Se la rivoluzione digitale, introducendo il modello di comunicazione uno-ad-uno, ha portato dei notevoli cambiamenti nel settore dei trasporti, ad esempio sostenendo la diffusione di servizi quali la shared mobility, i navigatori interattivi e l’ottimizzazione del traffico, così come la fornitura in tempo reale delle informazioni relative al trasporto pubblico (bus, metropolitane, treni, taxi ect), un nuovo paradigma rischia di rivoluzionare ulteriormente l’intero settore. La diffusione dell’internet 4.0 (o Internet of Things) identifica il progressivo upgrade delle reti da network di computer dove le informazioni sono disponibili dietro richiesta umana a network che connette gli stessi computer ed esseri umani con oggetti e robot, consentendo a questi ultimi sia di effettuare azioni concrete dietro comando dell’uomo, sia di intraprendere autonomamente delle azioni sulla base dell’elaborazione dei dati di input, utilizzando algoritmi e pattern di comportamento in larga parte prestabiliti.

Il ruolo del 5G

Il deployment delle reti 5G potrebbe costituire uno degli abilitatori fondamentali per garantire la diffusione di tali macchine, capaci di comunicare tra loro, con gli esseri umani e con l’ambiente ed effettuare azioni in tempo reale sulla base degli input ricevuti, delle proprie elaborazioni e dei propri schemi comportamentali. In tale contesto si sta configurando la possibile diffusione delle auto a guida autonoma e dei robot taxi, ovvero veicoli capaci, in determinate condizioni geografiche e climatiche, di raccogliere e condurre a destinazione gli esseri umani come fossero veri e propri tassisti. Allo stato attuale, i veicoli a guida autonoma o semi-autonoma si distinguono sulla base di molteplici caratteristiche e non esistono auto capaci di effettuare autonomamente tutte le operazioni di guida in tutte le condizioni geografiche e atmosferiche. Inoltre, la diffusione di queste nuove tipologie di veicoli potrebbe comportare una molteplicità di effetti e di combinazioni a livello di consumi e di emissioni, i cui risultati necessitano ancora di approfondimenti e di adeguate policy in grado di indirizzarne al meglio adozione e modalità di utilizzo.

Quali differenze tra i veicoli: connessi, autonomi ed elettrici

La distinzione tra l’impatto sui piloti e l’impatto sui veicoli è funzionale a comprendere la differenza tra le sigle comunemente utilizzate per indicare tre diverse tipologie di mezzi, ovvero i CV (Connected Vehicles), gli AV (Autonomous Vehicles) e gli EV (Electric Vehicles). L’ultimo acronimo è riferito all’energia utilizzata per la propulsione. A tal proposito è utile osservare come sia i veicoli connessi sia i veicoli “autonomi” possano funzionare tanto con energia elettrica quanto con altri tipi di alimentazione quali benzina, diesel, gpl, metano etc.

Con l’accezione “veicoli connessi” si identificano quei veicoli capaci di comunicare con l’ambiente e con i veicoli circostanti. In particolare si riferisce alla fornitura di informazioni utili a un pilota per aiutarlo a prendere decisioni più consapevoli. Ciò significa che il mezzo si limita a fornire notizie al pilota, ad esempio relative al traffico o a potenziali situazioni pericolose da evitare, senza però assumere effettive decisioni sulle azioni da intraprendere. Nella maggior parte dei casi, i veicoli connessi comunicano le informazioni sia al pilota sia ad agenti di raccolta dati, che le utilizzano per ottimizzare i flussi del traffico e migliorare la pianificazione delle infrastrutture stradali. I sistemi di navigazione già  presenti in molte vetture includono funzionalità CV: il più  noto è la dynamic route guidance, che utilizza il GPS e consente di elaborare in tempo reale le informazioni ricevute sul traffico indicando la strada migliore da percorrere in modo interattivo.

I veicoli autonomi (o a guida autonoma) ricevono anch’essi flussi di informazione in tempo reale e sono dotati di appropriata strumentazione in grado di prendere autonomamente decisioni e compiere delle azioni come parcheggiare ed evitare collisioni, fino a gestire l’intero processo di guida.

I livelli di automazione secondo la society of Automotive Engineers

La society of Automotive Engineers (SAE) ha identificato 6 diversi livelli di automazione, da 0 a 5.

Il livello 0 identifica la piena operatività del pilota rispetto a tutti i task dinamici di guida (DDT), insieme all’impossibilità del sistema di gestire alcuno di questi task in modo continuativo (sebbene altri sistemi del veicolo siano in grado di fornire avvertimenti, come nel caso dei segnali acustici per i parcheggi).

