Autonome Fahrzeuge nutzen Vorhersage und RL für sichere, kooperative Fahrten

In einer neuen Studie wird gezeigt, wie autonome Fahrzeuge (AV) die sich ständig ändernden Fahrgewohnheiten von Menschenfahrzeugen (HV) vorhersagen und damit sicherer und robuster agieren können. Der Ansatz basiert auf der Idee, dass Menschen ihre Umgebung ständig antizipieren und so Konflikte vermeiden – ein Prinzip, das nun in die KI von AVs übertragen wird.

Die Forscher integrieren zwei zentrale Komponenten: soziale Navigation und Vorhersage. Das Entscheidungsproblem der AVs wird als Verstärkungslernaufgabe formuliert, bei der optimale Politiken ermittelt werden, die sowohl die Sicherheit als auch die soziale Wohlfahrt maximieren. Hierfür wird ein Hybrid Predictive Network (HPN) eingesetzt, das zukünftige Beobachtungen in mehreren Schritten prognostiziert.

Die vom HPN erzeugten Vorhersagen bilden ein Fenster möglicher zukünftiger Zustände, das anschließend von einer sicheren Value Function Network (VFN) genutzt wird. Diese VFN bewertet die Folgen von Handlungen unter Einbeziehung vergangener und vorhergesagter Beobachtungen. Zusätzlich sorgt ein Safety Prioritizer dafür, dass gefährliche Aktionen anhand der interpretierten kinematischen Vorhersagen ausgeblendet werden, wodurch die Lernpolice auf sichere Handlungen beschränkt wird.

Durch die Kombination von Vorhersage, sozialem Bewusstsein und Verstärkungslernen demonstriert die Arbeit, dass autonome Fahrzeuge in komplexen AV‑HV‑Interaktionen deutlich sicherer und kooperativer agieren können. Die Ergebnisse legen nahe, dass solche integrierten Lernframeworks ein entscheidender Schritt zur flächendeckenden Einführung sicherer autonomer Mobilität sind.