Så kan tusentals självkörande eltaxibilar samordnas

Föreställ dig att du beställer en resa i mobilen och en självkörande elbil dyker upp inom några minuter. Den hämtar dig, kanske samordnar din resa med andra passagerare och kör dig till din destination – utan förare och utan utsläpp. Samtidigt rör sig tusentals liknande fordon genom staden, laddar sina batterier när det behövs och ompositionerar sig för att finnas där nästa resenär dyker upp. Bakom den smidiga upplevelsen döljer sig ett komplext pussel. Forskare vid Chalmers tekniska högskola har utvecklat metoder som kan hjälpa tusentals fordon att planera körning, laddning och rutter – även när framtiden är osäker.

Hur kan tusentals självkörande eltaxibilar samordnas för att hämta passagerare, planera sina rutter och ladda vid rätt tillfälle? Forskare vid Chalmers har utvecklat metoder som kan göra framtidens eldrivna taxiflottor mer effektiva och tillförlitliga, även när efterfrågan och trafikförhållanden förändras. Foto: Genrebild.

Detta är visionen om Electric Autonomous Mobility-on-Demand – delad, självkörande och elektrisk mobilitet i stor skala. Studier pekar på potential för upp till 60 procent lägre resekostnader och betydligt lägre utsläpp per resa jämfört med traditionell taxi. Men att styra en sådan flotta är ett mycket komplext logistikproblem.

På morgonen kan till exempel många vilja resa in mot stadskärnan, medan resandet senare på dagen går åt motsatt håll. Då uppstår en obalans och tomma bilar behöver flyttas från ett område till ett annat. För en elektrisk fordonsflotta tillkommer ytterligare en utmaning: bilarna måste också hinna ladda och det måste finnas lediga laddare när de behöver dem.

Samtidigt går det inte att veta exakt vad som kommer att hända under dagen. Resenärer dyker upp oförutsägbart, trafiken varierar och efterfrågan kan påverkas av exempelvis väder och evenemang. Varje beslut om var en bil skickas nu påverkar därför vilka möjligheter som finns några minuter senare.

Forskning vid Chalmers tekniska högskola, genomförd i samarbete med Volvo Cars, visar hur sådana system kan styras mer intelligent trots denna osäkerhet.

– Den gemensamma utmaningen i alla våra studier är osäkerheten i vad som kommer att hända under dagen – till exempel resmönster, trafikflöden, restider och energiförbrukning. Vårt arbete handlar om hur man kan planera trots den osäkerheten, säger Sten Elling, doktorand på institutionen för elektroteknik, Chalmers.

Planerar framåt – trots osäkerhet

Den första delen av forskningen handlar om hur tomma fordon ska placeras ut i staden för att vara redo när nästa resenär behöver dem.

I stället för att bara reagera när en bokning kommer in använder systemet prognoser över framtida efterfrågan – tillsammans med uppskattningar av hur osäkra prognoserna är. På så sätt kan systemet planera framåt och se till att tillräckligt många fordon finns där de behövs. För att förutsäga resebeteenden har forskarna använt historiska data från verkliga taxiresor i San Francisco och Chicago.

Metoden kan ge en konkret servicenivå: det finns minst 95 procents sannolikhet att tillräckligt många fordon finns på rätt plats vid rätt tidpunkt. För operatörer innebär det en mer tillförlitlig tjänst – och för resenärer kortare väntetider.

Samordnar laddning och körning

Den andra delen fokuserar på elfordonens särskilda utmaning: laddningen.

En bil som står vid en laddstation kan inte samtidigt hämta passagerare. En bil som kör långt för att möta efterfrågan förbrukar mer energi och måste kanske laddas tidigare än planerat. Samtidigt varierar restider, efterfrågan och energiförbrukning över dagen.

Forskarna har utvecklat en metod som kan hantera flera typer av osäkerhet samtidigt – bland annat efterfrågan på resor, restider, energiförbrukning och tillgång till laddstationer.

Resultaten visar också att smart planering kan påverka hur bilarna konstrueras. Om laddning kan planeras effektivt behöver inte varje fordon ha ett mycket stort batteri.