Il livello 1 identifica sistemi di guida autonoma in grado di eseguire prolungatamente sotto-task dinamici relativi a movimenti longitudinali o laterali (ma non entrambi simultaneamente) in specifici contesti, lasciando al pilota gli altri task. Alcuni esempi sono costituiti dai sistemi di frenata automatica o di assistenza alla guida (es. il controllo della velocità).

Il livello 2, definito anche di automazione parziale, identifica quei sistemi di guida autonoma in grado di eseguire prolungatamente (e contemporaneamente) i sotto-task relativi sia ai movimenti longitudinali che laterali, sebbene in specifici contesti, lasciando al pilota l’identificazione di ostacoli o eventi imprevisti (OEDR) e l’esecuzione della risposta appropriata, così come la supervisione della attività di guida autonoma. L’auto riesce quindi ad accelerare, frenare e sterzare autonomamente. Utilizzando tecnologie quali telecamere a 360° e radar che monitorano la strada fino a 160 metri di distanza, insieme a sensori ad ultrasuoni per gli spostamenti e l’identificazione degli ostacoli laterali in movimento, questa tipologia di auto riesce a identificare gli altri veicoli e a mantenere la giusta distanza di sicurezza in movimento, prevenendo potenziali collisioni ed effettuando cambi di direzione e di corsia nelle autostrade così come manovre di parcheggio.

Il livello 3 è definito anche partial driving automation, o guida autonoma parziale, e identifica i sistemi di guida autonoma (ADS) in grado di eseguire prolungatamente tutti i task dinamici (DDT), aspettandosi però che il pilota sia pronto a intervenire nel caso di richiesta da parte del sistema (fallback), così come in caso di malfunzionamenti all’interno di altri dispositivi. Tra le possibili cause di richiesta di intervento figurano in particolare le condizioni ambientali e metereologiche, oltre ad altre eventualità  tecniche (es. difficoltà nel riconoscere un ostacolo o un pericolo).

Il livello 4, definito anche guida autonoma avanzata, esegue prolungatamente tutti i task dinamici (DDT) e risponde ai fallback senza aspettarsi l’intervento del pilota, pur non essendo pienamente operativo in tutti i contesti ed in tutte le condizioni ambientali.

Il livello 5 o guida autonoma completa, identifica una sorta di sistema autonomo universale che esegue prolungatamente tutti i task dinamici (DDT) e risponde ai fallback senza aspettarsi l’intervento del pilota in tutti i contesti e le condizioni ambientali.

Stime sulla diffusione in base al livello di automazione

Per quanto concerne la prima distinzione, secondo PWC le nuove auto non connesse vendute in Europa, Usa e Cina sono state appena 7 milioni, a fronte dei 56 milioni di vetture connesse vendute nello stesso periodo. Tale rapporto dovrebbe ulteriormente incrementarsi nel 2020 (65 milioni vs 3), per arrivare nel 2025 alla totale affermazione sul mercato delle auto connesse.

Ancora più interessanti risultano le stime sulle proiezioni di vendita delle auto a guida autonoma per livello. Tra quelle di livello 0, equivalenti a 14 milioni, circa 7 milioni risultavano auto connesse. La grande maggioranza del totale era collocabile nel livello 1, in cui viene fornita una qualche forma di assistenza alla guida, mentre solo lo 0,2% era dotato di sistemi di guida autonoma almeno parziale.

Secondo le proiezioni di PwC, le auto di livello 2 vendute dovrebbero superare quota 5 milioni di unità nel 2020, per raggiungere la vetta di 33 milioni nel 2025. Le auto di livello 3, non ancora disponibili sul mercato, dovrebbero raggiungere i 4 milioni di unità vendute nel 2020 e i 13 milioni di veicoli nel 2025. A partire dal 2030, il numero di auto di livello 2 e 3 dovrebbe iniziare a ridursi, complice l’avvento dei modelli più avanzati. Le vetture di livello 4 dovrebbero arrivare sul mercato per il 2025, anno in cui raggiungerebbero i 5 milioni unità vendute, arrivando a 28 milioni nel 2030, spinte in particolare dall’affermazione dei servizi di robot taxi, che potrebbero entrare a regime già  dallo stesso 2025. Le auto completamente autonome potrebbero essere disponibili non prima del 2028, raggiungendo già nel 2030 quota 12 milioni di unità vendute l’anno.

