Sommario
L’Università della California, Berkeley ha recentemente realizzato il più grande esperimento sul campo di traffico misto autonomo mai condotto, impiegando 100 veicoli autonomi gestiti da un sistema di reinforcement learning (RL) per ridurre la congestione autostradale e il consumo di carburante. Questo progetto, denominato MegaVanderTest, ha avuto luogo sull’Interstate 24 nei pressi di Nashville, con l’obiettivo dichiarato di eliminare le cosiddette “onde di stop-and-go”, fenomeni di rallentamento improvviso che non hanno cause apparenti ma provocano ritardi, incidenti e sprechi energetici.
Stop-and-go: le onde fantasma che rallentano le autostrade
Le onde di rallentamento sono generate da piccole fluttuazioni nel comportamento dei conducenti, amplificate progressivamente fino a provocare congestione. A causa del tempo di reazione umano, ogni frenata viene leggermente accentuata dal veicolo seguente, creando un effetto domino che si propaga all’indietro. Questi rallentamenti si manifestano anche in assenza di ostacoli o incidenti, contribuendo all’aumento delle emissioni e al calo di efficienza energetica.
Metodi tradizionali come i limiti di velocità variabili o il ramp metering tentano di gestire il traffico, ma risultano costosi e dipendenti da infrastrutture centralizzate. La soluzione proposta da Berkeley mira invece a sfruttare le potenzialità di veicoli autonomi capaci di intervenire in tempo reale in maniera intelligente, senza necessità di coordinamento centralizzato.
Come il reinforcement learning aiuta i veicoli autonomi a migliorare il traffico
Nel sistema sviluppato, il reinforcement learning consente ai veicoli autonomi di apprendere tramite simulazioni realistiche il comportamento ottimale per ridurre le onde di traffico. L’ambiente simulato, costruito a partire da dati reali raccolti sull’I-24, riproduce fedelmente i pattern caotici del traffico autostradale. Gli algoritmi di apprendimento ottimizzano le azioni del veicolo in base a una funzione di ricompensa multilivello che bilancia i seguenti obiettivi:
- Riduzione delle oscillazioni di traffico
- Efficienza energetica complessiva
- Sicurezza (distanze di sicurezza e frenate dolci)
- Comfort di guida
- Conformità alle norme di guida umana
Il comportamento risultante porta i veicoli autonomi a mantenere distanze leggermente maggiori rispetto ai conducenti umani, consentendo loro di assorbire meglio le fluttuazioni improvvise. In simulazione, questo approccio ha portato a un risparmio energetico fino al 20%, con appena il 5% di veicoli autonomi in circolazione.
Dall’algoritmo alla strada: come Berkeley ha condotto il MegaVanderTest
Una volta validati i modelli in simulazione, il team ha trasferito gli algoritmi su hardware reale, equipaggiando 100 veicoli con sistemi cruise control adattivi intelligenti. Il sistema RL, installato su Raspberry Pi, interagisce con l’adaptive cruise control (ACC) di serie dei veicoli, impartendo comandi di velocità e distanza. Ogni veicolo opera in modo decentralizzato, senza scambi di dati tra AV, riflettendo lo stato attuale dell’autonomia commerciale.
Durante il test, condotto in ora di punta sull’I-24, il traffico circostante non era a conoscenza dell’esperimento, garantendo un comportamento spontaneo e non condizionato da influenze esterne. Una rete di telecamere stradali ha permesso la raccolta di milioni di traiettorie individuali, elaborate successivamente con pipeline di visione artificiale.
I risultati sul campo: meno consumo e meno congestione
I dati raccolti evidenziano una riduzione media del 15-20% nel consumo di carburante dei veicoli che seguivano gli AV RL. Quanto più vicino un conducente era a un AV, tanto minore risultava il consumo stimato (calcolato tramite un modello energetico calibrato). Inoltre, è stato rilevato un abbassamento della varianza di velocità e accelerazione, indicatore chiave nella misurazione della stabilità del flusso di traffico.
L’esperimento conferma anche che gli AV non devono essere veicoli speciali: bastano veicoli convenzionali con cruise control aggiornato e accesso ai sensori radar standard. Questo rende il sistema scalabile su larga scala, potenzialmente applicabile a milioni di auto esistenti.
L’impatto futuro e il potenziale del traffico autonomo cooperativo
Nonostante i successi del test, il team di Berkeley riconosce che ci sono margini di miglioramento. Una possibile direzione futura è lo sviluppo di modelli di guida umana più accurati, per potenziare le simulazioni. Inoltre, l’introduzione di dati centralizzati o comunicazioni tra veicoli via 5G potrebbe permettere strategie di controllo cooperativo più efficaci.
Anche l’adozione di reinforcement learning multi-agente rappresenta una strada promettente, pur presentando complessità notevoli in ambienti reali ad alta variabilità. Tuttavia, l’architettura proposta dimostra che l’intelligenza decentralizzata è già sufficiente a ottenere benefici tangibili.
Il successo del MegaVanderTest sottolinea come un piccolo numero di veicoli intelligenti, distribuiti strategicamente, possa avere un impatto sistemico sul traffico urbano, migliorando non solo la scorrevolezza ma anche la sostenibilità del trasporto.
Cosa sono le onde di traffico e perché il reinforcement learning può eliminarle
Le onde di traffico sono causate da reazioni a catena tra veicoli, spesso originate da comportamenti impercettibili come frenate lievi o accelerazioni ritardate. Tali fluttuazioni diventano più marcate con l’aumentare della densità veicolare, portando a congestioni anche senza incidenti o lavori in corso. Le tecniche di reinforcement learning, attraverso apprendimento adattivo, consentono ai veicoli autonomi di anticipare e compensare queste fluttuazioni, armonizzando il traffico e riducendo consumi ed emissioni.
