Método da Chalmers planeia frotas de táxis elétricos autónomos

Todas as manhãs, toda a gente quer deslocar-se para o centro da cidade. Todas as tardes, o fluxo inverte-se. Para uma frota de táxis autónomos, isso significa que carros vazios têm de circular até onde esperam os próximos passageiros, e que os carros elétricos têm também de parar para recarregar. Investigadores da Universidade de Tecnologia de Chalmers, na Suécia, desenvolveram agora um método de otimização concebido para este problema à escala de uma cidade inteira, que continua a funcionar quando o trânsito não se comporta como previsto.

O que está em jogo é real. Segundo um relatório citado pelos investigadores, o transporte de passageiros partilhado, elétrico e autónomo em grande escala pode reduzir o custo por viagem até 60 % em comparação com os táxis tradicionais, cortando também de forma significativa as emissões por viagem. O ganho depende de a frota ser bem gerida. Sem um controlo eficiente, notam os investigadores, o desfasamento entre os táxis disponíveis e a procura pode aumentar os tempos de espera e o comprimento das filas, e agravar o congestionamento urbano. Como afirma o autor principal, Sten Elling Tingstad Jacobsen, «saber onde e durante quanto tempo carregar é uma questão difícil».

O método combina duas ferramentas. As redes neuronais bayesianas, uma técnica de aprendizagem automática, preveem a procura de viagens e a disponibilidade de postos de carregamento em cada zona da cidade, a partir de dados históricos de viagens de táxi em São Francisco e Chicago. Ao contrário de muitos modelos de aprendizagem automática, estimam também o grau de incerteza das suas próprias previsões, o que é útil quando os padrões reais de deslocação diferem das previsões, por exemplo durante condições meteorológicas invulgares. Um modelo de otimização transparente, com objetivos e restrições claramente definidos, decide depois para onde vão os veículos e quando carregam. A IA apoia essas decisões, em vez de as tomar sozinha. Para tornar o cálculo exequível, o problema é dividido em partes mais pequenas, que são resolvidas separadamente e depois combinadas. Jacobsen afirma que o resultado está «muito próximo do ótimo, mantendo-se computacionalmente viável».

Segundo Jacobsen, o que distingue o trabalho é o facto de ter em conta explicitamente as incertezas de uma grande cidade e de otimizar a operação da frota em conformidade, bem como o facto de a estrutura ter sido desenvolvida e testada para diferentes tipos de veículos. O estudo compara três tipos de veículos elétricos, com baterias de capacidades e eficiências energéticas diferentes, e analisa de que modo essas diferenças afetam o desempenho da frota e a disponibilidade do serviço. A equipa investiga ainda a aprendizagem por reforço profunda, uma forma de IA que aprende através da interação, como meio de tomar decisões em tempo real. O anúncio não indica qualquer valor para os ganhos do método face a outras abordagens de planeamento, nem diz quando poderá ser utilizado fora do estudo.

Para os operadores de frotas e para os responsáveis pelo planeamento urbano, o ganho prático seria a redução das viagens em vazio e do número de carros imobilizados à espera, desde que o método se confirme para lá dos dados históricos. Os serviços de táxis autónomos já funcionam em várias cidades dos Estados Unidos e da China, onde gerir grandes frotas em trânsito complexo continua a ser difícil. Balázs Kulcsár, o professor que orientou o estudo, afirma que o objetivo é uma mobilidade autónoma mais fiável e mais digna de confiança. Saber se isso chegará ao serviço quotidiano depende de testes que a investigação ainda não apresenta.