L’International Council on Clean Transportation ha messo a confronto le proiezioni sulla diffusione delle auto a guida autonoma e semi-autonoma di McKinsey e IHS Automotive con le proprie proiezioni relative alla diffusione delle auto elettriche. ICCT stima che la quota di veicoli elettrici sulle nuove vetture sarà del 15% nel 2025, del 35% nel 2035 e del 55% nel 2040. Di conseguenza, il numero di auto a guida autonoma supererà sensibilmente quello dei veicoli elettrici. Secondo McKinsey, le auto con un livello di automazione uguale o superiore al 3 potrebbero raggiungere il 50% delle auto vendute nel 2030 ed il 90% nel 2035. Più contenute le stime relative alle auto completamente autonome (livello5), che secondo IHS dovrebbero raggiungere il 15% del mercato nel 2035 (mentre McKinsey spinge questo dato fino al 60%). Mettendo a confronto le quote di mercato stimate da ICCT e da McKinsey, il rapporto tra auto a guida autonoma +3 e auto elettriche è di 3 ad 1. ICCT sottolinea tale disallineamento suggerendo che i governi dovrebbero appoggiare politiche in grado di favorire lo sviluppo di veicoli autonomi alimentati elettricamente, in modo da ridurre il più possibile le emissioni e il consumo di energia di questi nuovi mezzi di trasporto.

L’impatto sui consumi energetici delle ecar e il ruolo dei fattori sociali

Una delle maggiori sfide relative alla diffusione dei veicoli a guida autonoma è relativa ai possibili impatti sui consumi energetici. La Division of Research, Innovation and System Information (DRISI) di Caltrans ha svolto un’interessante comparazione tra molteplici articoli e studi che analizzano il possibile impatto dei veicoli a guida autonoma sull’ambiente e alle emissioni di gas serra, mostrando risultati anche molto differenti.

Lo studio Potential Energy Consumption Impacts of Connected and Automated Vehicles (2017) identifica i fattori collegati ai veicoli connessi e autonomi che potrebbero avere il maggiore impatto nell’incrementare il consumo di energia, quali i ridotti costi di viaggio, la maggiore velocità dei veicoli, la possibilità di percorrere distanze più lunghe e l’allargamento dell’utenza anche gruppi precedentemente non serviti.

Il report Help or Hindrance? The Travel, Energy and Carbon Impacts of Highly Automated Vehicles (2016) conclude che i veicoli a guida autonoma potrebbero ridurre l’emissione di gas serra della metà, oppure quasi raddoppiarla, a seconda di quali effetti prevarranno (a livello sociale, economico e normativo).

Lo studio Estimate of Fuel Consumption and GHG Emission Impact from an Au- tomated Mobility District (2015) mostra che veicoli automatizzati, se organizzati in AMD (cioè distretti a mobilità automatizzata), potrebbero avere un impatto positivo a livello di risparmio energetico e di emissioni di gas serra, mentre dallo studio The Future of Fully Automated Vehicles: Opportunities for Vehicle- and Ride-Sharing, with Cost and Emissions Savings (2014) sostiene che la condivisione di veicoli automatici condurrebbe a risparmi nell’ordine del 16% per quanto concerne il consumo energetico ed un minore impatto in termini di produzione di emissioni volatili nell’ordine del 48%. Molto meno positive le conclusioni a cui giunge lo studio An Analysis of Possible Energy Impacts of Automated Vehicles (2014), la quale rileva nell’uso massiccio dei veicoli a guida autonoma un potenziale incremento molto forte, che potrebbe condurre a conseguenze sensibilmente negative. In generale, l’analisi mostra come l’impatto su consumi ed emissioni dipenderà in gran parte dal modo in cui le auto a guida autonoma verranno sviluppata, utilizzate e regolamentate.

Un’analisi ancor più strutturata degli studi sui possibili impatti ambientali della diffusione dell’auto a guida autonoma è stata effettuata dal National Renewable Energy Laboratory (NREL), che ha identificato 8 possibili scenari in relazione alla combinazione di 10 effetti differenti. Tra questi, 4 vengono individuati nell’ambito di una maggiore diffusione della proprietà privata di tali mezzi e 6 nell’ambito di una maggiore diffusione delle proprietà condivisa (shared). Nel primo insieme sono stati collocati effetti quali il platooning, che secondo il MIT può portare ad un risparmio fino al 10% nei consumi, la guida efficiente, che per Gonder, Earlywine, and Sparks può generare riduzione dei consumi nell’ordine del 20/-30%), l’ottimizzazione della viabilità  (-20% secondo Sadek e Guo), e l’inclusione nell’utilizzo di tali servizi anche da parte di gruppi prima non serviti (+70% di utilizzo secondo NRA su dati NHT). Nel secondo insieme – quello della proprietà prevalentemente condivisa – la guida più efficiente potrebbe avere un impatto positivo sulla riduzione dei consumi fino al 20%. Allo stesso modo, la diffusione di veicoli più leggeri (grazie al minor rischio di incidenti) potrebbe portare ad una riduzione dei consumi fino al 45% (NREL e Burns, 2012), mentre il minor tempo impiegato nel trovare parcheggio produrrebbe un decremento dei consumi del 4%. Inoltre, il trasporto di un maggior numero di persone per veicolo condurrebbe ad una diminuzione compresa tra il 12% e il 20% (Transportation Energy Futures, 2013). Al contrario viaggi più veloci e un numero maggiore di viaggi complessivi potrebbero generare un incremento dei consumi energetici rispettivamente del 30% e del 50% (NREL 2013; Schaefer et al. 2009).

