一种新的自主车队协调方法旨在解决高峰时段的交通拥堵问题

瑞典查尔姆斯大学的研究人员开发出一种优化方法，旨在更高效地引导自动驾驶电动出租车在城市交通中行驶。该方法结合了人工智能预测与数学模型，能够考虑异常天气等不可预测因素的影响。

图片来源：Waymo

斯坦福大学的一份报告显示，自动驾驶电动出租车不仅有望提升城市交通的效率并减少对环境的影响，其每公里成本还可能比传统出租车低60%。不过，运营自动驾驶出租车面临的一个主要挑战就是车队协调问题。

日常最突出的问题之一就是高峰时段的交通拥堵：早晨时许多乘客想要前往市中心，而傍晚则希望离开。因此，自动驾驶车辆往往不得不空车返回起点才能再次投入使用。对于电动汽车而言，必要的中途充电又增加了额外的复杂性。如果没有前瞻性的规划，这可能会导致道路拥堵、等待时间过长以及充电站使用不均衡。

为了解决这一瓶颈，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方法相结合的技术。该团队利用贝叶斯神经网络来预测乘客需求及可用的充电站，而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核心优势在于，BNN不仅能计算纯粹的概率值，还能估算其预测结果的不确定性程度。即便乘客行为因突发降雨等因素而发生改变，车队管理系统依然能够保持稳定。

该人工智能并不自主做出决策，仅起到数据支撑的作用。实际的驾驶与充电规划则由具有固定规则的数学优化模型来处理。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，再将其整合成总体计划。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，该团队还测试了三种电池容量和效率各不相同的电动汽车。测试结果表明，所选车辆技术对车队可用性有着显著影响。通过合理平衡电池容量、充电规划与数据预测，能够大幅提升自动驾驶电动出租车的日常使用可靠性。