Ein neuer Ansatz zur Koordination autonomer Flotten zielt darauf ab, den Verkehr in der Stoßzeit in den Griff zu bekommen.

Forscher an der Chalmers-Universität in Schweden haben eine Optimierungsmethode entwickelt, um autonome Elektrotaxis effizienter durch den Stadtverkehr zu leiten. Dieser Ansatz kombiniert KI-basierte Prognosen mit mathematischen Modellen und ist darauf ausgelegt, unvorhersehbare Faktoren wie außergewöhnliche Wetterbedingungen zu berücksichtigen.

Bild: Waymo

Laut einem Bericht der Stanford-Universität können autonome Elektrotaxis nicht nur den Stadtverkehr effizienter und umweltfreundlicher machen, sondern auch die Kosten pro Kilometer im Vergleich zu herkömmlichen Taxis um bis zu 60 Prozent senken. Eine große Herausforderung bei der Nutzung autonomer Taxis ist jedoch die Koordination der Flotte.

Eines der wichtigsten alltäglichen Probleme ist der Verkehr in den Stoßzeiten: Morgens möchten viele Fahrgäste ins Stadtzentrum fahren, abends wieder heraus. Deshalb müssen selbstfahrende Fahrzeuge oft leer zurückkehren, um erneut an den Ausgangspunkten verfügbar zu sein. Bei Elektroautos fügt die notwendige Zwischenladung eine weitere Komplexitätsebene hinzu. Ohne zukunftsorientierte Planung besteht die Gefahr von überfüllten Straßen, langen Wartezeiten und einer ungleichmäßigen Nutzung der Ladestationen.

Um dieses Engpassproblem zu lösen, verwendet ein Forschungsteam der Chalmers-Universität in Schweden in Zusammenarbeit mit Volvo Cars eine Kombination aus Maschinellem Lernen und klassischer Optimierung. Zur Vorhersage der Fahrgastnachfrage sowie der verfügbaren Ladestationen setzt das Team bayessche neuronale Netze ein, die mithilfe historischer Taxidaten aus San Francisco und Chicago trainiert wurden.

Zusätzlich untersuchte das Team drei verschiedene Arten von Elektrofahrzeugen mit unterschiedlichen Akkugrößen und Effizienzwerten. Die Ergebnisse zeigen, wie stark die gewählte Fahrzeugtechnologie die Verfügbarkeit der Flotte beeinflusst. Durch das richtige Gleichgewicht zwischen Akkugröße, Ladeplanung und Datenvorhersage kann der tägliche Einsatz autonomer Elektrotaxis somit erheblich zuverlässiger gemacht werden.