
Résumé
Sidewalk Autonomous Delivery Robots (SADRs) are vehicles that utilise pedestrian and cycle pathways to carry goods over the last mile. To overcome the typically short-range of SADRs, Mothership vans (MSs) that can carry SADRs from logistics centres to service areas have been proposed. In this paper, we develop analytical models to evaluate two routing strategies of MS and SADRs to service non-urgent, non-medical package delivery operations. The strategies introduced are: the ‘Series’ strategy, where each SADR is dropped off by the MS to service their own sub-region while being resupplied by repeated tours of the MS; and the ‘Parallel’ strategy, where SADRs are deployed simultaneously in one sub-region and the MS waits for their return before moving to the next deployment location. We undertake a cost and travel demand comparison between the MS strategies and conventional truck delivery. To minimise sidewalk travel, the ‘Series’ strategy should be used, rather than the ‘Parallel’ strategy, when there are more SADRs per MS than reloads per MS, and when there is only one SADR per MS. We determine closed-form solutions for the mean demand density range where an MS strategy may be both feasible and profitable, for a given SADR battery capacity and when compared to conventional truck delivery. Finally, we show in a numerical example that the optimal design of MS and SADRs is sensitive to the service area parameters of logistics sprawl and mean demand density, and relatively less sensitive to the unit moving and capital costs of the vehicles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».