El estudio, desarrollado en el Departamento de Ingeniería Eléctrica de Chalmers, combina técnicas de aprendizaje automático para predecir la demanda de viajes con modelos de optimización destinados a la planificación y gestión de flotas. A esto se añade el aprendizaje por refuerzo profundo, una variante de inteligencia artificial que aprende mediante interacción y experiencia, aplicada a la toma de decisiones en tiempo real dentro de sistemas de transporte complejos.
El problema de fondo, según describe el propio investigador, es estructural y no meramente técnico. "Con las flotas de taxis autónomos, pueden surgir rápidamente desequilibrios en las redes de vehículos urbanos. Por ejemplo, por la mañana todos quieren ir al centro de la ciudad, y por la tarde es al revés. Los coches autónomos deben entonces circular vacíos para recoger pasajeros para los desplazamientos matutinos y vespertinos", explica Jacobsen. Esa circulación en vacío implica un coste energético y de congestión que cualquier operador de flota debe minimizar.
A ese desequilibrio de origen-destino se suma, en el caso de los vehículos eléctricos, la necesidad de recarga. "Necesitan paradas ocasionales para recargar. Sin embargo, dónde y cuánto tiempo recargar es una cuestión difícil", reconoce el investigador. La dificultad no es solo logística: cada minuto que un vehículo pasa cargando es un minuto que no está disponible para el servicio, lo que obliga a un cálculo constante entre autonomía, disponibilidad de cargadores y demanda prevista.
Para resolverlo, el equipo recurrió a redes neuronales bayesianas (BNN), un método de aprendizaje automático que predice la demanda de viajes y la disponibilidad de cargadores en distintas zonas urbanas a partir de datos históricos de viajes en taxi de San Francisco y Chicago. La particularidad de este enfoque frente a otros modelos de aprendizaje automático es que también estima el grado de incertidumbre de sus propias predicciones, lo que permite que la gestión de la flota sea más robusta cuando los patrones reales de movilidad se desvían de lo previsto, por ejemplo ante condiciones climáticas inusuales.
Un aspecto que los autores subrayan es que el aprendizaje automático se emplea únicamente para generar previsiones, mientras que las decisiones operativas —hacia dónde se dirige cada vehículo y cuándo debe recargar— recaen en un modelo de optimización transparente, con objetivos y restricciones definidos de antemano. La inteligencia artificial actúa así como herramienta de apoyo y no como sistema autónomo de decisión final, una distinción relevante en el debate sobre la trazabilidad de los algoritmos que gestionan infraestructuras críticas.
La investigación compara además tres tipos de vehículos eléctricos con distinto tamaño de batería y eficiencia energética, para analizar cómo estas variables afectan al rendimiento conjunto de la flota y a la disponibilidad del servicio. Es un ejercicio que cobra sentido en un contexto en el que fabricantes y operadores urbanos deben decidir qué combinación de autonomía y coste resulta más eficiente para un uso intensivo las 24 horas, muy distinto del patrón de carga de un vehículo privado.
El método de dividir el problema
Jacobsen resume la lógica de su método como un ejercicio de descomposición de un problema inabarcable en su conjunto. "Debido a que la demanda, las condiciones del tráfico y la disponibilidad de vehículos cambian constantemente, el problema general se vuelve rápidamente demasiado complejo para resolverlo directamente", señala. La solución pasa por fragmentar el reto en partes manejables que se resuelven por separado y después se combinan para estimar el despliegue óptimo de toda la flota en la ciudad.
«Nuestro enfoque aborda este desafío dividiendo el problema en partes más pequeñas y manejables que se pueden resolver de manera eficiente y luego combinar para estimar el mejor despliegue general de la flota en toda la ciudad. De esta manera, obtenemos una solución que está muy cerca de la óptima sin dejar de ser computacionalmente práctica», explica Sten Elling Tingstad Jacobsen, investigador del Departamento de Ingeniería Eléctrica de la Universidad Tecnológica de Chalmers.
Balázs Kulcsár, profesor del mismo departamento y supervisor de la tesis, sitúa el trabajo en el contexto de los servicios de taxi autónomo que, según el estudio, ya operan en varias ciudades de Estados Unidos y China, donde la gestión de grandes flotas en entornos urbanos complejos sigue siendo un desafío por la variabilidad del tráfico y la interacción con conductores humanos. "Nuestro método robusto puede mejorar la coordinación del tráfico y favorecer una movilidad autónoma más fiable y segura", asegura Kulcsár.
El atractivo de esta tecnología no se limita a lo operativo. Según recoge el estudio, un informe de la Universidad de Stanford calcula que los taxis eléctricos autónomos podrían abaratar el coste por viaje hasta en un 60% frente a los taxis convencionales, además de reducir emisiones. Se trata de una cifra que, de confirmarse en despliegues reales, alteraría de forma sustancial la estructura de costes del transporte urbano de pasajeros, un sector que en España y en el resto de Europa combina regulación local, licencias y, cada vez más, presión por la electrificación de las flotas.
La convergencia de lo digital y lo físico
Ese potencial de abaratamiento conecta con una tendencia más amplia que atraviesa distintos sectores económicos: la búsqueda de eficiencia mediante la automatización y el dato, visible también en otros ámbitos de la economía digital, desde la gestión energética hasta el negocio de los centros de datos que impulsó el beneficio de ACS un 34,9% hasta septiembre. La movilidad autónoma, en ese sentido, se perfila como otro frente donde la infraestructura digital y la física convergen.
Lo que distingue este trabajo de otras investigaciones sobre logística de flotas, según su propio autor, es el tratamiento explícito de la incertidumbre. "Muchos estudios existentes abordan problemas similares de gestión de flotas y logística. Lo que distingue a nuestro trabajo es que consideramos explícitamente las incertidumbres presentes en una gran ciudad y optimizamos las operaciones de la flota en consecuencia", destaca Jacobsen.
El investigador cierra su planteamiento subrayando la flexibilidad del marco desarrollado, probado con distintos tipos de vehículo y pensado para adaptarse a condiciones cambiantes sin sacrificar fiabilidad. "También hemos desarrollado y probado el marco para diferentes tipos de vehículos, lo que lo hace flexible y robusto. Esto permite que las flotas de vehículos autónomos respondan de manera más efectiva a las condiciones cambiantes, manteniendo al mismo tiempo servicios de transporte eficientes y confiables", concluye Jacobsen.

