Effizienter laden und fahren: Neuer Ansatz bei autonomer Flottensteuerung

Forschende der schwedischen Chalmers-Universität haben ein Optimierungsverfahren entwickelt, das autonome Elektrotaxis effizienter durch den Stadtverkehr steuern soll. Die Methode kombiniert KI-Prognosen mit mathematischen Modellen und soll auch unvorhersehbare Faktoren wie ungewöhnliches Wetter berücksichtigen.

Bild: Waymo

Autonom fahrende Elektrotaxis haben nicht nur das Potenzial, den Stadtverkehr effizienter und umweltfreundlicher zu machen, sondern könnten auch die Kosten pro Strecke um bis zu 60 Prozent gegenüber herkömmlichen Taxis senken, wie ein Forschungsbericht der Stanford University zeigt. Eine große Herausforderung beim Betrieb autonomer Taxis ist jedoch die Flottenabstimmung.

Eines der Hauptprobleme im Alltag ist der Berufsverkehr: Morgens wollen viele Fahrgäste ins Stadtzentrum, abends wieder heraus. Selbstfahrende Fahrzeuge müssen daher regelmäßig leer zurückfahren, um an den Startpunkten wieder bereitzustehen. Bei Elektroautos kommt zudem noch das notwendige Zwischenladen hinzu. Damit drohen ohne vorausschauende Planung verstopfte Straßen, lange Wartezeiten und eine unausgewogene Nutzung der Ladesäulen.

Um diesen Engpass zu lösen, setzt ein Forschungsteam der Chalmers-Universität in Schweden in Zusammenarbeit mit Volvo Cars auf eine Kombination aus Machine Learning und klassischer Optimierung. Für die Vorhersage von Fahrgastnachfrage und freien Ladesäulen nutzt das Team sogenannte Bayesianische Neuronale Netze (BNNs), die mit historischen Taxidaten aus San Francisco und Chicago trainiert wurden.

Der entscheidende Vorteil dieser Machine-Learning-Methode: BNNs berechnen nicht nur reine Wahrscheinlichkeiten, sondern liefern auch Schätzungen darüber, wie unsicher ihre eigenen Prognosen sind. Ändert sich das Verhalten der Fahrgäste spontan – etwa durch plötzlichen Regen –, bleibt die Flottensteuerung dadurch trotzdem stabil.

Die KI trifft dabei jedoch keine autonomen Entscheidungen, sondern dient rein als Datenbasis. Die eigentliche Fahr- und Ladeplanung übernimmt ein mathematisches Optimierungsmodell mit festen Regeln. Da eine Großstadt zu viele Variablen aufweist, zerlegt der Algorithmus die Gesamtaufgabe in kleinere Abschnitte und fügt diese zu einem Gesamtplan zusammen. Das ermöglicht Entscheidungen in Sekundenbruchteilen – selbst bei sehr großen Fahrzeugflotten.

Zusätzlich untersuchte das Team drei verschiedene E-Auto-Typen mit unterschiedlichen Batteriegrößen und Effizienzwerten. Die Ergebnisse zeigen, wie stark die gewählte Fahrzeugtechnik die Verfügbarkeit der Flotte beeinflusst. Mit der richtigen Abstimmung zwischen Akkugröße, Ladeplanung und Datenprognose lässt sich der Einsatz autonomer E-Taxis im Alltag somit deutlich verlässlicher gestalten.