Inteligencia artificial en vehículos para reducir el consumo de combustible

El sector del transporte sigue siendo una de las principales fuentes de contaminación del aire y cambio climático en la Tierra, ya que representa aproximadamente el 59% del consumo de petróleo y el 22% de las emisiones de CO2.

La identificación de estrategias eficaces para limitar el combustible consumido por los vehículos podría contribuir a reducir la contaminación y, al mismo tiempo, a abordar la escasez mundial de energía.

Investigadores de la Universidad de Ciencia y Tecnología de Hong Kong se propusieron abordar este desafío utilizando un modelo computacional basado en el aprendizaje por refuerzo.

Este modelo está diseñado para optimizar el consumo de combustible en escenarios de seguimiento de vehículos, específicamente en situaciones en las que los vehículos semiautomatizados y autónomos circulan cerca y necesitan mantener una distancia segura entre sí ajustando su velocidad.

“La inspiración para este artículo surgió de la creciente demanda de soluciones de transporte sostenibles y energéticamente eficientes“, dijo Hui Zhong, coautor del artículo.

“Dado que la congestión del tráfico y los comportamientos de conducción ineficientes contribuyen significativamente al consumo de combustible y las emisiones, buscamos explorar formas de mitigar estos desafíos”.

El objetivo principal de este trabajo fue desarrollar un modelo computacional que optimizara el consumo de combustible en escenarios de seguimiento de vehículos, al mismo tiempo que garantizara que los vehículos mantuvieran una distancia segura entre sí y que el tráfico fluyera de manera eficiente.

El modelo que desarrollaron, denominado EcoFollower, se basa en un aprendizaje de refuerzo profundo.

“El modelo aprende continuamente de su entorno, ajustando las distancias de seguimiento y los patrones de aceleración para lograr el comportamiento de conducción más eficiente en cuanto a consumo de combustible.

Lo que distingue a EcoFollower es su capacidad para equilibrar la eficiencia del combustible con el mantenimiento de un flujo de tráfico seguro y fluido”.

Los modelos convencionales para optimizar el funcionamiento de los vehículos en escenarios de seguimiento de vehículos generalmente solo se centran en la seguridad o apuntan a facilitar el flujo eficiente del tráfico.

El modelo EcoFollower, por otro lado, está diseñado para reducir también el consumo de combustible.

Los investigadores evaluaron su modelo en una serie de pruebas en las que lo aplicaron al conjunto de datos de Next Generation Simulation (NGSIM).

Se trata de una recopilación de datos de tráfico de código abierto recopilados en cuatro lugares diferentes.

Los resultados de las pruebas iniciales del equipo fueron muy prometedores, ya que se descubrió que EcoFollower reducía significativamente el consumo de combustible en todos los escenarios en los que se probó.

“Demostramos que el aprendizaje por refuerzo se puede aplicar de forma eficaz a escenarios de conducción del mundo real para reducir el consumo de combustible“, dijo Zhong.

“Nuestros experimentos mostraron que EcoFollower podría reducir el consumo de combustible en un 10,42% en comparación con los escenarios de conducción reales.

Este resultado tiene implicaciones significativas para reducir las emisiones generales y promover el transporte sostenible”.

En el futuro, el modelo EcoFollower podría integrarse en sistemas avanzados de asistencia al conductor (ADAS) y sistemas de conducción autónoma, lo que ayudaría a aumentar su eficiencia y reducir su impacto ambiental.

Mientras tanto, los investigadores planean seguir trabajando en el modelo para mejorar aún más su rendimiento.

“Si bien ya funciona mejor que el modo de conducción inteligente (IDM) tradicional y reduce el consumo de combustible en un 10,42 % en comparación con los escenarios de conducción reales, se necesitan más escenarios y conjuntos de datos para probar y mejorar su generalización y solidez“, agregó Zhong.

“Por ejemplo, en un entorno de tráfico de autonomía mixta, el comportamiento de los vehículos conducidos por humanos difiere del de los vehículos autónomos, lo que podría afectar el rendimiento del modelo”.

Fuente: arXiv