PAVe: Agentenbasierte Fahrzeugnavigation mit semantischem Kontext

Traditionelle Routenplaner konzentrieren sich meist auf einzelne Kennzahlen wie Zeit oder Entfernung. Wenn mehrere Ziele gleichzeitig berücksichtigt werden sollen, steigt die Komplexität der Optimierung erheblich. Ein weiteres Problem ist, dass diese Systeme die vielschichtigen, semantischen und dynamischen Anforderungen menschlicher Fahrer – etwa mehrstufige Aufgaben, situative Einschränkungen oder dringende Bedürfnisse – nicht erkennen und einbeziehen können.

In dem neuen Beitrag wird PAVe (Personalized Agentic Vehicular Routing) vorgestellt, ein hybrider Assistent, der klassische Pfadsuchalgorithmen mit kontextbezogener Logik erweitert. Dabei nutzt ein Large‑Language‑Model‑Agent (LLM) eine Kandidatensammlung von Routen, die durch einen mehrzieligen Dijkstra‑Algorithmus (Zeit, CO₂) erzeugt wurde. Der Agent bewertet diese Optionen anhand von vom Nutzer vorgegebenen Aufgaben, Präferenzen und Vermeidungsvorschriften und greift dabei auf einen vorverarbeiteten geospatialen Cache von städtischen Points of Interest (POIs) zurück.

In einer Benchmark mit realistischen urbanen Szenarien konnte PAVe komplexe Nutzerintentionen erfolgreich in passende Routenänderungen umsetzen. Die Genauigkeit der ersten Routenwahl lag bei über 88 % – und das bereits mit einem lokalen Modell. Die Autoren schließen daraus, dass die Kombination aus klassischen Routing‑Algorithmen und einer LLM‑basierten semantischen Schicht eine robuste und effektive Grundlage für personalisierte, adaptive und skalierbare Lösungen zur Optimierung der urbanen Mobilität bildet.