Hoe AI helpt om routes beter te plannen
Iedereen kent het: je bestelt eten, boodschappen of een pakketje en verwacht dat het snel wordt bezorgd. Achter zo’n simpele bestelling zit een ingewikkeld logistiek probleem. Bezorgers moeten routes plannen terwijl het verkeer verandert, nieuwe bestellingen binnenkomen en klanten hun bestelling op tijd verwachten.
Aan de TU/e is onderzoek gedaan naar zulke dynamische en onzekere routeproblemen. Daarbij wordt niet vooraf één vaste route bepaald maar wordt steeds opnieuw bekeken wat de beste volgende stap is. Kunstmatige intelligentie kan hierbij helpen. In het onderzoek wordt onder andere gebruikgemaakt van reinforcement learning: een vorm van AI waarbij een systeem leert door keuzes uit te proberen en daarvan te leren.
Vragen voor je PWS kunnen zijn:
- Hoe bepaal je de beste route als reistijden steeds veranderen?
- Waarom is routeplanning voor pakket- of maaltijdbezorging ingewikkelder dan een gewone navigatieroute?
- Wat is reinforcement learning en hoe kan AI leren betere routekeuzes te maken?
- Kan AI helpen om gereden kilometers, wachttijd of CO₂-uitstoot te verminderen?
- Welke beperkingen zijn er als routekeuzes door algoritmes worden bepaald?
Mogelijke uitwerkingen:
Je kunt zelf een eenvoudig routeprobleem modelleren, bijvoorbeeld met bezorgadressen in je eigen stad of regio. Daarna vergelijk je verschillende strategieën, zoals de kortste route, de snelste route of een route waarbij onderweg nieuwe bestellingen binnenkomen.
Ook kun je een simulatie maken waarin je onderzoekt wat er gebeurt bij file, piekdrukte of meerdere bestellingen per bezorger. Een maatschappelijke invalshoek kan ook: dan onderzoek je of slimme routeplanning kan bijdragen aan duurzamere stadslogistiek, minder verkeersdrukte of betere arbeidsomstandigheden voor bezorgers.