Uma nova abordagem de coordenação de frotas autônomas visa resolver o tráfego nas horas de pico

Pesquisadores da Universidade Chalmers, na Suécia, desenvolveram um método de otimização para orientar com mais eficiência táxis elétricos autônomos pelo tráfego urbano. A abordagem combina previsões de inteligência artificial com modelos matemáticos e foi projetada para levar em conta fatores imprevisíveis, como condições climáticas incomuns.

Imagem: Waymo

Táxis elétricos autônomos não só têm o potencial de tornar o tráfego urbano mais eficiente e ecologicamente sustentável, mas também podem reduzir os custos por quilômetro em até 60% em comparação com táxis convencionais, segundo um relatório da Universidade de Stanford. No entanto, um dos principais desafios na operação de táxis autônomos é a coordenação da frota.

Um dos principais problemas do dia a dia é o tráfego nas horas de pico: pela manhã, muitos passageiros querem ir para o centro da cidade, e à noite, querem sair dali. Por isso, os veículos autônomos costumam ter que retornar vazios para ficarem disponíveis novamente nos pontos de partida. Nos carros elétricos, a necessidade de recarga intermediária acrescenta mais um nível de complexidade. Sem um planejamento prospectivo, isso pode causar estradas congestionadas, longos tempos de espera e uso desequilibrado das estações de carregamento.

Para resolver esse gargalo, uma equipe de pesquisa da Universidade Chalmers, na Suécia, em colaboração com a Volvo Cars, está utilizando uma combinação de aprendizado de máquina e otimização clássica. Para prever a demanda de passageiros e as estações de carregamento disponíveis, a equipe emprega Redes Neurais Bayesianas (BNNs), que foram treinadas com dados históricos de táxis de São Francisco e Chicago.

A principal vantagem deste método de aprendizado de máquina é que os BNNs não apenas calculam probabilidades puras, mas também fornecem estimativas de quão incertas são suas próprias previsões. Se o comportamento dos passageiros mudar espontaneamente – devido a fatores como chuva repentina, por exemplo – o sistema de gestão de frota permanece estável.

A IA não toma decisões autônomas, mas atua apenas como base de dados. O planejamento real da condução e do carregamento 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 em um plano completo. Isso permite que decisões sejam tomadas em frações de segundo – mesmo com frotas muito grandes de veículos.

Além disso, a equipe analisou três tipos diferentes de veículos elétricos com tamanhos e valores de eficiência de bateria variados. Os resultados mostram o quão fortemente a tecnologia do veículo escolhida afeta a disponibilidade da frota. Com o equilíbrio adequado entre o tamanho da bateria, o planejamento de carregamento e a previsão de dados, o uso diário de táxis elétricos autônomos pode se tornar significativamente mais confiável.