更高效的充电与行驶：自主车队管理的新方法

瑞典查尔姆斯大学的研究人员开发出一种优化算法，旨在让自动驾驶电动出租车更高效地穿行于城市交通之中。该方法将人工智能预测与数学模型相结合，还能考虑异常天气等不可预见的因素。

图片来源：Waymo

根据斯坦福大学的一份研究报告，自动驾驶电动出租车不仅有望让城市交通更加高效且环保，还能将单次行程的成本比传统出租车降低多达60%。不过，运营自动驾驶出租车面临的一个重大挑战便是车队协调问题。

日常生活中的主要问题之一就是通勤交通：早上有许多乘客想要前往市中心，晚上则又想离开。因此，自动驾驶车辆必须定期空车返回，以便在起点处再次待命。对于电动汽车而言，还存在着必要的中途充电问题。如果没有前瞻性的规划，就可能导致道路拥堵、等待时间过长以及充电站使用不均衡。

为了解决这一难题，瑞典查尔姆斯大学的一个研究团队与沃尔沃汽车合作，采用了机器学习与传统优化相结合的方法。该团队利用所谓的贝叶斯神经网络（BNNs）来预测乘客需求和空闲的充电站，这些网络是通过旧金山和芝加哥的历史出租车数据训练而成的。

这种机器学习方法的关键优势在于：BNNs不仅能计算纯粹的概率，还能估算其自身预测的不确定性。即便乘客行为因突发降雨等因素而发生改变，车队管理依然能够保持稳定。

不过，人工智能并不会做出自主决策，仅作为数据基础使用。实际的行驶与调度计划则由遵循固定规则的数学优化模型来制定。由于大城市存在太多变量，该算法会将整体任务分解为多个小部分，再将其整合成完整的计划。这样一来，即便面对庞大的车辆车队，也能在几分之一秒内做出决策。

此外，该团队还研究了三种电池容量和效率指标各不相同的电动汽车类型。研究结果表明，所选车辆技术对车队可用性有着重大影响。通过合理匹配电池容量、充电计划与数据预测，能够显著提升自动驾驶电动出租车在日常使用中的可靠性。