Новий підхід до координації автономних флотів має на меті вирішити проблему трафіку у години пік
Дослідники з Університету Чалмерс у Швеції розробили метод оптимізації для більш ефективного керування автономними електричними таксі в міському русі. Цей підхід поєднує прогнози штучного інтелекту з математичними моделями та призначений для врахування непередбачуваних факторів, таких як нестандартні погодні умови.
Зображення: Waymo
Як показує звіт Стенфордського університету, автономні електричні таксі не лише можуть зробити міський транспорт більш ефективним та екологічно чистим, але й знизити витрати на кілометр на 60 відсотків порівняно з традиційними таксі. Однак однією з основних проблем у експлуатації автономних таксі є координація флоту.
Однією з основних щоденних проблем є трафік у години пік: вранці багато пасажирів хочуть дістатися до центру міста, а ввечері — покинути його. Тому безпілотні автомобілі часто змушені повертатися порожніми, щоб знову бути доступними у вихідних точках. У разі електромобілів необхідне проміжне заряджання додає ще один рівень складності. Без перспективного планування це може призвести до заторів на дорогах, тривалого очікування та нерівномірного використання зарядних станцій.
Щоб подолати цю проблему, дослідницька група з Університету Чалмерс у Швеції у співпраці з Volvo Cars використовує поєднання машинного навчання та класичної оптимізації. Для прогнозування попиту на перевезення пасажирів та доступних зарядних станцій команда застосовує бейзіанські нейронні мережі (BNN), які були навчені за допомогою історичних даних про таксі з Сан-Франциско та Чикаго.
Ключовою перевагою цього методу машинного навчання є те, що BNN не лише обчислюють чисті ймовірності, але й надають оцінки того, наскільки невизначеними є їхні власні прогнози. Якщо поведінка пасажирів змінюється спонтанно – через такі фактори, як раптовий дощ, наприклад – система управління флотом залишається стабільною.
Штучний інтелект не приймає автономних рішень, а слугує виключно основою для даних. Фактичне планування їзди та зарядки здійснюється за допомогою математичної моделі оптимізації з фіксованими правилами. Оскільки у великому місті занадто багато змінних, алгоритм розділяє загальне завдання на менші частини та поєднує їх у єдиний план. Це дозволяє приймати рішення за долі секунди – навіть у випадку дуже великих флотів транспортних засобів.
Крім того, команда дослідила три різні типи електромобілів із різною ємністю акумуляторів та показниками ефективності. Результати показують, наскільки сильно обрана технологія транспортного засобу впливає на доступність флоту. За наявності правильного балансу між ємністю акумулятора, плануванням зарядки та прогнозуванням даних щоденне використання автономних електротаксі може стати значно надійнішим.