Neues Multi-Agenten-Modell steigert CAV-Platooning in gemischtem Verkehr

Connected Automated Vehicles (CAVs) können miteinander kommunizieren und so kooperative Platoons bilden, die Energieeffizienz und Verkehrsfluss deutlich verbessern. In der Anfangsphase der CAV-Entwicklung ist die Verteilung der Fahrzeuge jedoch noch spars, sodass effektive Platoons selten entstehen.

Um dieses Problem zu lösen, wurde ein hybrides Multi-Agenten-Modell für die Spurwechselentscheidung entwickelt. Das System nutzt den QMIX-Algorithmus in Kombination mit einer Convolutional Neural Network (CNN-QMIX) Architektur, die CAVs erlaubt, optimale Entscheidungen zu treffen – unabhängig von der variierenden Anzahl an CAVs im gemischten Verkehr.

Zusätzlich sorgt ein Trajektorienplaner und ein Model Predictive Controller (MPC) für sanfte und sichere Spurwechsel. Das Modell wurde in einer Microsimulationsumgebung mit unterschiedlichen Marktanteilen von CAVs trainiert und getestet. Die Ergebnisse zeigen, dass das System die fluktuierenden Agentenzahlen effizient handhabt, die Basisregelwerke deutlich übertrifft und die Rate kooperativer Platoons um bis zu 26,2 % steigert.

Diese Fortschritte deuten darauf hin, dass das neue Modell die Kooperation von CAVs und die Verkehrs­dynamik in der frühen Einsatzphase nachhaltig optimieren kann.