Un nuovo approccio di Masafumi Miyatake, professore del dipartimento di ingegneria e scienze applicate dell’università Sophia, e del dottorando Mingyu Lyu della facoltà di scienze e tecnologie, punta a migliorare l’efficienza e la sostenibilità delle ferrovie urbane attraverso l’intelligenza artificiale. Lo studio, pubblicato nel Volume 14 di Ieee Access, presenta un framework pensato per affrontare alcune delle criticità più complesse nella gestione automatizzata dei treni.

Il cuore del lavoro è l’apprendimento per rinforzo, una branca dell’IA considerata particolarmente promettente per il controllo ferroviario perché permette ad un agente di apprendere strategie ottimali tramite interazione continua con l’ambiente ed affinamento progressivo del comportamento. Nelle applicazioni reali, però, questo paradigma deve fare i conti con condizioni operative non pienamente osservabili, con l’inerzia del treno, con i ritardi di frenata e con standard di sicurezza molto severi.

Per rispondere a questi vincoli, i ricercatori hanno messo a punto un framework di apprendimento per rinforzo ricorrente basato sull’algoritmo Recurrent Soft Actor-Critic (Rsac). Il metodo consente ai sistemi di controllo di apprendere dai modelli di guida precedenti e di adeguarsi nel tempo alle variazioni del contesto ferroviario. Rispetto agli schemi convenzionali di apprendimento per rinforzo, la soluzione proposta integra una rete neurale ricorrente capace di mantenere traccia degli stati precedenti del treno.

Questa caratteristica ha permesso al sistema di cogliere relazioni temporali rilevanti per l’esercizio, tra cui i ritardi nella risposta di trazione, la storia della frenatura e gli effetti inerziali. Il risultato è un supporto decisionale più efficace nelle condizioni parzialmente osservabili tipiche delle operazioni ferroviarie urbane.