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

Díky cloudu je nasazení umělé inteligence mnohem snazší"

Překvapivě dostupnost AI technologií není v současné době zdaleka největší překážkou nasazení umělé inteligence ve firmách. Mezi nejčastější patří právě nedostatek znalostí a zkušeností, nedostupnost...
více »


Vyčmuchání rakoviny? S umělou inteligencí ano"

Nástroj vyvinutý Pensylvánskou univerzitou a Penn’s Perelman School of Medicine vyvinulo nástroj, který dokáže pomocí pachových vzorků detekovat několik druhů rakoviny, a to s přesností až 95 %.
více »


Deepfake geografie: Zfalšované satelitní snímky hrozí budoucími problémy"

Oheň v Central Parku nebo ohňostroj v Indii během Diwali viditelný z vesmíru – i to lze spatřit na speciálně upravených satelitních snímcích, které odborníci označují za „deepfake geografii“.
více »


Rychlejší reakce na budoucí pandemie"

To, že může kdykoliv udeřit další globální pandemie, se vědělo už před Covidem – ač se taková možnost značně podceňovala. Na příště už chce být svět připraven lépe.
více »


Boltzmannův stroj pro kvantové strojové učení"

Kvantové počítače splní svůj příslib vysoké efektivity a sice omezené, nicméně nepřekonatelné rychlosti, pouze pokud pro ně budou existovat funkční algoritmy.
více »


Související články


Tagy

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

Komentáře