Autor: Sara D.

Tesla ha actualizado su aplicación de energía en el automóvil para brindar una comparación entre el uso de energía real y el rango proyectado, e incluso le brinda consejos de rango para acercarse al rango óptimo.

Los cálculos de rango son difíciles independientemente del tipo de tren motriz: eléctrico o motor de combustión interna.

Hay tantos factores que pueden afectar la eficiencia de un vehículo en una carretera que es difícil determinar qué tan lejos puede llegar con una batería llena o un tanque de gasolina.

Pero es importante. Incluso diría que la predicción precisa del rango es mejor para frenar la ansiedad del rango que el rango más largo.

Tesla ha sido líder en vehículos eléctricos eficientes y de largo alcance durante mucho tiempo, pero a pesar de eso, todavía tiene problemas para predecir el consumo de energía de un viaje.

Al ingresar un destino en el sistema de navegación, Tesla le da al conductor el rango esperado restante en el destino, pero los conductores de Tesla saben que la mayoría de las veces será mucho más bajo que el estimado.

En 2018, Tesla agregó más factores ambientales (cambios de elevación, clima, etc.) en el cálculo . Ayudó, pero todavía está lejos de ser preciso. Usted pone un destino en el sistema y el asesor de viaje de Tesla le dice cuánta energía le quedará cuando llegue allí, pero no es raro ver que la cantidad de energía se reduce rápidamente mientras conduce.

A principios de este año, Tesla puso un enfoque renovado en la predicción de rango utilizando «viento cruzado, viento en contra, humedad y temperatura ambiente» en una actualización de software .

Nuevamente en julio, Tesla lanzó una nueva actualización que fue aún más allá al agregar varios otros factores en sus cálculos de rango , incluida la presión de los neumáticos e incluso la carga del teléfono.

Estos cambios ahora conducen a una aplicación de energía en el automóvil más detallada para los vehículos Tesla:

La nueva aplicación brinda una descripción más detallada sobre cómo y cuándo se está desviando del rango proyectado

Incluso le brinda «consejos de rango» para acercarse a su proyección de rango óptimo. Los ejemplos anteriores son los más obvios, que generalmente son «reducir la velocidad» y «mantener el control del clima bajo».

La nueva aplicación de energía de Tesla ahora también desglosa la energía consumida en «millas» de más fuentes, incluido el modo centinela y el tiempo de pantalla:

Esta información adicional sobre adónde va la energía de tu auto además de la propulsión puede ayudarte a tomar mejores decisiones para optimizar el alcance en lugar de la comodidad cuando sea necesario.

Los investigadores han desarrollado un algoritmo de aprendizaje automático que podría ayudar a reducir los tiempos de carga y prolongar la vida útil de la batería en los vehículos eléctricos al predecir cómo los diferentes patrones de conducción afectan el rendimiento de la batería, mejorando la seguridad y la confiabilidad.

Los investigadores, de la Universidad de Cambridge, dicen que su algoritmo podría ayudar a los conductores, fabricantes y empresas a aprovechar al máximo las baterías que alimentan los vehículos eléctricos al sugerir rutas y patrones de conducción que minimicen la degradación de la batería y los tiempos de carga, escribe la universidad británica.

Evitar la degradación de la batería
El equipo desarrolló una forma no invasiva de probar las baterías y obtener una visión holística del estado de la batería. Luego, estos resultados se incorporaron a un algoritmo de aprendizaje automático que puede predecir cómo los diferentes patrones de conducción afectarán la salud futura de la batería.

Si se desarrolla comercialmente, el algoritmo podría usarse para recomendar rutas que lleven a los conductores de un punto a otro en el menor tiempo posible sin degradar la batería, por ejemplo, o recomendar la forma más rápida de cargar la batería sin que se degrade.

La salud de una batería, ya sea en un teléfono inteligente o en un automóvil, es mucho más compleja que un solo número en una pantalla. «La salud de la batería, como la salud humana, es algo multidimensional y puede degradarse de muchas maneras diferentes», dijo la primera autora Penelope Jones, del Laboratorio Cavendish de Cambridge. “La mayoría de los métodos para monitorear el estado de la batería asumen que una batería siempre se usa de la misma manera. Pero no es así como usamos las baterías en la vida real. Si estoy transmitiendo un programa de televisión en mi teléfono, la batería se agotará mucho más rápido que si lo estoy usando para enviar mensajes. Es lo mismo con los autos eléctricos: la forma en que conduces afectará la degradación de la batería”.

