Uso de inteligência artificial para a eficiência energética em sistemas de mobilidade


Os veículos com motores de combustão serão substituídos por veículos elétricos, já previstos na legislação de alguns países, como na Alemanha. O compartilhamento de carros atingirá 26% das distâncias percorridas. Estima-se que teremos 15% dos novos carros vendidos até 2030 totalmente autônomos. O software responderá a 90% das inovações nos veículos. A inteligência artificial será a base do desenvolvimento das próximas gerações de veículos e dos controles de tráfego nos centros urbanos, o que trará, além da economia de tempo para as pessoas e redução da poluição, forte redução de custos para as pessoas e empresas.

Vários países estão financiando pesquisas para gerar conhecimento para a indústria avançar na implantação de tecnologias inovadoras de energia para oferecer suporte a sistemas de transporte acessíveis, seguros, confiáveis e eficientes.

Os centros de pesquisa devem trabalhar em parceria com a indústria para desenvolver inovações em eletrificação, incluindo tecnologias avançadas de baterias, motores avançados, materiais avançados para estruturas de veículos de menor peso e melhores grupos motopropulsores, novas tecnologias e sistemas de mobilidade com eficiência energética, incluindo veículos conectados e automatizados, além de inovações em infraestrutura para melhoria significativa da eficiência energética em todos os níveis dos sistemas.

Parcerias entre os centros de pesquisa com financiamentos subsidiados pelo governo e indústria, amplia os esforços e reduzem as barreiras mais críticas à pesquisa e desenvolvimento (P&D) e aceleram o desenvolvimento de novas tecnologias.

Programa Rota 2030 – Mobilidade e Logística

No Brasil, o programa Rota 2030 – Mobilidade e Logística – é parte da estratégia do governo federal para incentivo a inovação do setor automotivo. O programa tem pressupostos princípios de sustentabilidade ambiental e cidadania. As políticas de estímulo à pesquisa e desenvolvimento (P&D) visam dotar as empresas de instrumentos para atingir metas de competitividade. O programa visa a solucionar alguns dos desafios da indústria automotiva nacional, tais como:

  • Baixa produtividade da indústria automotiva nacional;
  • Defasagem tecnológica, especialmente em eficiência energética e tecnologias assistivas à direção, frente às novas tecnologias em fase de implementação nos países desenvolvidos;
  • Risco de transferência das atividades de P&D para outros países;
  • Risco de perda de investimento no país;
  • Risco de perda de conhecimento em tecnologias que utilizam biocombustíveis.

O programa Rota 2030 prevê a concessão de três benefícios para as empresas que investem em P&D: (1) redução das alíquotas do IPI em até 2% para veículos que adotem os requisitos do programa, valido para as montadoras a partir de 2022; (2) isenção dos impostos de importação para os produtos sem similaridade ou capacidade produtiva no país; e, (3) redução de até 15,3% do valor investido em P&D no imposto de renda (IRPJ) e contribuição social sobre o lucro líquido (CSLL).

O programa Finep 2030 prevê R$70 milhões para financiamentos de projetos e pretende captar, em cinco anos, mais de R$200 milhões junto a empresas habilitadas ao programa Rota 2030. Entre as linhas de pesquisa estão a automação de processos, conectividade industrial, manufatura avançada e a inovação na cadeia de fornecedores do setor automotivo. As oportunidades de inovação nestas linhas de pesquisa são enormes.

Algoritmos genéticos para otimização da logística

Um caso bem conhecido é o problema do planeamento de rotas (Vehicle Routing Problem – VRP) para fazer entregas com satisfação garantida do cliente com o menor custo associado. Ou seja, dada uma frota de veículos com diferentes capacidades, um único centro de distribuição e vários clientes que constituem os pontos de procura e de entrega, o VRP tem como objetivo encontrar o conjunto de rotas que além de minimizarem o custo total permitem satisfazer toda a procura de forma eficiente e eficaz.

Uma das maneiras de solucionar o problema do planejamento de rotas é o uso de algoritmos genéticos, que a partir de uma população de soluções candidatas, neste caso as rotas, busca a solução mais otimizada. Cada solução candidata possui um conjunto de propriedades (seus cromossomos ou genótipo) que podem ser mutadas e alteradas; tradicionalmente, as soluções são representadas em binário como cadeias de 0s e 1s, mas outras codificações também são possíveis.

A evolução geralmente começa a partir de uma população de rotas gerados aleatoriamente e é um processo iterativo, com a população em cada iteração chamada geração. Em cada geração, a aptidão de cada rota na população é avaliada; a adequação é geralmente o valor da função objetivo no problema de otimização que está sendo resolvido. As rotas mais aptas são selecionadas de forma estocástica da população atual e o genoma de cada rota é modificada (recombinada e possivelmente mutada aleatoriamente) para formar uma nova geração. A nova geração de rotas candidatas é usada na próxima iteração do algoritmo. Geralmente, o algoritmo termina quando um número máximo de gerações foi produzido ou um nível de aptidão satisfatório foi alcançado para a população.

O uso de algoritmos genéticos na logística para a otimização de rotas, reduz o tempo de entrega e coleta de produtos, aumentando a satisfação dos clientes, reduz o uso de combustíveis fósseis que geram poluição, minimizam os congestionamentos em centros urbanos e reduz os custos de transporte.

Redes Neurais Artificiais para veículos autônomos e sistemas de transporte

As redes neurais artificiais (RNA) têm impacto direto nas soluções para o setor automobilístico e de logística. As Redes Neurais Artificiais (RNAs) representam a interconexão total dos sistemas, juntamente com pesos numéricos que podem ser ajustados com base na experiência, tornando as redes neurais adaptáveis ​​às entradas e capazes de aprender. A vantagem das RNAs é a capacidade de resolver problemas complexos de sistemas, como os encontrados nos sistemas de infraestrutura de transporte.

As principais vantagens do uso de RNA incluem a capacidade de: operar grande quantidade de conjuntos de dados; detectar implicitamente relacionamentos não lineares complexos entre variáveis ​​dependentes e independentes; e, detectar todas as interações possíveis entre variáveis ​​preditoras.

As RNAs têm a capacidade de resolver problemas complexos do sistema, como os encontrados nos sistemas de infraestrutura de transporte. A infraestrutura de transporte é vista como a interconectividade entre os ativos físicos e tangíveis necessários para apoiar e desenvolver de um país. Portanto, sua gestão é crítica e deve ser adotar ferramentas eficientes para sua otimização, a fim de fornecer serviços contínuos, sustentáveis ​​e econômicos à população. Um aspecto fundamental dessa administração eficaz é o desenho dos sistemas de infraestrutura de transporte, que podem ser otimizados com o uso das RNAs.

Outra área que se aplica inteligência artificial é de veículos autônomos (RMA – Robôs Móveis Autônomos). Os RMAs capturam informações do ambiente através da leitura de sensores (infravermelho, lasers, câmeras de vídeo, temperatura etc.) e com esta percepção sensorial podem planejar as melhores ações para cada caso. Quando plenamente desenvolvidos trarão maior segurança no transporte do que os motoristas humanos.

Conclusão

O uso de inteligência artificial é fundamental para a eficiência energética dos sistemas de mobilidade para a otimização dos sistemas de transporte, gerando redução de tempo no transporte, maior satisfação dos clientes, menor poluição ambiental, maior segurança no trânsito e redução de custos operacionais.