Chalmers, un metodo per pianificare flotte di taxi elettrici autonomi

Ogni mattina tutti vogliono raggiungere il centro città. Ogni pomeriggio il flusso si inverte. Per una flotta di taxi autonomi questo significa auto vuote che percorrono tratti fino al punto in cui attendono i passeggeri successivi, e le auto elettriche devono anche fermarsi per ricaricarsi. I ricercatori della Chalmers University of Technology, in Svezia, hanno ora messo a punto un metodo di ottimizzazione pensato per questo problema su scala di un'intera città, capace di funzionare anche quando il traffico non si comporta come previsto.

La posta in gioco è concreta. Secondo un rapporto citato dai ricercatori, un trasporto passeggeri elettrico, condiviso e autonomo su larga scala può ridurre il costo per corsa fino al 60% rispetto ai taxi tradizionali, abbattendo al tempo stesso in modo significativo le emissioni per corsa. Il vantaggio dipende da una gestione efficace della flotta. Senza un controllo efficiente, osservano i ricercatori, lo squilibrio tra taxi disponibili e domanda può aumentare i tempi di attesa e la lunghezza delle code, e aggravare la congestione urbana. Come spiega il primo autore Sten Elling Tingstad Jacobsen, «dove e per quanto tempo ricaricare è una domanda difficile».

Il metodo combina due strumenti. Reti neurali bayesiane, una tecnica di apprendimento automatico, prevedono la domanda di viaggi e la disponibilità di colonnine di ricarica in ogni zona della città, a partire dai dati storici delle corse in taxi a San Francisco e Chicago. A differenza di molti modelli di apprendimento automatico, stimano anche quanto siano incerte le proprie previsioni, il che è utile quando i flussi reali di spostamento si discostano dalle stime, ad esempio con un meteo insolito. Un modello di ottimizzazione trasparente, con obiettivi e vincoli chiaramente definiti, decide poi dove andranno i veicoli e quando ricaricarsi. L'IA supporta quelle decisioni invece di prenderle da sola. Per rendere il calcolo gestibile, il problema viene suddiviso in parti più piccole, risolte separatamente e poi ricomposte. Jacobsen afferma che il risultato è «molto vicino all'ottimo, pur restando computazionalmente praticabile».

Secondo Jacobsen, ciò che distingue il lavoro è che tiene esplicitamente conto delle incertezze di una grande città e ottimizza di conseguenza la gestione della flotta, e che il sistema è stato sviluppato e testato per diversi tipi di veicoli. Lo studio confronta tre tipi di veicoli elettrici con diverse capacità delle batterie ed efficienza energetica, e analizza come tali differenze incidano sulle prestazioni della flotta e sulla disponibilità del servizio. Il team esplora anche l'apprendimento per rinforzo profondo, una forma di IA che impara attraverso l'interazione, come strumento per decidere in tempo reale. L'annuncio non fornisce una cifra sui vantaggi del metodo rispetto ad altri approcci di pianificazione e non dice quando potrebbe essere utilizzato al di fuori dello studio.

Per gli operatori di flotte e i pianificatori urbani, il vantaggio pratico sarebbe meno corse a vuoto e meno auto ferme in attesa, se il metodo reggerà oltre i dati storici. I servizi di taxi autonomi funzionano già in diverse città degli Stati Uniti e della Cina, dove gestire grandi flotte nel traffico complesso resta difficile. Balázs Kulcsár, il professore che ha supervisionato lo studio, afferma che l'obiettivo è una mobilità autonoma più affidabile e degna di fiducia. Se ciò si tradurrà in un servizio quotidiano dipende da test che la ricerca non riporta ancora.