In un recente lavoro del MIT, l’intelligenza artificiale supporta la guida autonoma in modo da ridurre il consumo di carburante dei veicoli e i relativi livelli di emissione di CO2, avendo cura di incidere solo minimamente sui loro tempi di percorrenza.

TAKEAWAY

• Uno studio (ancora in corso) del Massachusetts Institute of Technology propone la tecnica dell’apprendimento per rinforzo nel controllo dei veicoli autonomi. L’obiettivo è la riduzione del consumo di carburante e le conseguenti emissioni, in vista dei traguardi globali in tema di clima e ambiente.
• Il modello di reinforcement learning messo a punto trasmette ai veicoli a guida autonoma fino a 500 istruzioni di accelerazione e decelerazione in prossimità di un incrocio, facendo in modo che questo venga raggiunto e superato a una buona velocità e con emissioni ridotte.
• I risultati delle prime simulazioni sono positivi, indicando come scenari con il 100 per cento di veicoli autonomi connessi siano in grado di portare a una riduzione del 18 per cento del consumo di carburante e del 25 per cento dei livelli di emissioni di CO2.

---

Quello delle tecniche di intelligenza artificiale per applicazioni di eco-driving – o “guida ecologica” o, ancora, “guida eco” – rientra nel recente filone di studi sulle strategie di controllo della guida finalizzate a ridurre il consumo di carburante e le relative emissioni di CO2, in linea con la mobilità sostenibile alla quale guardano le politiche globali su clima e ambiente.

Per quanto riguarda, nello specifico, l’Europa, ricordiamo che è dell’11 maggio 2022 il primo sì della Commissione Ambiente del Parlamento europeo al divieto – a partire dal 2035 – alla vendita di veicoli a benzina, diesel e Gpl, in accordo con quanto espresso nel pacchetto sul Clima Fit for 55, che prevede il taglio del 55% delle emissioni di CO2 al 2030.

In vista di obiettivi di tale portata, la guida ecologica è attenta a tutti quei comportamenti del conducente responsabili dell’aumento del consumo di carburante e dei livelli di emissioni correlati, tra cu ad esempio, le frenate improvvise, le basse velocità su strade congestionate seguite da velocità eccessive, così come i frequenti stop dovuti a incroci particolarmente trafficati e a semafori lenti.

Uno studio recente (e ancora in essere) del Massachusetts Institute of Technology – MIT, illustrato in un documento dal titolo “Learning eco-driving strategies at signalized intersections”, propone la tecnica dell’apprendimento per rinforzo (reinforcement learning) – afferente all’ambito di studi del machine learning – per il controllo della fluidità delle flotte di veicoli autonomi mentre attraversano un incrocio. Obiettivo dei ricercatori, arrivare a ridurre – attraverso una serie di simulazioni – il consumo di carburante e le emissioni, migliorando al contempo la velocità media del veicolo.

Intelligenza artificiale per la guida eco: il ruolo del reinforcement learning

La tecnica AI del reinforcement learning lavora per “tentativi ed errori”. Più precisamente, l’algoritmo apprende una sequenza di decisioni mediante un “rinforzo” (un traguardo raggiunto) nel momento in cui elabora la sequenza corretta.

Lo studio del MIT in tema di intelligenza artificiale per la guida eco prevede, in particolare, che l’algoritmo trasmetta al veicolo fino a 500 istruzioni di accelerazione e decelerazione in prossimità di un incrocio, per un periodo di tempo prolungato.

In questo caso, la sequenza di decisioni corretta è data da un duplice traguardo: raggiungere l’incrocio a una buona velocità, riducendo, al tempo stesso, le emissioni di CO2. Ma quest’ultimo traguardo ne include un altro, ovvero la riduzione di consumo di carburante senza, tuttavia, incidere sul tempo di percorrenza. Il che è in antitesi rispetto al traguardo che vuole un’auto veloce. Spiega il team:

«Per ridurre i tempi di viaggio, vogliamo che l’auto vada veloce. Ma per ridurre le emissioni, vogliamo che l’auto rallenti o che, in alcuni tratti, non si muova affatto. Queste due rinforzi (traguardi) sono in competizione tra loro e generano confusione nel processo di apprendimento dell’algoritmo».

