I veicoli elettrici possono contare sull’impiego dell’intelligenza artificiale per molteplici aspetti, dalla propulsione alla ricarica. Ecco come l’AI svolge il suo ruolo oggi e quali sono le prospettive future.
TAKEAWAY
- La mobilità elettrica avanza e diverrà il modello predominante nel settore auto. In essa, molto più che in quella tradizionale, l’elettronica è fondamentale e l’intelligenza artificiale una componente imprescindibile.
- Dal powertrain all’autonomia delle batterie, le tecniche AI sono impiegate per gestire al meglio tutti gli aspetti utili dell’auto elettrica.
- L’AI è e sarà utile per garantire anche ottimali condizioni di ricarica e, in prospettiva, con l’adozione del vehicle to grid, quando i veicoli elettrici scambieranno energia elettrica con la rete. Inoltre, potrà contribuire alla ricerca delle materie prime utili per le batterie e al loro riciclo.
L’intelligenza artificiale per i veicoli elettrici è parte integrante della più importante rivoluzione che sta vivendo l’industria automobilistica. Complici la necessità di puntare, entro il 2050, all’obiettivo Net Zero – imposto in Unione Europea e in USA – e la proposta (vincolante) dell’UE di vietare dal 2035 la vendita di auto a motore a combustione interna per motorizzazioni a zero emissioni, le Case di auto stanno lavorando da tempo a questa transizione.
Così si lavora allo sviluppo della mobilità elettrica e – in prossima prospettiva – connessa, autonoma e condivisa. Come rileva McKinsey, l’industria automotive ha attirato più di 400 miliardi di dollari di investimenti negli ultimi dieci anni e circa 100 miliardi di dollari dall’inizio del 2020.
Il fattore AI è parte integrante di un modo di concepire i veicoli che fanno dell’elettronica il loro punto forte: se l’industria dei semiconduttori è pronta a diventare a livello mondiale una realtà da mille miliardi di dollari entro il 2030, lo si deve al fatto che il 70% della sua crescita lo dovrà all’industria automobilistica, in particolare ai veicoli elettrici, alla memorizzazione dei dati e al wireless.
Questi due elementi, ancor più che per il mercato auto tradizionale, sono parte integrante del presente e del futuro dell’auto elettrica, quella connessa e autonoma.
Molte collaborazioni stanno accadendo intorno all’AI per i veicoli elettrici. Google sta collaborando con Ford: quest’ultima mira a utilizzare il potenziale offerto dal colosso di Mountain View in termini di artificial intelligence, data science e capacità analitiche per migliorare le esperienze dei clienti, accelerare la modernizzazione dello sviluppo del prodotto, la produzione e la gestione della catena di approvvigionamento e accelerare l’attuazione di modelli di business guidati dai dati.
Tesla ha posto da subito l’intelligenza artificiale al centro della propria strategia evolutiva: in Tesla Gigafactory procede lo sviluppo gli algoritmi di machine learning di supervisione utilizzati nei sistemi di computer vision e nelle strategie di ottimizzazione del controllo in tempo reale dei sistemi di fabbrica per quanto riguarda i costi energetici, gli errori di setpoint e i tempi di fermo delle apparecchiature.
C’è poi tutta la parte che riguarda l’ottimizzazione delle infrastrutture di ricarica e, in prospettiva, la gestione delle batterie auto per migliorare la loro “intelligenza” e il loro impiego come vettori energetici attraverso il vehicle to grid. Se c’è, quindi, un elemento presente in ogni fase e aspetto dell’e-mobility, questa è proprio l’artificial intelligence.
Intelligenza artificiale per i veicoli elettrici: migliorare la gestione del “cuore”
L’impiego di tecniche d’intelligenza artificiale per i veicoli elettrici parte dall’uso di algoritmi di AI, machine learning e deep learning nel monitoraggio delle condizioni del powertrain elettrico e nella gestione e diagnostica di eventuali anomalie.
Porsche, per esempio, impiega l’intelligenza artificiale per determinare comportamento e durata della batteria agli ioni di litio. L’algoritmo AI utilizza la resistenza interna della batteria per dedurre il suo invecchiamento.
Tra le altre cose, prende in considerazione influenze come la temperatura e lo stato di carica, così come i risultati dei test a lungo termine e della flotta. Nel veicolo, l’IA si adatta al profilo utente del conducente, in modo che la previsione diventi sempre più precisa.
La Casa tedesca ha adottato tecniche AI anche per migliorare la gestione dei motori tradizionali: nel caso specifico il deep reinforcement learning, mettendo a punto Porsche Engineering Reinforcement Learning (PERL).
Mediante il DRL viene addestrato l’algoritmo non solo per ottimizzare i singoli parametri, ma per elaborare la strategia con cui può raggiungere un risultato di calibrazione globale ottimale per un’intera funzione. I vantaggi sono l’alta efficienza della metodologia grazie alla sua capacità di autoapprendimento.
Ottimizzare l’impiego e la vita delle batterie
Nei veicoli elettrici, la batteria è l’elemento fondamentale. Essa, in prospettiva, diventerà parte dell’infrastruttura elettrica grazie al vehicle-to-grid (V2G). Questo termine definisce la tecnologia di ricarica intelligente che permette alle batterie delle auto di restituire energia alla rete elettrica.
In sostanza, tratta le batterie dei veicoli elettrici non solo come strumenti per alimentare i veicoli stessi, ma come celle di riserva per la rete elettrica.
Per questo, la gestione della carica e scarica delle batterie va regolata in modo accorto, in modo da ottimizzare le varie parti in gioco. Anche in questo caso viene in aiuto l’intelligenza artificiale per i veicoli elettrici.
