Caricamento e guida più efficienti: un nuovo approccio per il controllo autonomo delle flotte

I ricercatori dell’Università svedese di Chalmers hanno sviluppato un metodo di ottimizzazione per far guidare in modo più efficiente i taxi elettrici autonomi nel traffico urbano. Questo approccio unisce previsioni basate sull’IA a modelli matematici e mira anche a prendere in considerazione fattori imprevedibili come condizioni meteorologiche insolite.

Immagine: Waymo

I taxi elettrici autonomi non solo hanno il potenziale di rendere il traffico urbano più efficiente e ecologico, ma potrebbero anche ridurre i costi per tratta di fino al 60 percento rispetto ai taxi tradizionali, come emerge da un rapporto di ricerca dell’Università di Stanford. Una grande sfida nella gestione dei taxi autonomi è però l’ coordinamento delle flotte.

Uno dei principali problemi nella vita quotidiana è il traffico legato al lavoro: al mattino molti passeggeri vogliono recarsi nel centro città, la sera invece ne escono. Pertanto i veicoli autonomi devono tornare regolarmente vuoti ai punti di partenza per essere nuovamente pronti. Negli automobili elettriche si aggiunge inoltre la necessità di ricaricarsi periodicamente. Senza una pianificazione attenta, ciò può portare a strade intasate, lunghi tempi di attesa e un utilizzo squilibrato delle colonne di ricarica.

Per risolvere questo problema, un team di ricerca dell’Università Chalmers in Svezia, in collaborazione con Volvo Cars, punta a una combinazione di machine learning e ottimizzazione classica. Per prevedere la domanda di passeggeri e le colonne di ricarica disponibili, il team utilizza cosiddetti reti neurali bayesiane (BNN), addestrate con dati storici di taxi provenienti da San Francisco e Chicago.

Il vantaggio decisivo di questo metodo di apprendimento automatico: i BNN non calcolano soltanto probabilità pure, ma forniscono anche stime sull’incertezza delle proprie previsioni. Anche se il comportamento dei passeggeri cambia improvvisamente, ad esempio a causa di piogge improvvise, il controllo della flotta rimane comunque stabile.

Tuttavia, l’IA non prende decisioni autonome, ma funge esclusivamente da base dati. La pianificazione effettiva dei viaggi e del carico è gestita da un modello di ottimizzazione matematica basato su regole fisse. Poiché una grande città presenta troppe variabili, l’algoritmo suddivide il compito complessivo in parti più piccole e le combina per creare un piano completo. Ciò permette di prendere decisioni in frazioni di secondo, anche con flotte molto grandi.

Inoltre, il team ha esaminato tre diversi tipi di auto elettriche con dimensioni della batteria e valori di efficienza diversi. I risultati mostrano quanto la tecnologia del veicolo scelta influisca sull’efficienza operativa della flotta. Grazie a una corretta combinazione tra dimensione della batteria, pianificazione delle cariche e previsioni dei dati, è possibile rendere l’uso di taxi elettrici autonomi nella vita quotidiana notevolmente più affidabile.