盖世汽车讯 自动驾驶电动出租车车队有望提升交通运输的效率与可持续性，但前提是车辆必须能够持续做出明智决策——例如确定行驶目的地以及何时进行充电。据外媒报道，瑞典查尔姆斯理工大学（Chalmers University of Technology）的研究人员开发出一种全新的优化方法，能够在充分考虑现实交通系统中各种不确定因素的同时，实现大规模车队近乎最优的调度与管控。

图片来源：查尔姆斯理工大学

自动驾驶出租车车队的发展正突飞猛进，预计将使客运交通变得更加安全、环保且高效。据相关报告显示，大规模的共享式自动驾驶电动客运服务（即“按需自动驾驶电动出行”模式）不仅能将个人单次出行的成本最高降低60%（与传统出租车相比），还能显著减少单次出行的排放量。然而，管理这样一支车队极其复杂。

“在自动驾驶出租车车队运营中，城市车辆网络很容易出现供需失衡。例如，早高峰时段，人们都想前往市中心；而到了下午，情况则恰恰相反。为了应对早晚高峰的乘客出行需求，自动驾驶车辆往往需要空驶前往接载乘客。若采用电动汽车，车辆还需要不时停下来充电。然而，究竟该在何处充电、充电时长又该如何设定，是一个棘手的问题。”查尔姆斯理工大学电气工程系控制工程博士Sten Elling Tingstad Jacobsen如是说。

相关论文已发表在学术期刊《交通研究C辑：新兴技术》（Transportation Research Part C: Emerging Technologies）上。

优化车辆可用性与充电安排

可用出租车数量与出行需求之间的不匹配，可能会对城市交通状况产生负面影响。因此，若缺乏高效的车队管控策略，自动驾驶出行服务反而可能导致乘客等待时间延长、排队队伍变长，进而加剧城市交通拥堵。

Jacobsen在其博士论文中，提出了一套数据驱动的方法，旨在改善自动驾驶电动出租车队（车队）的运营。他的研究将“用于预测出行需求的机器学习技术”与“用于车队规划和管理的先进优化模型”相结合。此外，他还探讨了如何利用深度强化学习——一种通过交互与经验进行学习的人工智能形式——在复杂的交通系统中做出实时决策。

本研究的第一部分探讨了如何在城市中部署空闲车辆，以便在下一位乘客有需求时能及时提供服务。第二部分则聚焦于自动驾驶出租车队在采用电动车辆并需定期充电的情况下所带来的额外挑战。

研究利用一种被称为“贝叶斯神经网络”（BNNs）的机器学习方法，基于旧金山和芝加哥的历史出租车出行数据，对城市不同区域的出行需求及充电设施可用性进行预测。与许多其他机器学习模型不同，贝叶斯神经网络还能评估其预测结果的不确定性。当现实中的出行模式与预测存在偏差时（例如在遭遇异常天气状况时），这类信息有助于提升车队管理的稳健性。

机器学习仅用于提供预测，而关于车辆行驶路线及充电时间的决策，则由一个目标明确、约束清晰且透明的优化模型来制定；换言之，人工智能在此起到的是辅助决策的作用，而非自主做出决策。该研究还对比了三种电池容量和能效各异的电动车型，并探讨了这些差异如何影响车队的整体表现及服务可用性。

Jacobsen表示：“由于需求、交通状况和车辆可用性都在不断变化，整个问题会变得极其复杂，难以直接求解。我们的方法通过将问题拆解为若干更小、更易于管理的部分来应对这一挑战；这些部分可以被高效求解，随后再进行整合，从而估算出整个城市内最优的车队部署方案。通过这种方式，我们既能获得非常接近最优解的方案，又能确保计算上的可行性。”

超大规模车队的协同调度

自动驾驶出租车服务已在美国和中国的多个城市投入运营，但在复杂的城市环境中管理大规模车队仍是一项挑战。

“在交通状况复杂多变的环境中，以及在与人类驾驶员进行交互时，自动驾驶车队仍面临诸多困难。我们提出的稳健方法有助于改善交通协同，并支持构建更可靠、更值得信赖的自动驾驶出行系统，”该研究的指导者、电气工程系教授Balázs Kulcsár表示。

该方法的一个核心优势在于，它既能扩展至大规模车队，又能保持快速决策的能力。据Jacobsen介绍，该方案旨在即便面对现实城市交通系统中固有的各种不确定性，依然能够保持有效运作。

“许多现有研究都探讨过类似的车队管理与物流问题。我们这项工作的独特之处在于，我们明确将大城市中存在的不确定性纳入考量，并据此优化车队运营。此外，我们还针对不同类型的车辆开发并测试了该框架，使其兼具灵活性与稳健性。这使得自动驾驶车队能够在应对多变环境的同时，持续提供高效且可靠的交通服务。”