Realistisches Fußgänger‑Fahrer‑Modell mit Multi‑Agenten‑RL und sensorischen Motorbeschränkungen

In einer wegweisenden Studie wird ein neues Multi‑Agenten‑Reinforcement‑Learning‑Framework vorgestellt, das Fußgänger‑ und Fahrerinteraktionen unter Berücksichtigung von visuellen und motorischen Beschränkungen simuliert. Ziel ist es, das Verhalten von Menschen auf der Straße besser zu verstehen und damit sicherere autonome Fahrsysteme zu entwickeln.

Die Forscher haben vier Modellvarianten getestet: ein Basismodell ohne Einschränkungen, zwei Varianten mit jeweils nur motorischen oder nur visuellen Beschränkungen und eine Kombination beider. Für die Evaluation wurde ein Datensatz aus einer unregulierten Fußgängerüberquerung herangezogen, der reale Bewegungen von Fußgängern und Fahrzeugen erfasst.

Ergebnisse zeigen, dass das Modell mit beiden Beschränkungen die höchste Realitätsnähe erreicht. Motorische Beschränkungen führen zu sanfteren Bewegungen, die menschliche Geschwindigkeitsanpassungen während des Überquerens widerspiegeln. Visuelle Beschränkungen fügen Unsicherheit und Sichtfeldbegrenzungen hinzu, wodurch die Agenten vorsichtiger und variabler agieren und abruptes Bremsen vermeiden.

In einem datenarmen Szenario übertrifft das kombinierte Modell ein klassisches Verhaltenstraining mittels Supervised Learning. Zudem ermöglicht die Modellierung individueller Parameter Unterschiede zwischen den Agenten, was die Vielfalt menschlichen Verhaltens besser abbildet.

Diese Arbeit demonstriert, dass Multi‑Agenten‑RL mit realistischen sensorischen und motorischen Einschränkungen selbst bei begrenzten Datenmengen überzeugende Ergebnisse liefert. Sie eröffnet neue Perspektiven für die Entwicklung von Fahrsystemen, die menschliches Verhalten präziser nachahmen und dadurch die Sicherheit im Straßenverkehr erhöhen können.