– Med rätt styrning kan bilarna klara sig med mindre batterier eftersom de kan ladda under dagen. Ett mindre batteri gör bilen lättare och mer energieffektiv, vilket i sin tur minskar elförbrukningen, säger Sten Elling.

AI löser matchningen i realtid

Den tredje och största delen av forskningen handlar om vad som händer i realtid när en passagerare beställer en resa.

Vilket fordon ska hämta passageraren? I vilken ordning ska flera resenärer plockas upp och lämnas av? För stora fordonsflottor är detta för komplext för att lösas exakt varje gång.

Här har Sten Elling i stället använt en metod baserad på maskininlärning, utvecklad tillsammans med Attila Lischka, doktorand vid Chalmers. Metoden kombinerar deep reinforcement learning, som lär sig fatta beslut genom erfarenhet, med grafneurala nätverk (graph neural networks), som kan beskriva relationerna mellan fordon, passagerare och platser i transportsystemet. Systemet tränades på miljontals simulerade resor och lärde sig steg för steg vilka beslut som leder till effektiva lösningar.

En viktig fördel är att metoden är skalbar. Den kan hantera mycket stora flottor och ändå fatta beslut snabbt.

– Traditionella optimeringsmetoder kan bli väldigt långsamma när systemen blir stora. Med maskininlärning kan vi hitta bra lösningar på under en sekund, säger Sten Elling.

Självkörande taxiflottor finns redan

Självkörande taxitjänster är inte längre bara en framtidsvision. Autonoma taxiflottor finns redan i städer i bland annat USA och Kina. Men tekniken har fortfarande problem i vissa situationer, exempelvis vid dåligt väder, förändrade trafikförhållanden och i samspelet med mänskliga förare.

Balázs Kulcsár
Fotograf: Anna-Lena Lundqvist

– Chalmersmetoden kan bidra genom att förbättra trafikkoordineringen och skapa driftsäkra och förtroendeingivande autonom mobilitet, säger Balázs Kulcsár, professor vid institutionen för elektroteknik och handledare för studien.

Möjliga nästa steg

Även om Chalmersforskningen i dag bygger på avancerade simuleringar kan resultaten bidra till framtida utveckling av elektriska mobilitetssystem.

En möjlig fortsättning är att undersöka hur stora flottor av elfordon kan samverka med elsystemet genom så kallad vehicle-to-grid. Parkerade bilar skulle då tillfälligt kunna leverera energi tillbaka till elnätet.

– Om hundratusentals fordon finns i en stad kan de tillsammans bidra med betydande effekt till elnätet när de står parkerade, säger Sten Elling.

Utmaningar kvarstår

Samtidigt finns flera frågor som återstår att lösa innan sådana system kan införas i stor skala. I forskningen har man till exempel inte analyserat hur stora flottor av autonoma fordon i sig skulle påverka trafikflödena i en stad. Det är också oklart hur olika mobilitetstjänster – som taxibolag och samåkningsplattformar – skulle konkurrera i ett framtida system.

Trots dessa utmaningar visar forskningen att kombinationen av avancerad matematik och artificiell intelligens kan göra stora eldrivna fordonsflottor både mer effektiva och mer tillförlitliga. På sikt kan det bidra till kortare väntetider, lägre energianvändning och mer hållbara transporter i framtidens städer.

Mer om Forskningen:

A Predictive Chance Constraint Rebalancing Approach to Mobility-on-Demand Services har publicerats i Communications in Transport Research.

Combined Stochastic and Robust Optimization for Electric Autonomous Mobility-on-Demand with Nested Benders Decomposition har publicerats i Transportation Research Part C: Emerging Technologies.

Artikelförfattarna är Sten Elling Tingstad Jacobsen och Balázs Kulcsár vid Chalmers tekniska högskola, och Anders Lindman, Volvo Cars.

Forskningen har gjorts tillsammans med Volvo Cars inom projektet Simulering, analys och modellering av framtida effektiva trafiksystem.