Nowy autonomiczny sposób koordynacji floty ma na celu rozwiązanie problemu zatłoczenia w godzinach szczytu.
Naukowcy z Uniwersytetu Chalmers w Szwecji opracowali metodę optymalizacji, która ma na celu skuteczniejsze kierowanie autonomicznymi taksówkami elektrycznymi w ruchu miejskim. Ten podejście łączy prognozy sztucznej inteligencji z modelami matematycznymi i ma uwzględniać nieprzewidywalne czynniki, takie jak nietypowe warunki pogodowe.
Zdjęcie: Waymo
Zgodnie z raportem Uniwersytetu Stanforda, autonomiczne taksówki elektryczne nie tylko mogą sprawić, że ruch miejski stanie się bardziej efektywny i przyjazny dla środowiska, ale także mogą obniżyć koszty na kilometr o nawet 60 procent w porównaniu z tradycyjnymi taksówkami. Jednak jednym z głównych wyzwań w eksploatacji autonomicznych taksówek jest koordynacja floty.
Jednym z głównych problemów na co dzień jest ruch w godzinach szczytu: rano wielu pasażerów chce dostać się do centrum miasta, a wieczorem chce stamtąd wyjechać. Dlatego pojazdy autonomiczne często muszą wracać puste, aby ponownie być dostępne w punktach startowych. W przypadku samochodów elektrycznych konieczne ładowanie po drodze dodaje kolejny warstwę złożoności. Bez przewidującego planowania istnieje ryzyko zatłoczonych dróg, długich czasów oczekiwania oraz nierównomiernego wykorzystania stacji ładowania.
Aby rozwiązać ten problem, zespół badawczy z Uniwersytetu Chalmers w Szwecji we współpracy z Volvo Cars wykorzystuje połączenie sztucznej inteligencji i klasycznej optymalizacji. Do przewidywania popytu pasażerów oraz dostępnych stacji ładowania zespół stosuje sieci neuronowe bayesowskie (BNN), które zostały wytrenowane na podstawie historycznych danych taksówkarskich z San Francisco i Chicago.
Główną zaletą tej metody uczenia maszynowego jest to, że BNN nie tylko obliczają czyste prawdopodobieństwa, ale także dostarczają szacunków dotyczących tego, na jak niepewne są ich własne prognozy. Jeśli zachowanie pasażerów zmienia się spontanicznie – na przykład z powodu nagłego deszczu – system zarządzania flotą pozostaje stabilny.
Sztuczna inteligencja nie podejmuje samodzielnych decyzji, lecz służy wyłącznie jako podstawa danych. Faktyczne planowanie jazdy i ładowania jest realizowane za pomocą modelu optymalizacji matematycznej opartego na stałych zasadach. Ponieważ w dużym mieście jest zbyt wiele zmiennych, algorytm dzieli ogólne 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 pojazdów elektrycznych o zróżnicowanych rozmiarach baterii oraz wartościach efektywności. Wyniki pokazują, w jak silny sposób wybrana technologia pojazdu wpływa na dostępność floty. Dzięki odpowiedniemu balansowi pomiędzy rozmiarem baterii, planowaniem ładowania a prognozowaniem danych, codzienne wykorzystanie autonomicznych taksówek elektrycznych może zostać znacznie bardziej niezawodne.