Die Ampel

von Morgen

Künstliche Intelligenz
regelt den Verkehr

Mischverkehr Optimieren

Maschinelles Lernen
und Regelung

Ziel: Fusionierung von Methoden des Maschinellen Lernens zur Umfelderkennung, z.B. zur Modellierung menschlicher Autofahrer, und optimaler Regelung für lokale Entscheidungsfindung.

Reale Daten als Basis des Lernens

Messpunkte von Forschungskreuzung:

• Position der Verkehrsteilnehmer als Zeitfunktion
• Art der Verkehrsteilnehmer (Auto, LKW, Fußgänger, Fahrrad, ...)

Wie können diese Daten zur Regelung/Modellierung genutzt werden?

Aufbereitung der Daten

• Filterung der Daten
• Beseitigung von Fehlern

Welche Daten sollten zur Modellierung verwendet werden?

Clustering
und Maschinelles Lernen

• Feature Engineering
• Clusterung (Geradeaus-Fahrer, Rechts-/Linksabbieger, schnell, langsam)
• Verwendung von Klassifikations-Algorithmen und maschinellem Lernen

Können unterschiedliche Fahrer-Typen (Fahranfänger, Berufsfahrer, u.ä.) definiert werden?

Umfelderkennung
und Modellierung

Hybride Modellierung mit künstlicher Intelligenz:

• Gesetze der Natur (physikalisch)
• lernbasierte Ansätze (Maschinelles Lernen)

Wie verhalten sich Autonome Fahrzeuge im Mischverkehr optimal?

Regelung und Optimierung

• Lokale Entscheidung eines autonomen Fahrzeugs
• Optimierung durch vorausschauendes Fahren
  unter Verwendung des Umfeldmodells
• Vorausschauen mit modellprädiktiver Regelung