Efektywniejsze ładowanie i jazda: nowe podejście w zarządzaniu autonomicznymi flotami

Naukowcy ze szwedzkiego uniwersytetu Chalmers opracowali metodę optymalizacji, która ma umożliwić autonomicznym taksówkom elektrycznym bardziej efektywne poruszanie się w ruchu miejskim. Metoda łączy prognozy oparte na sztucznej inteligencji z modelami matematycznymi i ma uwzględniać również nieprzewidywalne czynniki, takie jak nietypowe warunki pogodowe.

Zdjęcie: Waymo

Autonomiczne taksówki elektryczne mają nie tylko potencjał, by uczynić ruch miejski bardziej efektywnym i przyjaznym dla środowiska, ale mogą również obniżyć koszty na jedną trasę o nawet 60 procent w porównaniu z tradycyjnymi taksówkami, jak pokazuje raport badawczy Uniwersytetu Stanforda. Jednak dużym wyzwaniem w eksploatacji autonomicznych taksówek jest koordynacja floty.

Jednym z głównych problemów w codziennym życiu jest ruch służbowy: rano wielu pasażerów chce dostać się do centrum miasta, a wieczorem z powrotem stamtąd. Dlatego pojazdy autonomiczne muszą regularnie wracać puste, aby znów być dostępne w punktach startowych. W przypadku samochodów elektrycznych dochodzi jeszcze do konieczności ładowania pomiędzy trasami. Bez przewidującego planowania grożą zatem zatłoczone ulice, długie czasy oczekiwania oraz nierównomierne wykorzystanie stacji ładowania.

Aby rozwiązać ten problem, zespół badawczy z Uniwersytetu Chalmers w Szwecji we współpracy z Volvo Cars stosuje połączenie sztucznej inteligencji typu machine learning z klasyczną optymalizacją. Do przewidywania popytu na pasażerów oraz dostępnych stacji ładowania zespół wykorzystuje tak zwane sieci neuronowe bayesowskie (BNN), które zostały wytrenowane na historycznych danych taksówkarskich z San Francisco i Chicago.

Kluczową zaletą tej metody uczenia maszynowego jest to, że BNN obliczają nie tylko czyste prawdopodobieństwa, ale także dostarczają szacunków dotyczących tego, na ile niepewne są ich własne prognozy. Nawet jeśli zachowanie pasażerów zmienia się spontanicznie – na przykład z powodu nagłego deszczu – sterowanie flotą pozostaje mimo to stabilne.

Sztuczna inteligencja nie podejmuje przy tym samodzielnych decyzji, lecz służy wyłącznie jako baza danych. Rzeczywiste planowanie jazdy i ładowania realizuje matematyczny model optymalizacyjny oparty na stałych zasadach. Ponieważ w dużym mieście występuje zbyt wiele zmiennych, algorytm dzieli całe zadanie na mniejsze części i łączy je w jeden kompleksowy plan. Dzięki temu decyzje mogą być podejmowane w ułamku sekundy – nawet przy bardzo dużych flotach pojazdów.

Ponadto zespół przebadał trzy różne typy samochodów elektrycznych o zróżnicowanych rozmiarach baterii i wskaźnikach efektywności. Wyniki pokazują, w jak dużym stopniu wybrana technologia pojazdu wpływa na dostępność floty. Dzięki odpowiedniemu połączeniu rozmiaru baterii, planowania ładowania i prognozowania danych można znacznie bardziej niezawodnie zapewnić wykorzystanie autonomicznych taksówek elektrycznych w codziennym życiu.