Selbstinteressierte AVs bringen Nutzen für alle: Rationalität im Verkehr

Autonome Fahrzeuge (AVs) werden in den kommenden Jahren voraussichtlich in großem Umfang auf den Straßen eingesetzt. In diesem Szenario entsteht ein gemischtes Verkehrssystem, in dem sowohl AVs als auch von Menschen gesteuerte Fahrzeuge (HVs) unterwegs sind.

Viele Untersuchungen haben gezeigt, dass AVs das Gesamtsystem verbessern können, wenn sie systemweite Ziele in ihre Entscheidungen einbeziehen. Doch in der Realität handeln alle Verkehrsteilnehmer – Menschen und Maschinen – aus eigenem Interesse. Die Frage, ob selbstinteressierte AVs dennoch einen Mehrwert für alle schaffen, blieb bislang unbeantwortet.

Die vorliegende Studie untersucht dieses Problem mithilfe des Konzepts der kollektiven Rationalität, das aus Spieltheorie und Verhaltensökonomie stammt. Durch den Einsatz von Deep Reinforcement Learning (DRL) mit einem einfachen Belohnungsdesign konnten die Forscher nachweisen, dass selbstinteressierte Verkehrsteilnehmer in verschiedenen Szenarien konsistent kollektive Rationalität erreichen. Dabei wurden keine systemweiten Ziele explizit in die Belohnungsfunktion aufgenommen.

Die Ergebnisse zeigen, dass kollektive Rationalität robust auftritt und selbst bei rein selbstinteressiertem Verhalten zu systemweiten Vorteilen führt. Die Autoren stellen zudem einen Mechanismus vor, der die Entstehung dieser Dynamik in mikro‑ und dynamischen Umgebungen erklärt, und verifizieren ihn durch umfangreiche Simulationen. Diese Erkenntnisse legen nahe, dass autonome Fahrzeuge auch ohne explizite systemische Vorgaben zu einer effizienteren und sichereren Verkehrsführung beitragen können.