Los ‘biomarcadores’ de la batería
Los investigadores desarrollaron una sonda no invasiva que envía pulsos eléctricos de alta dimensión a una batería y mide la respuesta, proporcionando una serie de «biomarcadores» del estado de la batería. Este método es suave con la batería y no hace que se degrade más.

Las señales eléctricas de la batería se convirtieron en una descripción del estado de la batería, que se introdujo en un algoritmo de aprendizaje automático. El algoritmo pudo predecir cómo respondería la batería en el siguiente ciclo de carga y descarga, dependiendo de qué tan rápido se cargara la batería y qué tan rápido iría el automóvil la próxima vez que estuviera en la carretera. Las pruebas con 88 baterías comerciales mostraron que el algoritmo no requería ninguna información sobre el uso previo de la batería para hacer una predicción precisa.

undefinedEl experimento se centró en las celdas de óxido de cobalto y litio (LCO), que se utilizan ampliamente en las baterías recargables, pero el método se puede generalizar a los diferentes tipos de químicas de batería que se utilizan en los vehículos eléctricos en la actualidad.

Potencial para varias áreas.
Los investigadores dicen que además de los fabricantes y los conductores, su método podría ser útil para las empresas que operan grandes flotas de vehículos eléctricos, como las empresas de logística. “El marco que hemos desarrollado podría ayudar a las empresas a optimizar la forma en que usan sus vehículos para mejorar la vida útil general de la batería de la flota”, dijo el Dr. Alpha Lee, quien dirigió la investigación. «Hay tanto potencial con un marco como este».

Los investigadores ahora están trabajando con los fabricantes de baterías para acelerar el desarrollo de baterías de próxima generación más seguras y duraderas. También están explorando cómo podría usarse su marco para desarrollar protocolos óptimos de carga rápida para reducir los tiempos de carga de vehículos eléctricos sin causar degradación.

Investigadores de la Technische Universität München (TUM), junto con socios de la industria, han desarrollado una tecnología para enviar una vista panorámica de la situación del tráfico a un automóvil autónomo o en red. Esto mejora la seguridad vial, dijo la universidad.

Las expectativas para la conducción autónoma son claras: «Los automóviles no solo deben conducir de manera segura a bajas velocidades, sino también en tráfico rápido», dice Jörg Schrepfer, director de Driving Advanced Research Germany en Valeo. Por ejemplo, cuando los objetos caen de un camión, la perspectiva normal de un automóvil a menudo no podrá detectar los escombros peligrosos a tiempo. “En esos casos, será difícil realizar una maniobra evasiva suave”, dice Schrepfer. Los investigadores del proyecto Providentia++ han dedicado cinco años y medio a desarrollar un sistema para transmitir una imagen adicional de la situación del tráfico a los vehículos. «Usando sensores en puentes y pilones de señales aéreas, creamos un gemelo digital confiable en tiempo real de la situación del tráfico en nuestra ruta de prueba», dice el profesor Alois Knoll.

La presión del tiempo
Esto está lejos de ser trivial: el gemelo digital necesita saber la ubicación exacta del vehículo en el que se transmite la información de la estación de sensores. Para sincronizar la información de los vehículos y las estaciones de sensores para el gemelo digital, los investigadores utilizan el estándar UTC, que proporciona una base uniforme para coordinar el tiempo. Idealmente, el mapeo digital se superpondría como una segunda capa sobre la perspectiva del automóvil. Sin embargo, las diferencias de tiempo en el sistema general no se pueden evitar por completo. La detección física por parte de los sensores y el procesamiento de los datos en transmisión por radio al vehículo lleva tiempo. Los datos se empaquetan, codifican y transmiten y luego se decodifican en el automóvil. También influyen otras condiciones, como la distancia del vehículo al mástil del transmisor y la densidad del tráfico en la red de datos. Una demostración reciente utilizó el estándar inalámbrico LTE (4G), que tuvo un retraso de 100 a 400 milisegundos. “Estos retrasos nunca se pueden eliminar por completo. Pero los algoritmos inteligentes ayudarán”, explica Schrepfer: “Los resultados serán aún mejores en el futuro cuando tengamos una cobertura total con los estándares de telecomunicaciones 5G o 6G”.