Otto scenari possibili derivanti dalla combinazione degli effetti descritti

In particolare i primi tre scenari prefigurano un utilizzo prevalentemente privato: il primo contempla una complessiva riduzione di circa il 5% dei consumi grazie agli effetti di ottimizzazione del traffico (platooning, efficientamento della guida e dei flussi); il secondo la possibilità  che crescano le tipologie di persone in grado di accedere agli spostamenti (es. persone a vario titolo senza patente, sebbene ciò sia comunque ristretto agli individui che possono permettersi un’auto a guida autonoma), generando un incremento dei consumi di circa l’8%; mentre il terzo prevede un effetto combinato tra i primi due, ed un impatto sostanzialmente neutro (-1%). Lo scenario n.4 contestualizza gli effetti di risparmio dello scenario 1 in un ambito con prevalente proprietà condivisa dei mezzi, aggiungendo solo gli effetti positivi di tale modalità (platooning, efficientamento della guida e dei flussi) e stimando un risparmio energetico complessivo del 78%. Lo scenario 5 prefigura la combinazione peggiore dal punto di vista del risparmio: l’effetto combinato dello scenario 2 (accesso di ulteriori gruppi) in un contesto di mobilità condivisa determinerebbe un sensibile aumento dei consumi, ulteriormente aggravato dalla maggiore velocità e dal maggior numero di viaggi complessivi, generando un impatto negativo che potrebbe arrivare fino ad un incremento dei consumi nell’ordine del 217%. Lo scenario 6 mostra l’ipotesi in cui tutti i veicoli a guida autonoma vengano elettrificati, ipotesi che genererebbe un risparmio sui consumi fino 68%. Lo scenario 7 è quello più  roseo in termini di risparmi, poiché  combina all’elettrificazione anche tutti gli altri possibili effetti positivi, che genererebbero complessivamente una riduzione nell’ordine dell’87%. Lo scenario 8 ipotizza l’azione contemporanea di tutti gli effetti osservati, che genererebbe complessivamente una riduzione dell’83%.

In generale, quindi, la sostanziale variazione che emerge dall’analisi dei molteplici effetti connessi alla diffusione e all’utilizzo delle auto a guida autonoma, insieme alla tipologia di ownership e alle modalità di alimentazione dei veicoli, mostrano come gli effetti sociali, di mercato e soprattutto relativi alle policy avranno un ruolo fondamentale nel determinare il tipo di impatto ambientale che questi nuovi rivoluzionari mezzi di trasporto avranno sui consumi e sulle emissioni di gas serra negli anni a venire.

Print Friendly, PDF & Email
Tutti i diritti riservati. E' vietata la diffusione
e riproduzione totale o parziale in qualunque formato degli articoli presenti sul sito.
Andrea Penza, Presidente AICT
Laureato in Ingegneria Elettronica all’Università Sapienza Roma 1 ha alle spalle circa 35 anni di esperienza in ICT e Telecomunicazioni. Per più di 30 anni è stato Manager prima nel Gruppo Alcatel e poi nel Gruppo Ericsson, all’interno dei quali ha ricoperto molteplici posizioni direttive nelle aree tecniche, sales e marketing e nelle relazioni istituzionali. Si è occupato di tecnologie avanzate sia nel campo delle infrastrutture fisse che mobili. Da circa sette anni è Presidente e AD di una società di consulenza che supporta le Piccole e Medie Imprese e le organizzazioni istituzionali nello sviluppo di modelli di business e posizionamenti di mercato. E’ Data Protection Officer (DPO) certificato da fine 2016 ed iscritto al Registro di KHC. Ha svolto numerose attività di Training sul nuove Regolamento Europeo per la protezione dei dati personali e svolge attività di assessment presso le aziende.