رویکرد جدید هماهنگی ناوگان خودران با هدف مقابله با ترافیک ساعات شلوغی
محققان دانشگاه چالمرز سوئد یک روش بهینه‌سازی برای هدایت کارآمدتر تاکسی‌های برقی خودران در ترافیک شهری توسعه داده‌اند. این رویکرد، پیش‌بینی‌های هوش مصنوعی را با مدل‌های ریاضی ترکیب می‌کند و به گونه‌ای طراحی شده است که عوامل غیرقابل پیش‌بینی مانند شرایط غیرمعمول آب و هوایی را در نظر بگیرد.
گزارشی از دانشگاه استنفورد نشان می‌دهد که تاکسی‌های برقی خودران نه تنها پتانسیل افزایش کارایی ترافیک شهری و سازگاری با محیط زیست را دارند، بلکه می‌توانند هزینه‌ها را در هر کیلومتر تا 60 درصد در مقایسه با تاکسی‌های معمولی کاهش دهند. با این حال، یکی از چالش‌های اصلی در بهره‌برداری از تاکسی‌های خودران، هماهنگی ناوگان است.
یکی از مسائل اصلی روزمره، ترافیک در ساعات شلوغی است: صبح‌ها، بسیاری از مسافران می‌خواهند به مرکز شهر سفر کنند و عصرها، می‌خواهند آنجا را ترک کنند. بنابراین، وسایل نقلیه خودران اغلب باید خالی برگردند تا دوباره در نقاط شروع در دسترس باشند. در مورد خودروهای برقی، شارژ واسطه‌ای لازم، لایه دیگری از پیچیدگی را ایجاد می‌کند. بدون برنامه‌ریزی آینده‌نگر، این امر خطر ایجاد جاده‌های شلوغ، زمان انتظار طولانی و استفاده نامتعادل از ایستگاه‌های شارژ را به همراه دارد.
برای رفع این مشکل، یک تیم تحقیقاتی در دانشگاه چالمرز سوئد، با همکاری شرکت ولوو کارز، از ترکیبی از یادگیری ماشین و بهینه‌سازی کلاسیک استفاده می‌کنند. این تیم برای پیش‌بینی تقاضای مسافر و ایستگاه‌های شارژ موجود، از شبکه‌های عصبی بیزی (BNN) استفاده می‌کند که با استفاده از داده‌های تاکسی‌های قدیمی از سانفرانسیسکو و شیکاگو آموزش دیده‌اند.
مزیت کلیدی این روش یادگیری ماشینی این است که BNNها نه تنها احتمالات محض را محاسبه می‌کنند، بلکه تخمین‌هایی از میزان عدم قطعیت پیش‌بینی‌های خود نیز ارائه می‌دهند. اگر رفتار مسافران به طور خودجوش تغییر کند – به عنوان مثال به دلیل عواملی مانند باران ناگهانی – سیستم مدیریت ناوگان پایدار می‌ماند.
هوش مصنوعی تصمیمات مستقلی نمی‌گیرد، بلکه صرفاً به عنوان یک پایه داده عمل می‌کند. برنامه‌ریزی واقعی رانندگی و شارژ توسط یک مدل بهینه‌سازی ریاضی با قوانین ثابت انجام می‌شود. از آنجایی که یک شهر بزرگ متغیرهای زیادی دارد، الگوریتم وظیفه کلی را به بخش‌های کوچک‌تر تقسیم می‌کند و آنها را در یک برنامه کلی ترکیب می‌کند. این امر امکان تصمیم‌گیری در کسری از ثانیه را فراهم می‌کند – حتی با ناوگان‌های بسیار بزرگ وسایل نقلیه.
علاوه بر این، این تیم سه نوع مختلف از وسایل نقلیه الکتریکی با اندازه باتری و مقادیر راندمان متفاوت را بررسی کرد. نتایج نشان می‌دهد که فناوری انتخاب شده برای خودرو تا چه حد بر دسترسی به ناوگان تأثیر می‌گذارد. با تعادل مناسب بین اندازه باتری، برنامه‌ریزی شارژ و پیش‌بینی داده‌ها، استفاده روزمره از تاکسی‌های برقی خودران می‌تواند به طور قابل توجهی قابل اعتمادتر شود.
همچنین بخوانید:
فولکس واگن توسعه سیستم‌های پیشرفته کمک راننده (ADAS) را تحت رهبری آئودی متمرکز می‌کند
انویدیا خودروسازان اروپایی را در آغوش می‌گیرد
INIT وارد بازار مدیریت ناوگان خودران می‌شود
منبع: electrive
