Chalmers planifica flotas de taxis eléctricos sin conductor

Cada mañana, todo el mundo quiere desplazarse al centro de la ciudad. Cada tarde, el flujo se invierte. Para una flota de taxis autónomos, esto significa que los coches vacíos deben circular hacia el lugar donde esperan los próximos pasajeros, y que los coches eléctricos además deben detenerse a recargar. Investigadores de la Universidad Tecnológica de Chalmers, en Suecia, han desarrollado ahora un método de optimización pensado para este problema a escala de toda una ciudad, que sigue funcionando cuando el tráfico no se comporta como se había previsto.

Lo que está en juego es importante. Según un informe citado por los investigadores, el transporte eléctrico compartido de pasajeros sin conductor a gran escala puede reducir el coste por viaje de cada persona hasta un 60 % en comparación con los taxis tradicionales, además de reducir de forma notable las emisiones por viaje. La ganancia depende de que la flota se gestione bien. Sin un control eficiente, señalan los investigadores, el desajuste entre los taxis disponibles y la demanda puede aumentar los tiempos de espera y la longitud de las colas, y agravar la congestión urbana. Como explica el autor principal, Sten Elling Tingstad Jacobsen, «dónde y durante cuánto tiempo recargar es una cuestión difícil».

El método combina dos herramientas. Las redes neuronales bayesianas, una técnica de aprendizaje automático, prevén la demanda de viajes y la disponibilidad de cargadores en cada zona de la ciudad, a partir de los datos históricos de viajes en taxi en San Francisco y Chicago. A diferencia de muchos modelos de aprendizaje automático, también estiman lo inciertas que son sus propias predicciones, lo que resulta útil cuando los patrones reales de desplazamiento difieren de las previsiones, por ejemplo durante un clima inusual. Un modelo de optimización transparente, con objetivos y restricciones claramente definidos, decide después a dónde van los vehículos y cuándo se recargan. La IA apoya esas decisiones en lugar de tomarlas por su cuenta. Para que el cálculo sea manejable, el problema se divide en partes más pequeñas que se resuelven por separado y luego se combinan. Jacobsen afirma que el resultado es «muy cercano al óptimo, a la vez que sigue siendo computacionalmente viable».

Según Jacobsen, lo que distingue el trabajo es que tiene en cuenta de forma explícita las incertidumbres de una gran ciudad y optimiza el funcionamiento de la flota en consecuencia, y que el marco se desarrolló y probó para distintos tipos de vehículos. El estudio compara tres tipos de vehículos eléctricos con distintos tamaños de batería y eficiencia energética, y analiza cómo esas diferencias afectan al rendimiento de la flota y a la disponibilidad del servicio. El equipo también investiga el aprendizaje por refuerzo profundo, una forma de IA que aprende a través de la interacción, como método para tomar decisiones en tiempo real. El anuncio no ofrece ninguna cifra sobre las ventajas del método frente a otros enfoques de planificación, y tampoco indica cuándo podría utilizarse fuera del estudio.

Para los operadores de flotas y los urbanistas, la ventaja práctica sería menos viajes en vacío y menos coches atascados esperando, siempre que el método se sostenga más allá de los datos históricos. Los servicios de taxis autónomos ya funcionan en varias ciudades de Estados Unidos y China, donde gestionar grandes flotas en tráfico complejo sigue siendo difícil. Balázs Kulcsár, el catedrático que supervisó el estudio, afirma que el objetivo es una movilidad autónoma más fiable y digna de confianza. Que eso llegue al servicio cotidiano dependerá de unas pruebas que la investigación todavía no recoge.