São Paulo — InkDesign News —
Pesquisas recentes em machine learning têm mostrado avanços significativos na aplicação de inteligência artificial (AI) para otimizar o transporte público, especialmente em áreas rurais. Esses estudos têm como objetivo implantar soluções que tornem a mobilidade mais eficiente e acessível.
Contexto da pesquisa
Em um projeto recente do Instituto de Tecnologia de Karlsruhe (KIT) na Alemanha, foram utilizadas minibuses autônomos para testar a aceitação pública e o desempenho em tráfego real. O projeto, denominado RABus, visa demonstrar que shuttles autônomos podem transformar o transporte público em regiões suburbanas e rurais.
Método proposto
No RABus, os veículos operaram em condições reais durante meses, com um foco especial na coleta de dados sobre a aceitação do público e a performance dos veículos. Os pesquisadores utilizaram modelos de machine learning para analisar e prever a eficiência do serviço em diferentes cenários. Os shuttles conseguiram operar em velocidades de até 50 km/h — um marco em comparação com outras iniciativas na Alemanha.
“Os usuários são receptivos e têm uma atitude muito positiva em relação à nova tecnologia se ela for segura e bem explicada”
(“Users are open-minded and have a very positive attitude toward the new technology if it’s safe and it’s explained well.”)— Martin Kagerbauer, Instituto de Estudos de Transporte, KIT
Resultados e impacto
A pesquisa demonstrou que, após a experiência direta com a tecnologia, as pessoas ganharam confiança em sua utilização. Durante o projeto, os veículos transportaram mais de 1.600 passageiros em 430 viagens, cobrindo 2.100 quilômetros. Os dados indicam que a introdução de shuttles autônomos pode tornar o transporte público mais atraente, especialmente em comunidades com infraestrutura limitada.
A pesquisa também revelou áreas promissoras em Baden-Württemberg, onde a operação de shuttles autônomos pode ser ampliada no futuro. “A inclusão desses veículos pode atrair novos usuários para o transporte público”, afirmou Kagerbauer.
Os próximos passos envolvem a continuidade dos testes e a exploração de como essas tecnologias podem ser integradas ao transporte público cotidiano, oferecendo soluções inovadoras para a mobilidade urbana.
Fonte: (TechXplore – Machine Learning & AI)
