Un nuevo enfoque de coordinación de flotas autónomas tiene como objetivo abordar el tráfico en las horas pico.
Los investigadores de la Universidad Chalmers de Suecia han desarrollado un método de optimización para guiar de manera más eficiente a los taxis eléctricos autónomos a través del tráfico urbano. Este enfoque combina predicciones basadas en inteligencia artificial con modelos matemáticos y está diseñado para tener en cuenta factores impredecibles como las condiciones climáticas inusuales.
Imagen: Waymo
Según un informe de la Universidad de Stanford, los taxis 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 kilómetro en hasta un 60 por ciento en comparación con los taxis convencionales. Sin embargo, uno de los principales desafíos en la operación de taxis autónomos es la coordinación de la flota.
Uno de los principales problemas cotidianos es el tráfico en las horas pico: por la mañana, muchos pasajeros quieren dirigirse al centro de la ciudad, y por la tarde, desean salir de allí. Por lo tanto, los vehículos autónomos a menudo tienen que regresar vacíos para poder estar disponibles nuevamente en los puntos de partida. Con los coches eléctricos, la carga intermedia necesaria añade otro nivel de complejidad. Sin una planificación a futuro, esto puede provocar carreteras congestionadas, largos tiempos de espera y un uso desequilibrado de las estaciones de carga.
Para abordar este cuello de botella, un equipo de investigación de la Universidad de Chalmers en Suecia, en colaboración con Volvo Cars, está utilizando 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), que han sido entrenadas con datos históricos de taxis de San Francisco y Chicago.
La principal ventaja de este método de aprendizaje automático es que las BNN no solo calculan probabilidades puras, sino que también proporcionan estimaciones de cuán inciertas son sus propias predicciones. Si el comportamiento de los pasajeros cambia espontáneamente, debido a factores como la lluvia repentina, por ejemplo, el sistema de gestión de flotas permanece estable.
La inteligencia artificial no toma decisiones autónomas, sino que sirve únicamente como base de datos. La planificación real de la conducción y la carga está a cargo de un modelo de optimización matemática con reglas fijas. Dado que una ciudad grande tiene demasiadas variables, el algoritmo divide la tarea general en secciones más pequeñas y las combina en un plan integral. Esto permite tomar decisiones en fracciones de segundo, incluso con flotas muy grandes de vehículos.
Además, el equipo examinó tres tipos diferentes de vehículos eléctricos con tamaños de batería y valores de eficiencia variados. Los resultados muestran hasta qué punto la tecnología del vehículo elegido afecta la disponibilidad de la flota. Con el equilibrio adecuado entre el tamaño de la batería, la planificación de la carga y la previsión de datos, el uso diario de taxis eléctricos autónomos puede volverse significativamente más fiable.