Självkörande eldrivna taxiflottor kan göra framtidens transporter både effektivare och mer hållbara. Men då måste fordonen ständigt fatta smarta beslut om vart de ska köra och när de ska ladda – även när verkligheten inte följer prognosen. Nu presenterar forskare på Chalmers en ny metod som ger ett så gott som optimalt sätt att styra en självkörande flotta, genom att lyckas ta hänsyn till reseplaneringens många osäkerheter.
Utvecklingen av självkörande taxiflottor går snabbt framåt. Förhoppningen är att de ska kunna bidra till säkrare, mer miljövänliga och effektivare persontransporter. Enligt en rapport* kan storskaliga, delade och självkörande eltransporter – electric autonomous mobility-on-demand – minska kostnaden för en enskild resa med upp till 60 procent jämfört med traditionell taxi och samtidigt ge betydligt lägre utsläpp per resa. Men att styra en sådan fordonsflotta är en komplicerad uppgift.
– Med självkörande taxiflottor kan det snabbt uppstå obalanser mellan olika delar av stadens trafiksystem. På morgonen vill till exempel många resa in mot centrum, medan strömmen går åt andra hållet på eftermiddagen. Då måste självkörande bilar köra tomma för att placera sig där passagerarna kommer att finnas. Om bilarna dessutom är elektriska måste de stanna för att ladda ibland. Var och hur länge de ska ladda är en svår fråga, säger Sten Elling Tingstad Jacobsen, doktor i reglerteknik vid institutionen för elektroteknik på Chalmers.
Optimerar både tillgången på bilar och laddningen
Om taxibilarna befinner sig på fel plats i förhållande till efterfrågan kan det påverka trafiken negativt. Utan effektiv styrning riskerar självkörande taxitjänster därför att leda till längre väntetider och köer och i förlängningen ökad trängsel i staden.
I sin doktorsavhandling har Sten Elling Tingstad Jacobsen utvecklat datadrivna metoder för att förbättra styrningen av självkörande elektriska taxiflottor. Forskningen kombinerar maskininlärning, som används för att förutsäga efterfrågan på resor, med avancerade optimeringsmodeller för att planera och styra fordonsflottan. Han har också undersökt hur djup förstärkningsinlärning, en form av artificiell intelligens som lär sig genom erfarenhet och återkoppling, kan användas för att fatta beslut i realtid i komplexa transportsystem.
Den första delen av forskningen handlar om hur tomma fordon ska placeras ut i staden för att finnas på rätt plats när resenärerna behöver dem. Den andra delen av forskningen fokuserar på de utmaningar som uppstår när självkörande taxiflottor är eldrivna och behöver laddas regelbundet. Med hjälp av en maskininlärningsmetod som kallas bayesianska neurala nätverk (BNN) förutsägs efterfrågan på resor och tillgången till laddstationer i olika delar av staden. Prognoserna bygger på historiska data från taxiresor i San Francisco och Chicago. Till skillnad från många andra maskininlärningsmodeller kan BNN även uppskatta hur osäkra prognoserna är. Det gör styrningen av fordonsflottan mer robust när verklighetens resmönster avviker från prognoserna, till exempel vid ovanliga väderförhållanden.
Maskininlärningen används enbart för att göra prognoser. Besluten om vart fordonen ska köra och när de ska laddas fattas i stället av en transparent optimeringsmodell med tydligt definierade mål och begränsningar. AI fungerar därmed som ett stöd för besluten, snarare än att fatta dem på egen hand. I studien jämförs också tre typer av elfordon med olika batteristorlek och energieffektivitet för att undersöka hur detta påverkar fordonsflottans prestanda och tillgången till taxitjänsten.
– Eftersom efterfrågan, trafiksituationen och tillgången på fordon hela tiden förändras blir problemet snabbt alltför komplext för att lösa i sin helhet. Vår metod hanterar detta genom att dela upp problemet i mindre och mer hanterbara delar, som kan lösas effektivt och sedan kombineras för att beräkna hur fordonsflottan som helhet bäst ska fördelas i staden. På så sätt får vi en lösning som ligger mycket nära den optimala, samtidigt som den är praktiskt möjlig att beräkna, säger Sten Elling Tingstad Jacobsen.
Kan samordna mycket stora fordonsflottor
Självkörande taxiflottor finns i flera städer i USA och Kina, men att styra många fordon i komplexa stadsmiljöer är fortfarande en utmaning.
– Självkörande fordonsflottor har svårt att hantera osäkra och komplexa trafiksituationer och samspelet med mänskliga förare. Vår robusta metod kan bidra till bättre samordning av trafiken och till mer tillförlitliga och pålitliga självkörande mobilitetstjänster, säger Balázs Kulcsár, professor vid institutionen för elektroteknik och handledare för studien.
En viktig styrka hos metoden är att den kan skalas upp till stora fordonsflottor och samtidigt fatta beslut snabbt. Enligt Sten Elling Tingstad Jacobsen är metoden utformad för att fungera effektivt även med den osäkerhet som kännetecknar verkliga transportsystem i städer.
– Många tidigare studier behandlar liknande problem med styrning av fordonsflottor och logistik. Det som är unikt med vårt arbete är att vi uttryckligen tar hänsyn till den osäkerhet som finns i en storstad och optimerar fordonsflottans drift utifrån den. Vi har också utvecklat och testat metoden för olika typer av fordon, vilket gör den både flexibel och robust. Det banar väg för att att självkörande fordonsflottor bättre kan anpassa sig till förändrade förhållanden och erbjuda effektiva och tillförlitliga transporttjänster.
