Carga y conducción más eficientes: un nuevo enfoque para el control autónomo de flotas
Los investigadores de la universidad sueca Chalmers han desarrollado un método de optimización que tiene como objetivo permitir que los taxíes eléctricos autónomos se muevan de manera más eficiente por el tráfico urbano. Este método combina predicciones basadas en inteligencia artificial con modelos matemáticos y está diseñado para tener en cuenta también factores impredecibles como el clima inusual.
Foto: Waymo
Los taxíes eléctricos autónomos no solo tienen el potencial de hacer que el tráfico urbano sea más eficiente y ecológico, sino que también podrían reducir los costos por trayecto hasta en un 60 por ciento en comparación con los taxíes tradicionales, según un informe de investigación de la Universidad de Stanford. Sin embargo, uno de los grandes desafíos en el funcionamiento de estos taxíes autónomos es la coordinación de las flotas.
Uno de los principales problemas en la vida cotidiana es el tráfico por motivos laborales: por las mañanas muchos pasajeros quieren ir al centro de la ciudad y por las noches salir de allí. Por lo tanto, los vehículos autónomos deben regresar regularmente vacíos para estar listos nuevamente en los puntos de partida. En el caso de los automóviles eléctricos, además se añade la necesidad de recargar energía en intervalos regulares. Sin una planificación anticipada, esto puede provocar calles congestionadas, largos tiempos de espera y un uso desequilibrado de las estaciones de carga.
Para resolver este problema, un equipo de investigación de la Universidad Chalmers en Suecia, en colaboración con Volvo Cars, utiliza una combinación de aprendizaje automático y optimización clásica. Para predecir la demanda de pasajeros y las estaciones de carga disponibles, el equipo emplea redes neuronales bayesianas (BNN), entrenadas con datos históricos de taxis de San Francisco y Chicago.
La ventaja decisiva de este método de aprendizaje automático es que los BNN no solo calculan probabilidades puras, sino que también proporcionan estimaciones sobre cuán inciertas son sus propias predicciones. Incluso si el comportamiento de los pasajeros cambia de forma espontánea, por ejemplo debido a una lluvia repentina, el control de la flota sigue siendo estable.
No obstante, la IA no toma decisiones autónomas, sino que sirve únicamente como base de datos. La planificación real de los viajes y las cargas la realiza un modelo matemático de optimización con reglas fijas. Dado que una gran ciudad presenta demasiadas variables, el algoritmo descompone la tarea general en partes más pequeñas y las combina para formar un plan completo. Esto permite tomar decisiones en fracciones de segundo, incluso con flotas muy grandes de vehículos.
Además, el equipo examinó tres tipos diferentes de automóviles eléctricos con tamaños y niveles de eficiencia de batería variados. Los resultados demuestran cuán significativo es el impacto de la tecnología del vehículo elegido en la disponibilidad de la flota. Gracias a una adecuada coordinación entre el tamaño de la batería, la planificación de carga y las predicciones de datos, se puede lograr que el uso de taxis eléctricos autónomos en la vida cotidiana sea mucho más fiable.