A tale proposito, è stato avviato quest’anno un progetto specifico da parte del centro australiano di ricerca collaborativa per la transizione energetica Race for 2030. Uno degli obiettivi del progetto è sviluppare e implementare soluzioni per gestire la carica e la scarica delle batterie dei veicoli elettrici e progettare la gestione sfruttando algoritmi di intelligenza artificiale.
Verranno esplorate diverse tecniche di AI che saranno implementate non solo per prevedere soluzioni ottimali, ma anche per stimare l’incertezza negli usi e nella ricarica dei veicoli elettrici, combinandosi con metodi di “Human Interpretable Machine Learning”, per garantire che proprietari di veicoli elettrici e imprese possano avere fiducia nei modelli elettrici, viene specificato in una nota.
I risultati di questo progetto saranno utilizzati per produrre una nuova ricerca applicata utilizzando l’artificial intelligence nella gestione dei veicoli elettrici e nell’ottimizzazione delle risorse V2G.
Intelligenza artificiale per i veicoli elettrici: focus sul Deep Reinforced Learning
Uno dei temi più importanti riguardante l’e-mobility è la gestione della ricarica. Si stima che, da qui al 2030, due auto su cinque vendute daranno elettriche: diventa fondamentale, quindi, prevedere un’infrastruttura quanto più sviluppata.
Non solo: modelli di ricarica EV inadeguati possono portare a effetti indesiderati nel funzionamento della rete, come picchi di carico o basso autoconsumo di elettricità.
Anche in questo senso, l’intelligenza artificiale per i veicoli elettrici è utile: uno studio condotto da un team di ricercatori dell’EPFL di Losanna ha impiegato il Deep Reinforcement Learning (DRL) per affrontare il problema del controllo della ricarica dei veicoli elettrici, con l’obiettivo di aumentare l’autoconsumo fotovoltaico e lo stato di carica del veicolo alla partenza.
I risultati dello studio hanno fatto emergere l’utilità del DRL che, di fatto, elimina la necessità di modelli matematici complessi e si dimostra più veloce del controllo predittivo del modello, nonché adatto ad applicazioni in tempo reale.
Un altro aspetto da prendere in considerazione è legato al momento in cui lo sviluppo delle auto elettriche sarà significativo: allora servirà gestire molteplici richieste di alimentazione in tempi rapidi.
Per questo occorrerà programmare la ricarica dei veicoli elettrici in tempi rapidi. Anche in questo senso, possono essere impiegate tecniche di Deep Reinforcement Learning. Uno studio dell’istituto di ricerca portoghese IDMEC ha messo in evidenza il suo impiego in quanto capace di apprendere in modo adattivo dall’interazione con l’ambiente circostante.
L’obiettivo dell’ottimizzazione è quello di garantire il completamento delle operazioni di ricarica in modo tempestivo, spostando il carico dai momenti di picco della domanda. Per far questo, gli studiosi dell’IDMEC hanno preso in esame e classificato un gruppo di veicoli elettrici con caratteristiche diverse utilizzando un algoritmo di clustering.
Hanno addestrato una rete neurale per prevedere la durata prevista di ogni sessione di ricarica e il modello generato è stato confrontato con un algoritmo di ricarica tradizionale; sono stati così considerati scenari sempre più impegnativi.
I risultati hanno dimostrato che l’algoritmo sviluppato fallisce meno rispetto alla linea di base, con una riduzione del carico dovuto alla ricarica dei veicoli elettrici dell’80% durante le ore di punta.
Batterie auto elettriche: dalla scoperta delle materie prime al riciclo
C’è poi un’altra questione delicata: il reperimento delle materie prime per i componenti elettrici ed elettronici utili per gli electric vehicle. Diversi motivi, anche legati a tensioni geopolitiche, portano alla necessità di contare su una fornitura sicura, oltre che economicamente sostenibile.
Rispetto alle auto endotermiche, quelle elettriche contano in maniera decisamente più significativa di reperire metalli, minerali e terre rare. C’è chi ha adottato l’AI per localizzare materiali critici come il cobalto e il nichel necessari per le batterie dei veicoli elettrici.
Si tratta di una startup californiana, KoBold Metals, prima azienda di esplorazione mineraria ad applicare tecniche di intelligenza artificiale per mappare il sottosuolo e individuare la presenza dei materiali utili.
Riesce grazie alla combinazione di dati storici e a quelli rilevati mediante programmi di esplorazione sul campo guidati da tecnologia proprietaria: una piattaforma di data management, che aggrega e struttura vaste collezioni di dati scientifici e li rende rapidamente disponibili per l’analisi e la propria suite di prospezione che, mediante l’adozione di algoritmi, interroga quei dati con una serie di tecniche – comprese quelle di machine learning e computer vision – per prevedere la composizione del sottosuolo in modo statisticamente valido.
L’interesse del metodo messo a punto dalla startup si comprende anche dagli investimenti raccolti: nell’ultimo round di finanziamenti, lo scorso febbraio, hanno superato i 192 milioni di dollari.
Oltre a individuarne di nuove, sarà altrettanto – se non più importante – riuscire a riciclare le materie prime dalle batterie fine vita. Anche in questo senso, entra in gioco l’intelligenza artificiale per i veicoli elettrici: un esempio è quanto creato da un team di ricercatori dell’Oak Ridge National Laboratory del Dipartimento dell’Energia statunitense.
Essi hanno sviluppato un sistema di smontaggio robotizzato per i pacchi batteria dei veicoli elettrici esauriti, per riciclare e riutilizzare in modo sicuro ed efficiente i materiali critici riducendo i rifiuti tossici. La prospettiva ora è sviluppare il processo fino alla scala commerciale e sviluppare una catena di approvvigionamento per le batterie esaurite.
