La IA te dará la autonomía real de tu coche eléctrico
La predicción que haga la IA será la más realista y precisa hasta la fecha, así que olvídate de los ciclos de homologación existentes
Desde siempre ha sido un reto estimar cuántos kilómetros podemos recorrer con lo que queda en el depósito. Aunque el ordenador de a bordo indique una cierta autonomía, en la práctica esa cifra puede ser optimista o incluso excesivamente optimista. En el mundo de los coches eléctricos, ese desfase alimenta la llamada “ansiedad de autonomía”. Pero una nueva solución basada en Inteligencia Artificial podría aliviarla.
Investigadores de la Universidad de California en Riverside (UCR) han presentado una herramienta diagnóstica llamada State of Mission (SOM) —o “estado de misión”— cuyo propósito es informar al conductor si, con la carga restante, el vehículo será capaz de cumplir un trayecto concreto.
A día de hoy, el panel de un coche eléctrico suele mostrar el porcentaje de batería disponible y una estimación de kilómetros factibles. Sin embargo, esa cifra es solamente orientativa, ya que se ve influida por múltiples variables: conducción urbana, uso excesivo del acelerador, pendientes, temperatura ambiente, etc.
El enfoque de SOM es distinto: cuando el usuario introduce un destino en el navegador del coche, el sistema emplea IA para combinar diversos factores (estilo de conducción, tráfico real, desnivel, temperatura, entre otros) y determinar con precisión si la energía restante es suficiente para completar el trayecto.
Según Mihri Ozkan, profesora de ingeniería en la UCR y colaboradora del proyecto:
“Es una medida consciente de la misión que combina datos y física para predecir si la batería puede completar una tarea planificada en condiciones del mundo real. Transforma datos abstractos de la batería en decisiones prácticas, mejorando la seguridad, la fiabilidad y la planificación para vehículos, drones y cualquier aplicación donde la energía deba adaptarse a una tarea del mundo real.”
Una de las innovaciones de SOM es su naturaleza híbrida: integra modelos físicos basados en electroquímica y termodinámica con aprendizaje automático, de manera que aprovecha las ventajas de ambos mundos y mitiga sus debilidades. Los sistemas tradicionales de gestión de baterías suelen apoyarse en ecuaciones físicas rígidas o en modelos de IA “caja negra”, pero SOM equilibra ambos enfoques.
Para validar su eficacia, los investigadores usaron bases de datos públicas de la NASA y de la Universidad de Oxford que contienen información real sobre el comportamiento de baterías: voltaje, temperatura, ciclos de carga/descarga, etc. En comparación con herramientas convencionales, SOM redujo los errores de predicción en:
- 0,018 V para el voltaje
- 1,37 °C en temperatura
- 2,42 % en el estado de carga estimado
El mayor desafío actual del sistema es su coste en procesamiento: requiere más potencia de cálculo de la que los sistemas de gestión de baterías embebidos pueden ofrecer en este momento. Por ello, los investigadores ya están trabajando en optimizarlo, de modo que pueda integrarse en aplicaciones prácticas.
Además, los creadores de SOM consideran que la filosofía híbrida puede extenderse más allá del automóvil eléctrico, aplicándose a drones, sistemas de almacenamiento doméstico e incluso misiones espaciales.