Knoll está muy satisfecho con los resultados: “El gemelo digital está listo para la fase de desarrollo del proyecto. El concepto funciona de manera confiable en las operaciones diarias y es adecuado no solo para autopistas sino también para carreteras e intersecciones rurales”.

Investigadores de la Universidad de Oxford han desarrollado un novedoso sistema de inteligencia artificial (IA) para permitir que los vehículos autónomos (AV) logren una capacidad de navegación más segura y confiable, especialmente en condiciones climáticas adversas, dice la Universidad de Oxford en un presione soltar.

“La dificultad para que los vehículos autónomos logren un posicionamiento preciso durante un clima adverso desafiante es una de las principales razones por las que hasta ahora se han limitado a ensayos a escala relativamente pequeña. Por ejemplo, el clima como la lluvia, la niebla o la nieve pueden hacer que un AV se detecte en el carril equivocado antes de girar, o que se detenga demasiado tarde en una intersección debido a un posicionamiento impreciso”, dijo el investigador Yasin Almalioglu.

Para superar este problema, Almalioglu y sus colegas desarrollaron un nuevo modelo de aprendizaje profundo auto supervisado para la estimación del movimiento del ego, un componente crucial del sistema de conducción de un AV que estima la posición de movimiento del automóvil en relación con los objetos observados desde el propio automóvil. El modelo reunió información muy detallada de sensores visuales (que pueden verse interrumpidos por condiciones adversas) con datos de fuentes inmunes al clima (como el radar), de modo que los beneficios de cada uno puedan usarse bajo diferentes condiciones climáticas.

Conducción suave y segura
El modelo se entrenó utilizando varios conjuntos de datos AV disponibles públicamente que incluían datos de múltiples sensores, como cámaras, lidar y radar en diversas configuraciones, que incluyen luz/oscuridad variable y precipitación. Estos se utilizaron para generar algoritmos para reconstruir la geometría de la escena y calcular la posición del automóvil a partir de datos novedosos. Bajo varias situaciones de prueba, los investigadores demostraron que el modelo mostró un rendimiento sólido en todo tipo de clima, incluidas condiciones de lluvia, niebla y nieve, así como de día y de noche. El equipo anticipa que este trabajo acercará a los AV un paso más hacia la conducción autónoma segura y fluida en todo tipo de clima y, en última instancia, a un uso más amplio dentro de las sociedades.

El documento completo, Posicionamiento robusto basado en el aprendizaje profundo para la conducción autónoma en todo clima, se publica en Naturaleza Máquina Inteligencia.

La gente parece considerar al conductor humano como el principal responsable cuando su vehículo (parcialmente) automatizado choca, según un nuevo estudio. Estudiar por el Instituto TU Delft AiTech. Los investigadores afirman que el conductor recibe la mayor parte de la culpa, incluso cuando no puede evitar razonablemente el choque.

En un artículo publicado recientemente en Informes científicos de la naturaleza, investigadores del Instituto AiTech de TU Delft investigaron el aparente desajuste entre la atribución de culpa por parte del público y los hallazgos de la literatura sobre factores humanos con respecto a la capacidad humana para permanecer alerta en la conducción parcialmente automatizada. Los participantes del experimento culparon al conductor principalmente por los choques, aunque reconocieron la disminución de la capacidad del conductor para evitarlos.

Brecha de culpabilidad
El desequilibrio entre los desafíos relacionados con el factor humano con la automatización con respecto a la capacidad del conductor y las atribuciones de responsabilidad del participante revela una brecha de culpabilidad. En este vacío de culpabilidad, la responsabilidad no se distribuye razonablemente entre los agentes humanos involucrados; el conductor recibe la mayor parte de la culpa, pero esto puede no ser razonable dada su capacidad afectada para cambiar el resultado.

Los hallazgos de este trabajo tienen implicaciones. En términos de discurso público, según los argumentos de los participantes, parece que la mayoría de los participantes no consideran los desafíos de la conducción automatizada centrados en el ser humano antes mencionados en su atribución de responsabilidad. Esto podría indicar que los humanos desconocen estos efectos de la automatización, lo que podría conducir a «omisiones involuntarias». Los conductores desconocen el impacto de la conducción automatizada en su capacidad para realizar las tareas de conducción requeridas en caso de que las necesiten, pero sus compañeros aún los consideran responsables. Los investigadores creen que proporcionar información pública sobre los desafíos centrados en el conductor asociados con la conducción automatizada podría ser útil, así como la capacitación de los conductores.