Беспилотные электротакси научили заранее решать, где ждать следующего пассажира и когда лучше отправиться к зарядной станции. В симуляциях Сан-Франциско и Чикаго новый метод сократил медианное время ожидания пассажиров до 36%, уменьшил пустые пробеги на 27% и снизил расходы на электричество почти на 35%. Пока алгоритм проверяли только в компьютерной модели, а не на реальном городском автопарке.
Главная трудность для большого парка роботакси возникает не во время самой поездки. Машины нужно постоянно распределять по городу, пока спрос меняется от района к району. Утром пассажиры массово едут в центр, вечером поток меняет направление, а часть автомобилей тем временем должна заряжаться. Если отправить слишком много машин к зарядным станциям или оставить их не в тех районах, пассажиры будут ждать дольше, а пустые автомобили начнут наматывать лишние километры.
Авторы нового метода решили планировать работу парка сразу с учетом нескольких неизвестных факторов. Алгоритм оценивает будущий спрос, продолжительность поездок, расход энергии и доступность зарядных станций. Вместо одного прогноза система рассматривает несколько возможных вариантов развития ситуации и готовит план, который должен оставаться рабочим, даже если реальность отклонится от ожиданий.
Для прогноза исследователи применили машинное обучение, а точнее байесовские нейросети. Модель изучает историю поездок и оценивает не только вероятное число заказов, но и степень неопределенности. Поэтому алгоритм может учитывать часы, когда спрос предсказуем, и периоды, когда пассажиропоток способен резко измениться.
Нейросеть не управляет автомобилями и не выбирает маршрут для каждой машины. Прогноз поступает в отдельную математическую модель, которая распределяет свободные такси между районами и определяет подходящее время для зарядки. Чтобы расчеты не становились слишком тяжелыми при росте автопарка, большую задачу делят на несколько меньших и решают параллельно.
Наиболее заметно новый подход помог сократить обычное ожидание пассажиров, но улучшения сохранились и в сложных случаях. Среди 5% заказов с самыми долгими задержками ожидание уменьшилось почти на 20%. Одновременно роботакси реже ездили по городу пустыми, поэтому парк тратил меньше энергии и реже занимал дороги без пассажиров.
Исследователи также проверили автомобили с разной емкостью аккумулятора и разным расходом энергии. Экономичным машинам хватало сравнительно небольших батарей, чтобы парк продолжал стабильно работать. Более прожорливым электромобилям требовались крупные аккумуляторы и больше доступных зарядных станций.
До реальных улиц разработке еще предстоит добраться. Компьютерная модель позволяет учесть множество дорожных ситуаций, но не воспроизводит город во всех деталях, включая аварии, перекрытия, внезапные пробки и поведение обычных водителей. Результаты пока показывают главное: крупному парку электрических роботакси недостаточно быстро реагировать на новые заказы. Чтобы тысячи машин не собирались в ненужных районах и одновременно не вставали на зарядку, системе придется постоянно планировать следующие несколько шагов заранее.
