Hierarchisches Modell optimiert CAV-Verkehr und reduziert Energieverbrauch

Ein neues Forschungsprojekt namens HONEST‑CAV präsentiert ein hierarchisches Netzwerk‑Level‑Steuerungssystem, das sowohl das Fahrverhalten von Fahrzeugen als auch die Ampelschaltung an Kreuzungen gleichzeitig optimiert. Ziel ist es, die Gesamteffizienz des Verkehrsnetzes zu steigern und den Energieverbrauch zu senken.

Das System kombiniert eine dezentrale Multi‑Agent‑Reinforcement‑Learning‑Strategie (Value Decomposition Network, VDN) für die Ampelschaltung mit einer innovativen Vorhersage von Signalphasen und -zeiten (SPaT). Zusätzlich nutzt es einen Machine‑Learning‑basierten Trajektorienplaner (MLTPA), um vernetzte und autonome Fahrzeuge (CAVs) bei Eco‑Approach‑ und Departure‑Manövern zu unterstützen.

Die Autoren haben das Modell in einem 4×4‑Netzwerk mit unterschiedlichen Anteilen von CAVs und verschiedenen Antriebsstrangtypen getestet. Dabei wurden Mobilitäts- und Energiekennzahlen gemessen, um die Wirkung der vorgeschlagenen Optimierung zu quantifizieren.

Ergebnisse zeigen, dass die MARL‑basierte Ampelschaltung die klassische Webster‑Methode in Bezug auf Geschwindigkeit, Kraftstoffverbrauch und Leerlaufzeit deutlich übertrifft. Mit dem MLTPA‑Unterstützungsalgorithmus verbessert sich die Energieeffizienz weiter. Bei einem CAV‑Anteil von 60 % konnten durchschnittliche Fahrzeuggeschwindigkeiten um 7,67 %, Kraftstoffverbrauch um 10,23 % und Leerlaufzeit um 45,83 % im Vergleich zum Basismodell gespart werden.

Die Studie verdeutlicht, dass höhere Automatisierungs- und Elektrifizierungsgrade in Kombination mit fortschrittlichen Lernalgorithmen signifikante Vorteile für Verkehrsnetze bringen. HONEST‑CAV liefert damit einen vielversprechenden Ansatz, um zukünftige vernetzte Mobilität effizienter und umweltfreundlicher zu gestalten.