Carregamento e operação mais eficientes: novo método para o controle autônomo de frotas

Cientistas da Universidade Chalmers, na Suécia, desenvolveram um método de otimização para permitir que os táxis elétricos autônomos naveguem de forma mais eficiente no trânsito urbano. A técnica combina previsões de inteligência artificial com modelos matemáticos e visa também levar em consideração fatores imprevisíveis, como condições climáticas atípicas.

Imagem: Waymo

Os táxis elétricos autônomos têm não apenas o potencial de tornar o trânsito urbano mais eficiente e ecologicamente sustentável, mas também podem reduzir os custos por trajeto em até 60% em comparação com táxis convencionais, conforme mostra um relatório de pesquisa da Universidade de Stanford. No entanto, um grande desafio na operação desses táxis autônomos é a coordenação da frota.

Um dos principais problemas no dia a dia é o tráfego devido ao trabalho: pela manhã, muitos passageiros querem ir para o centro da cidade, e à noite, voltar de lá. Por isso, os veículos autônomos precisam retornar regularmente vazios para estar disponíveis nos pontos de partida. Nos carros elétricos, soma-se ainda a necessidade de recarga intermediária. Sem um planejamento prévio, isso pode causar estradas congestionadas, longos tempos de espera e um uso desequilibrado das tomadas de carregamento.

Para resolver esse problema, uma equipe de pesquisa da Universidade Chalmers, na Suécia, em parceria com a Volvo Cars, utiliza uma combinação de aprendizado de máquina e otimização clássica. Para prever a demanda por passageiros e as tomadas de carregamento disponíveis, a equipe emprega redes neurais bayesianas (BNNs), treinadas com dados históricos de táxis de São Francisco e Chicago.

A vantagem decisiva deste método de aprendizado de máquina: os BNNs não calculam apenas probabilidades puras, mas também fornecem estimativas sobre o quão incertas são suas próprias previsões. Mesmo que o comportamento dos passageiros mude de forma espontânea – por exemplo, devido a chuva repentina –, o controle da frota permanece estável.

No entanto, a IA não toma decisões autônomas, servindo apenas como base de dados. O planejamento real das viagens e dos carregamentos é feito por um modelo de otimização matemática com regras fixas. Como uma grande cidade possui muitas variáveis, o algoritmo divide a tarefa geral em partes menores e as combina para formar um plano completo. Isso permite tomar decisões em frações de segundo – mesmo com frotas muito grandes.