Zukunftslabor
MOBILITÄT

Verkehrssimulationen werden für die Planung sicherer Routen für selbstfahrende Autos und für die Analyse von Verkehrssituationen in einem bestimmten Gebiet benötigt. Herkömmliche überwachte Lernmethoden für Fahrzeug-, Fahrrad- und Fußgängerverkehrsmodelle haben mehrere Einschränkungen, wie z. B. Driftfehler und schwache Verallgemeinerung auf neue Szenarien. Verstärkungslernen kann diese Probleme angehen, konvergiert aber aufgrund der großen Zustands- und Aktionsräume im realen Verkehr viel langsamer. Um diese Herausforderung zu überwinden, wird in dieser Arbeit eine hybride Methodik entwickelt, die überwachtes Lernen für kurzfristige Agenten-Kinematik und Verstärkungslernen für langfristige Trajektorienplanung kombiniert und dann an zwei verschiedenen heterogenen Verkehrsdatensätzen getestet: 1) InD-Datensatz von Kreuzungen und 2) UniD-Datensatz von Shared Space Verkehr. Die Ergebnisse zeigen die Effektivität dieser Methode, da sie die Basismodelle des überwachten Lernens in Bezug auf geringere durchschnittliche Verschiebungsfehler, eine höhere Erfolgsrate und eine längere Überlebenszeit der simulierten Agenten übertrifft. Darüber hinaus wurde die Verallgemeinerbarkeit dieses Ansatzes demonstriert, indem er sowohl für den regulären Kreuzungsverkehr als auch für den Verkehr im gemeinsamen Raum getestet wurde. Dieser Ansatz kombiniert die Vorteile der Fähigkeit des überwachten Lernens, komplizierte Systeme wie Fahrzeugkinematik zu erlernen, mit dem Potenzial des verstärkten Lernens für langfristige Planung in realen Verkehrssituationen (Code und Videodemonstrationen: https://github.com/engyasin/SLRL).

Das Imitationslernen zielt darauf ab, Agenten durch die Beobachtung von Expertendemonstrationen die gewünschten Verhaltensweisen beizubringen. Dieser Ansatz kann auf Multi-Agenten-Umgebungen verallgemeinert werden, in denen es möglich ist, durch den Einsatz spezieller Belohnungen ein für beide Seiten vorteilhaftes politisches Gleichgewicht zu erreichen. Eine solche Belohnungsstruktur kann durch die Verwendung zentraler Belohnungen für kooperative Agenten und dezentraler Belohnungen für nicht-kooperative Agenten umgesetzt werden. In gemischten Multi-Agenten-Umgebungen, die sowohl kooperative als auch kompetitive Agenten enthalten, ist es jedoch notwendig, einen nuancierteren Ansatz für die Belohnungszuweisung zu entwickeln. In solchen Situationen kann ein Teil der Belohnung unter allen kooperativen Agenten aufgeteilt werden, während ein anderer Teil für jeden einzelnen Agenten bestimmt ist. Um diese Herausforderung zu meistern, schlagen wir in unserer Arbeit ein neuartiges Zwei-Komponenten-Belohnungsmodell für jeden Agenten vor: eine zentralisierte gemeinsame Komponente und eine dezentralisierte agentenspezifische Komponente. Wir haben mehrere Experimente mit drei verschiedenen Umgebungen durchgeführt, um die Leistung des vorgeschlagenen Modells im Vergleich zu seinen einzelnen Komponenten zu bewerten. Unsere Ergebnisse zeigen, dass das kombinierte Modell in gemischten Umgebungen besser abschneidet als alle seine Bestandteile. Es imitiert effektiv die zentralisierte Belohnung für kooperative Umgebungen, zeigt aber keine Verbesserung in kompetitiven Umgebungen. Schließlich haben wir die Transparenz unseres Modells anhand repräsentativer Beispiele und der skalaren Gewichtung der zentralen und dezentralen Komponenten innerhalb des kombinierten Modells getestet (Code verfügbar unter: https://github.com/engyasin/Adaptive_learning_4_MAIL).

Das Aufkommen leichter Elektrofahrzeuge (Lightweight Shared Electric Vehicles, LSEVs) wie E-Scooter und E-Bikes markiert einen Wandel hin zu nachhaltiger städtischer Mobilität, bringt aber auch Herausforderungen mit sich, wie z. B. die Überlastung des öffentlichen Raums und Verteilungsprobleme. Geo-gezäunte Systeme sind entstanden, um diese Probleme zu entschärfen, indem LSEVs auf bestimmte Bereiche beschränkt werden. Die effektive Integration dieser Infrastrukturen bleibt jedoch aufgrund von rechtlichen, praktischen und betrieblichen Hürden eine Herausforderung. In dieser Studie stellen wir ein Optimierungsproblem für die Standortwahl vor, das die strategische Platzierung von Micro-Mobility Service Facilities (MMSFs) ermöglicht, die das Laden, Parken und Batteriewechseln von LSEVs ermöglichen. Ein Nutzwertmodell mit Nutzen- und Verlustfunktionen berücksichtigt die vielfältigen Ziele dieses Problems, einschließlich der Auswirkungen der MMSF-Platzierung auf die Serviceabdeckung und den Nutzerkomfort sowie die finanziellen und logistischen Kosten. Dieses Modell ist in einzigartiger Weise anpassbar und ermöglicht es Stadtplanern, die Parameter der Nutzenfunktion so zu verändern, dass sie mit spezifischen lokalen Prioritäten und regulatorischen Bedingungen übereinstimmen. Um dieses Problem der Standortoptimierung zu lösen, stellen wir eine Deep Reinforcement Learning (RL)-Methode vor, die iterativ optimale Platzierungsstrategien für Micro-Mobility Service Facilities erlernt, indem sie Interaktionen innerhalb realer städtischer Straßennetze simuliert und sich an die Nachfragemuster der Nutzer, an regulatorische Beschränkungen und an die betriebliche Effizienz anpasst. Unsere Experimente in Austin und Louisville zeigen, dass die strategische Platzierung dieser Einrichtungen zu einer erheblichen Verbesserung der Infrastrukturabdeckung führt, mit einer Verbesserung der Parkplatznachfrage um bis zu 163 % in Austin und 72 % in Louisville. Diese Ergebnisse unterstreichen die Rolle unseres Ansatzes bei der Förderung gerechterer und effizienterer städtischer Mobilitätssysteme und übertreffen herkömmliche simulationsbasierte Methoden sowohl bei der Abdeckung als auch bei der Betriebslogistik deutlich. Insbesondere zeigen die Ergebnisse auf der Grundlage verschiedener Budgetszenarien, dass die Abdeckung und die Zugänglichkeit der Dienste verbessert werden können, wobei die Erträge bei höheren Budgets aufgrund der Nachfragesättigung abnehmen.