MCTS mit neuronaler Führung verbessert autonomes Fahren ohne Fahrspuren

In einer Welt, in der Fahrzeuge nicht mehr an Fahrspuren gebunden sind, eröffnet lane‑free Traffic neue Möglichkeiten, die Breite der Straße voll auszuschöpfen und damit die Verkehrsflussrate zu erhöhen. Diese Freiheit bringt jedoch auch neue Herausforderungen für die autonome Navigation mit sich, denn die Fahrzeuge müssen sich ohne feste Spurrahmen selbstständig orientieren.

Um diese Herausforderung zu meistern, kombiniert die neue Studie einen Monte‑Carlo Tree Search (MCTS) Ansatz mit einer vortrainierten neuronalen Netzarchitektur, die die Auswahlphase des Baums leitet. Durch die Einbindung von Vorhersagefähigkeiten des Netzes kann MCTS schneller zu informierten Entscheidungen gelangen, ohne dabei die begrenzten Rechenressourcen zu sprengen. Der zugrunde liegende Markov‑Decision‑Process orientiert sich an bewährten Reinforcement‑Learning‑Frameworks, sodass die Planung sowohl robust als auch adaptiv bleibt.

Die experimentelle Evaluation zeigt, dass die Kombination aus MCTS und neuronaler Führung die Sicherheit verbessert – gemessen an reduzierten Kollisionsraten – und gleichzeitig die durchschnittliche Fahrgeschwindigkeit steigert. Besonders auffällig ist das „Nudging“-Verhalten: Fahrzeuge reagieren auf schnellere Nachbarn, was zu einer dynamischeren, aber dennoch sicheren Fahrweise führt. Darüber hinaus demonstriert die Studie, dass die neuronale Unterstützung die Rechenzeit deutlich verkürzt, während ein klarer Kompromiss zwischen benötigten Ressourcen und Lösungsqualität erkennbar ist.