Il nodo è stato superato ricorrendo alla tecnica della “modellatura della ricompensa” (reward shaping),«somministrando al sistema di intelligenza artificiale alcune conoscenze che questo non è in grado di apprendere da solo, ad esempio mediante un rinforzo negativo (traguardo non raggiunto) ogni volta che il veicolo si ferma completamente per un arco di tempo prolungato. In questo modo apprende a evitare questa azione».

La fase di simulazione mediante piattaforma del traffico

In tema di intelligenza artificiale per la guida eco, una volta sviluppato e addestrato l’algoritmo, questo è stato testato mediante una piattaforma di simulazione del traffico caratterizzata da un unico incrocio, dove una flotta di veicoli autonomi connessi, in grado di comunicare con i semafori, riceve informazioni su come accelerare e come decelerare.

Nelle simulazioni, più auto a guida autonoma sono riuscite a superare un’unica fase verde del semaforo, con risultati – in termini di tempi di percorrenza e di riduzione del consumo di carburante – che superano i modelli di simulazione con conducenti umani alla guida dei veicoli.

I risultati delle prime simulazioni (ricordiamo che lo studio è tuttora in corso) indicano che scenari con il 100 per cento di veicoli autonomi connessi sono in grado di portare a una riduzione del 18 per cento del consumo di carburante e del 25 per cento dei livelli di emissioni di CO2, migliorando anche la velocità di marcia del 20 per cento.

Ma il risultato, al momento, più interessante – osservano i ricercatori – è quello relativo a simulazioni con scenari caratterizzati dal solo il venticinque per cento di veicoli autonomi connessi, che è stato in grado di portare fino al cinquanta per cento di benefici complessivi, tra riduzione di carburante e riduzione di emissioni:

«Si tratta di un ridimensionamento non lineare dei consumi, che induce a riflettere sul fatto che non dobbiamo necessariamente attendere di arrivare al 100 per cento di veicoli a guida autonoma per ottenere vantaggi da questo tipo di approccio. Col solo controllo del 25 per cento dei veicoli, otteniamo il 50 percento dei vantaggi. E questo risultato è legato a una presenza umana – alla guida – opportunamente addestrata al controllo del veicolo e all’assunzione di comportamenti che evitano frenate improvvise, frequenti stop e basse velocità seguite da velocità eccessive»

Intelligenza artificiale per la guida eco: il lavoro futuro della ricerca

In tema di intelligenza artificiale per la guida eco, la piattaforma di simulazione del traffico utilizzata dal gruppo di ricerca in questa prima fase prevedeva un unico incrocio.

Il lavoro futuro, invece, terrà conto di uno scenario più complesso, dove sia il numero di veicoli autonomi connessi, sia il numero di incroci, saranno maggiori, col fine di valutare quantitativamente il concreto vantaggio della tecnica dell’apprendimento per rinforzo applicato all’eco-driving.

Il team intende anche studiare gli effetti dell’interazione tra più incroci, esplorando in che modo le loro diverse configurazioni – numero di corsie, segnaletica, orari di punta – influiscono sulla velocità dei veicoli, sul tempo di percorrenza, sui loro consumi e, dunque, sulle emissioni.

Un altro aspetto interessante di questo filone di studi riguarda, poi, la sicurezza. Più in particolare, i ricercatori, in futuro, intendono osservare in che modo il loro sistema di intelligenza artificiale ha impatti – sotto il profilo della safety – nel momento in cui veicoli a guida autonoma e veicoli guidati da conducenti umani condividono la medesima strada e si trovano davanti allo stesso incrocio. Eventuali accelerazioni e decelerazioni decise dal sistema AI potrebbero essere fattori rilevanti ai fini della sicurezza su strada?

Tra i prossimi step, inoltre, l’approfondimento della tecnica del reinforcement learning e, più nel dettaglio, della dinamica del rinforzo applicata all’addestramento dell’algoritmo deputato all’elaborazione delle corrette decisioni da trasferire ai veicoli.

Fissare più traguardi da raggiungere – e, dunque, più rinforzi – è oltremodo impegnativo per il sistema AI. E non sempre è possibile ricorrere alla tecnica della “modellatura della ricompensa”. Il lavoro futuro deve poter fare luce su questo aspetto della progettazione e dello sviluppo degli algoritmi per la guida autonoma.