El ciberpunk está más cerca: los robotaxis ahora deciden por sí mismos dónde esperarte y cuándo ir a recargarse

Los taxis eléctricos autónomos aprendieron a decidir con antelación dónde esperar al siguiente pasajero y cuándo es mejor dirigirse a una estación de carga. En simulaciones de San Francisco y Chicago, el nuevo método redujo la mediana del tiempo de espera de los pasajeros hasta en un 36%, disminuyó los recorridos en vacío en un 27% y redujo los gastos en electricidad casi un 35%. Por ahora el algoritmo se probó solo en un modelo por ordenador, no en una flota urbana real.

La principal dificultad para una gran flota de robotaxis no surge durante el propio viaje. Hay que redistribuir constantemente los vehículos por la ciudad mientras la demanda cambia de un barrio a otro. Por la mañana los pasajeros se dirigen masivamente al centro, por la tarde el flujo cambia de dirección y parte de los coches, mientras tanto, debe cargarse. Si se envían demasiados vehículos a las estaciones de carga o se los deja en los barrios equivocados, los pasajeros esperarán más y los coches vacíos acumularán kilómetros innecesarios.

Los autores del nuevo método decidieron planificar el funcionamiento de la flota teniendo en cuenta varios factores desconocidos. El algoritmo estima la demanda futura, la duración de los trayectos, el consumo de energía y la disponibilidad de estaciones de carga. En lugar de una sola predicción, el sistema contempla varias posibles evoluciones de la situación y prepara un plan que debe seguir siendo válido incluso si la realidad se desvía de las expectativas.

Para la predicción, los investigadores aplicaron aprendizaje automático, más concretamente redes neuronales bayesianas. El modelo estudia el historial de viajes y evalúa no solo el número probable de solicitudes, sino también el grado de incertidumbre. Por eso el algoritmo puede tener en cuenta las horas en las que la demanda es predecible y los periodos en los que el flujo de pasajeros puede cambiar bruscamente.

La red neuronal no controla los vehículos ni elige la ruta de cada coche. La predicción llega a un modelo matemático independiente que asigna los taxis libres entre los barrios y determina el momento adecuado para la carga. Para que los cálculos no se vuelvan demasiado pesados con el crecimiento de la flota, la tarea grande se divide en varias más pequeñas y se resuelve en paralelo.

El nuevo enfoque ayudó sobre todo a reducir la espera habitual de los pasajeros, pero las mejoras se mantuvieron también en casos complejos. Entre el 5% de las solicitudes con las demoras más largas, la espera se redujo casi un 20%. Al mismo tiempo, los robotaxis circulaban vacíos con menos frecuencia, por lo que la flota gastaba menos energía y ocupaba las calles sin pasajeros con menor asiduidad.

Los investigadores también evaluaron vehículos con distinta capacidad de batería y diferente consumo de energía. A los coches eficientes les bastaban baterías relativamente pequeñas para que la flota siguiera funcionando de forma estable. A los vehículos eléctricos más voraces les hacían falta baterías grandes y más estaciones de carga disponibles.

Aún falta llevar esto a las calles reales. El modelo por ordenador permite considerar multitud de situaciones viales, pero no reproduce la ciudad en todos sus detalles, incluidas las colisiones, los cortes de tráfico, los atascos repentinos y el comportamiento de los conductores habituales. Los resultados muestran por ahora lo esencial: a una gran flota de robotaxis eléctricos no le basta reaccionar rápidamente a los nuevos pedidos. Para evitar que miles de coches se acumulen en zonas innecesarias y, al mismo tiempo, se pongan a cargar, el sistema tendrá que planificar continuamente los siguientes pasos con antelación.