Modelo gere frotas de táxis elétricos autónomos sob incerteza
A abordagem combina previsões probabilísticas de procura e carregadores com uma otimização explícita para reposicionar e carregar veículos.
Uma equipa da Universidade de Tecnologia de Chalmers desenvolveu um método para coordenar grandes frotas de táxis elétricos autónomos quando a procura, o trânsito e a disponibilidade de carregadores divergem das previsões. A investigação usa dados históricos de viagens de São Francisco e Chicago e separa duas tarefas: prever incerteza e tomar decisões sob restrições explícitas.
O problema são os veículos vazios e a carga
Uma frota a pedido precisa de reposicionar carros sem passageiros para onde se espera procura. Quando os veículos são elétricos, cada decisão de deslocação compete com tempo de carregamento e capacidade limitada nos postos. Uma previsão excessivamente confiante pode concentrar veículos no local errado ou deixar demasiados carros indisponíveis ao mesmo tempo.
O método usa redes neuronais bayesianas para prever procura e disponibilidade de carregadores por zona. Além de uma estimativa central, estas redes produzem uma medida da incerteza. A decisão final fica num modelo de otimização transparente, com objetivos e restrições definidos, que decompõe o problema em partes menores e as combina numa solução próxima do ótimo.
O que foi testado
Os investigadores aplicaram a estrutura a dados históricos de duas cidades e compararam três tipos de veículos elétricos com capacidades de bateria e eficiências diferentes. A tese reúne trabalho sobre reposicionamento de veículos vazios e sobre planeamento de carregamento. Os resultados indicam que a abordagem escala para frotas grandes e reage mais robustamente quando as condições fogem ao previsto.
As experiências são modelos e simulações baseados em dados passados. Não demonstram uma frota autónoma completa em circulação, nem resolvem a interação com condutores humanos, obras, regulamentação ou falhas físicas. A colaboração com a Volvo Cars também deve ser considerada ao interpretar a proximidade industrial do trabalho.
Porque importa
A contribuição é metodológica: a inteligência artificial estima procura e incerteza, enquanto decisões de operação permanecem auditáveis num modelo com critérios claros. Esta divisão permite comparar compromissos entre tempo de espera, quilómetros vazios, estado da bateria e disponibilidade de carregamento.
O que acompanhar
O passo decisivo será testar a política em operações reais, com dados em tempo contínuo e perturbações não presentes no histórico. Também importa saber como objetivos públicos — congestionamento, energia e equidade territorial — entram na função de otimização e quem escolhe os respetivos pesos.