Im Schleichtempo stauen sich die Autos von einer überfüllten Ampelkreuzung zur nächsten, vor allem zu Stoßzeiten ist die grüne Welle nur ein frommer Wunsch. Forscherteams am Institutsteil für industrielle Automation INA des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung (IOSB) wollen das ändern. Sie setzen auf Künstliche Intelligenz für eine intelligente, vorausschauende Ampelschaltung.
Im Schleichtempo stauen sich die Autos von einer überfüllten Ampelkreuzung zur nächsten, vor allem zu Stoßzeiten ist die grüne Welle nur ein frommer Wunsch. Forscherteams am Institutsteil für industrielle Automation INA des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung (IOSB) wollen das ändern. Sie setzen auf Künstliche Intelligenz für eine intelligente, vorausschauende Ampelschaltung.
Aktuelle Ampelsteuerungen sind an starre Regeln gebunden, und die passen nicht für alle Verkehrssituationen. Zudem bilden die vorhandenen Sensoren - in den Asphalt eingelassene Induktionsschleifen - die Verkehrssituation nur reichlich grob ab. Deshalb setzen die Forschenden am Fraunhofer IOSB-INA im Projekt KI4LSA (Künstliche Intelligenz für LichtSignalAnlagen) anstelle der herkömmlichen Sensoren hochauflösende Kamera- und Radarsensorik ein, die das Verkehrsgeschehen präziser erfasst.
So kann die Anzahl der wartenden Fahrzeuge an der Kreuzung spurgetreu in Echtzeit aufgenommen werden. Auch die durchschnittliche Geschwindigkeit der Autos und ihre Wartezeit werden detektiert.
Die Echtzeit-Sensorik wird mit Künstlicher Intelligenz kombiniert, die die starren Steuerungsregeln ersetzt. Die KI verwendet Algorithmen des Deep Reinforcement Learning (DRL). Diese Methode des maschinellen Lernens konzentriert sich darauf, intelligente Lösungen für komplexe Steuerungsprobleme zu finden.
"Wir haben von der Kreuzung, an der unsere Tests stattfinden, ein realitätsgetreues Simulationsmodell gebaut und die KI in diesem Modell unzählige Iterationen trainieren lassen. Zuvor haben wir das gemessene Verkehrsaufkommen zur Rush-Hour in das Simulationsmodell übertragen, sodass die KI mit realen Daten arbeiten kann", erläutert Projektleiter Arthur Müller den Ansatz des DRL. Das Ergebnis sei ein per Deep Reinforcement Learning trainierter Agent, ein Neuronales Netz, das die Ampelsteuerung darstelle.
Die so trainierten Algorithmen ermitteln das beste Ampel-Schaltverhalten und die beste Phasenfolge, um die Wartezeiten an der Kreuzung zu verkürzen, Fahrzeiten zu senken und den durch Staus entstehenden Lärm und die CO2-Belastung zu senken.
Und das durchaus nennenswert: Um zehn bis 15 Prozent könnte der Verkehrsfluss durch Künstliche Intelligenz verbessert werden, ergaben die Simulationsphasen an der überlasteten Test-Kreuzung, die mit intelligenten Ampeln ausgerüstet wurde.
Wie wichtig dieses Projekt ist, zeigt folgende Zahl: Die EU beziffert den durch Staus verursachten wirtschaftlichen Schaden auf 100 Milliarden Euro jährlich. KI-Ampeln sind eine Möglichkeit, diese Summe deutlich zu reduzieren.
