자율주행 전기 택시 '빈 차 회송'을 줄인다 — 찰머스대, AI 예측과 최적화 결합

스웨덴 찰머스공과대학 연구팀이 자율주행 전기 택시를 도심 교통에서 더 효율적으로 운행하기 위한 최적화 방법을 개발했다고 발표했다. 볼보자동차와 함께 진행한 연구로, 머신러닝 예측과 고전적인 수리 최적화를 결합한 방식이다. 수요와 이용 가능한 충전소를 예측하는 데는 베이지안 신경망(BNN)을 쓰고, 학습 데이터로는 샌프란시스코와 시카고의 과거 택시 운행 기록을 사용했다. 갑작스러운 비처럼 예측하기 어려운 조건까지 염두에 두고 설계했다.

연구팀이 지목한 병목은 출퇴근 시간대다. 아침에는 승객이 도심으로 몰리고 저녁에는 도심을 빠져나가려 하기 때문에, 자율주행차는 다시 출발 지점에서 대기하려고 빈 차로 돌아가는 일이 잦다. 전기차는 중간 충전이 더해져 계획이 한층 복잡해진다. 앞을 내다본 계획 없이 운행하면 도로 정체, 긴 대기 시간, 충전소 이용 쏠림이 생길 수 있다. 한편 자율주행 전기 택시가 기존 택시보다 ㎞당 비용을 최대 60% 낮출 수 있다는 스탠퍼드대 보고서도 이번 연구의 배경으로 함께 제시됐다.

이 구조에서 AI는 스스로 결정하지 않고 데이터 기반 역할만 한다. 실제 주행·충전 계획은 규칙이 고정된 수리 최적화 모델이 수행한다. BNN은 확률만 계산하는 것이 아니라 자기 예측이 얼마나 불확실한지도 함께 내놓기 때문에, 승객 행동이 갑자기 달라져도 차량 운영 체계가 안정적으로 유지된다는 것이 연구팀의 설명이다. 대도시는 변수가 너무 많아, 알고리즘은 전체 과제를 작은 구간으로 쪼갠 뒤 다시 하나의 계획으로 합친다. 연구팀은 이 방식으로 아주 큰 규모의 차량에서도 1초보다 짧은 시간에 판단이 가능하다고 밝혔다. 배터리 용량과 효율이 다른 세 종류의 전기차를 비교한 결과에서는, 어떤 차량 기술을 고르느냐가 차량 가용성에 크게 작용하는 것으로 나타났다.

---

이 글은 Electrive 기사를 읽고 요점을 정리한 것입니다. 전문은 원문에서 확인하세요.

원문 보기 ↗