KI-Ampel für Verkehrsfluss

Forschende der Chung-Ang-Universität in Südkorea haben einen Algorithmus für den besseren Verkehrsfluss bei Ampeln entwickelt.

Normalerweise trainiert man die KI im Auto auf die Erkennung der Ampel oder man vernetzt die Ampel mit den Fahrzeugen. Doch der Ansatz ist neu und basiert auf einer KI in der Ampel. Das sogenannte Meta-Reinforcement im Bereich des maschinellen Lernens für Ampeln verflüssigt den Verkehr und verhindert Staus.

Forschende der südkoreanischen Chung-Ang-Universität nutzen Reinforcement-Learning (RL) Algorithmen für die Steuerung nicht stationärer Ampeln. Die Belohnung bei der Verstärkung basiert auf der Klassifizierung von Verkehrsregimen, die automatisch erfolgen. Im Try’n’Error-Prinzip erfolgt der Lernprozess bezüglich des Agenten (Ampel). Derart wird die KI trainiert, möglichst reibungslosen Verkehr zu ermöglichen. Dabei muss die KI das Große und Ganze bei der Fahrzeugverzögerung im Auge haben und nicht einzelne Fahrzeuge.

Konventionelle Ampeln mit festen Grün- und Rotphasen sind nicht gut, um die Stausituation zu verbessern und sie können sich selbstverständlich nicht an sich ändernden Verkehr anpassen. Zwar können RL-Alogrithmen eine Lösung sein, allerdings sind sie bei dynamischen Umgebungen nicht immer die effektivste Lösung. Hierbei soll das Meta-RL-Modell Abhilfe schaffen.

Die beiden Hauptziele dieses Modells sind die Verkehrsverflüssigung und Minimierung der Wartezeiten während der Hauptverkehrszeiten. Dies erreicht man mit dem Extended Deep Q-Network (EDQN)-incorporated kontextbasiertes Meta-RL-Modell. Dafür definiert es den Verkehr als “gesättigt” oder “ungesättigt” mittels einer latenten Variabel zum Gesamtstatus. Aufgrund des Flusses wird die Durchfahrt der Fahrzeuge erhöht oder die Verzögerungen minimiert. Dabei implementiert es Zyklen, die qua “Belohnung” gesteuert werden. Der EDQN als Dekorder dient der Steuerung mehrerer Kreuzungen.

Die Tests verliefen im Südwesten von Seoul im Bereich von 15 Kreuzungen, woran sich die KI ohne Parameteränderungen anpasste – auch auf die Änderungen der Verkehrsbedingungen. Derart war es der effektiver geworden.

David Fluhr

Ich schreibe seit 2011 über das Thema Autonomes & Vernetztes Fahren. Ich habe Sozialwissenschaften an der HU Berlin studiert und bin seit 2012 selbstständiger Journalist. Kontakt: mail@autonomes-fahren.de

Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

* Für einen Kommentar braucht es einen Blick in die Datenschutz-Bestimmungen