Un nuovo approccio di coordinamento delle flotte autonome mira a gestire il traffico durante l’ora di punta

I ricercatori dell’Università Chalmers in Svezia hanno sviluppato un metodo di ottimizzazione per guidare in modo più efficiente i taxi elettrici autonomi nel traffico urbano. Questo approccio unisce previsioni basate sull’AI a modelli matematici e è progettato per tenere conto di 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 chilometro di fino al 60 percento rispetto ai taxi tradizionali, come emerge da un rapporto dell’Università di Stanford. Tuttavia, una delle principali sfide nell’utilizzo dei taxi autonomi è la coordinazione della flotta.

Uno dei principali problemi quotidiani è il traffico durante l’ora di punta: al mattino molti passeggeri vogliono recarsi nel centro città, mentre alla sera desiderano andarsene. Pertanto, i veicoli autonomi devono spesso tornare vuoti per poter essere nuovamente disponibili nei punti di partenza. Con le auto elettriche, la necessità di ricaricarsi periodicamente aggiunge un ulteriore livello di complessità. Senza una pianificazione lungimirante, ciò può causare strade congestionate, lunghi tempi di attesa e un utilizzo squilibrato delle stazioni di ricarica.

Per superare questo ostacolo, un team di ricerca dell’Università di Chalmers in Svezia, in collaborazione con Volvo Cars, sta utilizzando una combinazione di apprendimento automatico e ottimizzazione classica. Per prevedere la domanda di passeggeri e le stazioni di ricarica disponibili, il team impiega reti neurali bayesiane (BNN), addestrate utilizzando dati storici di taxi provenienti da San Francisco e Chicago.

L’intelligenza artificiale non prende decisioni autonome, ma funge esclusivamente da base dati. La pianificazione effettiva della guida e della ricarica è gestita da un modello di ottimizzazione matematica basato su regole fisse. Poiché in una grande città ci sono troppe variabili, l’algoritmo suddivide il compito complessivo in parti più piccole e le combina in un piano d’insieme. Ciò permette di prendere decisioni in frazioni di secondo, anche con flotte molto numerose di veicoli.

Inoltre, il team ha esaminato tre diversi tipi di veicoli elettrici con dimensioni della batteria e valori di efficienza variabili. I risultati mostrano in che misura la tecnologia del veicolo scelta influisce sull’ disponibilità della flotta. Con un giusto equilibrio tra dimensioni della batteria, pianificazione della ricarica e previsione dei dati, l’uso quotidiano di taxi elettrici autonomi può diventare notevolmente più affidabile.