Jak efektivněji nabíjet samořiditelné elektrovozy? Řešením může být hluboké učení

Výzkum a věda | |

Jak efektivněji nabíjet samořiditelné elektrovozy? Řešením může být hluboké učení

Budoucnost přepravy spočívá v autonomních vozidel poháněných bateriemi, přinejmenším to tak zatím vypadá.


Pořád je ale velký problém s tím, jak prakticky, efektivně a úsporně automobily nabíjet a jak zajistit jejich provoz třeba na méně kvalitních silnicích, případně jak zajistit kompletní bezpečnost.

Přinejmenším na prvně zmíněném problému pracují odborníci dnes a denně, nicméně jednoduché to není a vyžaduje značné investice do infrastruktury.

Budoucnost mobility

Počítačoví vědci v Národní laboratoři Lawrence Livermora nyní pracují na praktické aplikaci zpětnovazebního hlubokého učení. To je technologie známá hlavně z esportů a deskových her typu šachů nebo Go, kde algoritmy vytvořené podobným principem poráží i ty nejlepší mistry her.

Algoritmus zpětnovazebního hlubokého učení by v tomto případě měl odhalit co nejefektivnější strategii pro rozmísťování nabíjecích stanic pro elektrovozidla. Cílem je co nejvíce omezit emise CO2 a dopad na už tak přetížené elektrické rozvodné sítě. Zároveň je ovšem kladen důraz na 24hodinovou dostupnost služeb, a to kdekoliv.

Ač je studie zaměřená na služby pro sdílení jízd (takže honosně nazvané taxislužby typu Uber nebo Bolt), aplikovat by šla celkově na trh se samořiditelnými a elektrickými vozidly.

Součástí projektů je také trénink autonomních agentů, kteří by se měli díky algoritmu naučit lépe (čti: úsporněji) automobily řídit. Simulace vědců zatím vykazují slibné výsledky.

Trénink algoritmu hlubokého zpětnovazebního učení byl poměrně jednoduchý: Pokaždé, kdy agent v simulaci úspěšně odvezl zákazníka, byl odměněn; po každé jízdě byl postaven před otázku, zda nabít vozidlo nebo svést dalšího zákazníka. Za produkci emisí vlivem nabíjení nebo pokus o svezení zákazníka i přes nedostatečnou míru nabití baterie byl naopak penalizován.

Systém se díky tomu naučil účinnou strategii, kdy vozit zákazníky a kdy se primárně nabíjet, založený hlavně na nabídce a poptávce – a cenách elektřiny. Po čase algoritmus minimalizoval čas a cenu nabíjení a maximalizoval počet převezených zákazníků.

Nyní chtějí vědci v praxi vyzvat ke spolupráci průmysl a zajistit, že infrastruktura bude schopná stabilně zajišťovat služby elektrická vozidla.


Úvodní foto: © metamorworks - Adobe Stock


Články z rubriky

Potvrzeno, Nvidia kupuje britský Arm za 40 miliard dolarů"

Ačkoliv akvizice Armu znamená pro Nvidia především snazší vstup na pole mobilních procesorů, kde dosud nebyla příliš aktivní, pustí se také do stavby superpočítačů (s níž má Nvidia bohaté zkušenosti)...
více »


Vývoj aplikací do lidského mozku"

Už dnes se začínají vyvíjet aplikace, které pomocí čipu mozek-počtač (brain-computer interface, BCI) pomáhají lidem s poškozením míchy a podobně znovu ovládat své končetiny.
více »


Chatboti ve zdravotnictví? Integrace jde pomalu, chybí peníze i pracovníci"

Digitalizace zdravotnictví postupuje pomalu, bohužel v Česku je tento stav znásoben nedostatkem personálu i financí.
více »


Umělá inteligence slibuje růst rostlin i v pouštních oblastech"

Klimatická změna silně ovlivňuje naši schopnost pěstovat potraviny. Řešením by mohly být počítačem kontrolované farmy.
více »


Neuralink Elona Muska chce léčit Parkinsona a Alzheimera pomocí BCI čipů"

Jeden z méně známých startupů extravagantního miliardáře a investora Elona Muska je Neuralink: Firma, která se zabývá BCI čipy.
více »


Související články


Tagy

strategie umělá inteligence hluboké učení zpětnovazební učení strojové učení AI CO2 elektřina cena náklady emise elek

Komentáře