Zu Hauptinhalt springen

KISLEK

Künstliche Intelligenz zur Steuerung von Lichtsignalanlagen für verbundene Verkehrsknoten

Zuletzt aktualisiert am 07.04.2025

Projektbeschreibung

Problem

Ein wesentlicher Hebel zur Verbesserung des Verkehrsflusses im innerstädtischen Bereich liegt in der Optimierung der Steuerungen von Lichtsignalanlagen (LSA). In einem Vorgängerprojekt (KI4LSA) wurde weltweit erstmalig eine LSA-Steuerung auf Basis der KI-Technologie Reinforcement Learning (RL) im Feld erfolgreich eingesetzt. RL ist ein Bereich des Maschinellen Lernens. Ziel dabei ist es, einem autonomen Agenten zu ermöglicht, eine Aufgabe durch Anwendung der Trial-and-Error zu bewältigen, ohne dabei konkret annotierte Trainingsdaten zu nutzen. Dabei hat die KI-Lösung die Reisezeiten um ca. 10% reduziert. In KISLEK soll nun das Optimierungspotential für mehrere miteinander verbundene Verkehrsknoten bei Einsatz einer RL-basierten Steuerung evaluiert werden.

Ziele

Ziel des Projekts ist die Entwicklung einer RL-basierten LSA-Steuerung für verbundene Verkehrsknoten, die den Verkehrsfluss über alle Knoten hinweg optimiert. Mehrere LSA, die in einem räumlichen Zusammenhang stehen, beeinflussen sich gegenseitig, sodass bei einer gesamtheitlichen Betrachtung größeres Optimierungspotential erwartet wird als bei Betrachtung der Einzelknoten. Die Lösung soll in einem realitätsgetreuen Simulationsmodell eines vielbefahrenen Straßenzugs in der Innenstadt von Bremerhaven mit realen Verkehrsdaten evaluiert und mit einer konventionellen LSA-Steuerung verglichen werden.

Fahrende Autos auf einer Kreuzung
Fahrende Autos auf einer Kreuzung | Quelle: Fraunhofer IOSB-INA

Durchführung

Der gewählte Streckenabschnitt wird in ein realitätsgetreues Simulationsmodell abgebildet. Weiterhin wird ein RL-Algorithmus zur Steuerung der Verbundknoten entwickelt und eine Schnittstelle zum Simulationsmodell implementiert. Eine in das Simulationsmodell zu integrierende Sicherheitssteuerung interagiert mit der Algorithmik und garantiert die Einhaltung aller sicherheitsrelevanten Anforderungen. Schließlich wird der selbstlernende Algorithmus in der Simulation trainiert und anschließend evaluiert.

Projekt Partner

Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein
Lemgo
FKZ: 19F1185A
BERNARD Gruppe ZT GmbH
München
FKZ: 19F1185B

Ähnliche Projekte

GAPLESS

Generelle Austausch-Plattform zur lückenlosen Erfassung von Straßen- und Schienenfahrzeugen

Öffentlicher Verkehr und neue intermodale Mobilitätsangebote

TransFairTarif

Kundenzentrierte, multimodale Tarif- und Zonenoptimierung für Linien- und On-Demand-Verkehre mit Methoden der KI

Öffentlicher Verkehr und neue intermodale Mobilitätsangebote

VeriBus

Verifikation und Korrektur von Haltdaten im ÖPNV mittels KI-gestützter Luftbildauswertung

Öffentlicher Verkehr und neue intermodale Mobilitätsangebote
1 / 3