Options
2020
Journal Article
Titel
KI optimiert Fahrerlose Transportfahrzeuge
Titel Supplements
Gastkommentar
Abstract
Onlinekartendienste bieten Verkehrsinformationen in Echtzeit. Die große Datenbasis ermöglicht gar Prognosen für Fahrten, für die noch keine Echtzeitinformationen vorliegen. Schon heute können FTF ihr Fahrverhalten laufend selbst optimieren. Dies erfolgt aber bisher nur auf Basis ihres lokalen Sichthorizontes. Zudem führt die lokale Optimierung jedes einzelnen Fahrzeugs nur selten zum optimalen Fahrverhalten der ganzen Flotte. Mit KI wird es nun möglich, Daten aller FTF für die gesamte Flotte zu nutzen. Haupttreiber der Entwicklungen ist die steigende Nachfrage nach FTF, die flexible Logistik- und Produktionsszenarien möglich machen sollen. Schon heute gibt es hierfür eine Navigationssoftware, die eine autonome Navigation in dynamischen und veränderlichen Umgebungen ohne Marker oder Infrastruktur erlaubt. Sie ist unabhängig von Plattformen und Sensoren. Über eine Cloud tauschen die FTF Sensordaten aus und nutzen die aktuelle Umgebungskarte. Mit KI oder, genauer, maschinellen Lernverfahren können wir den Autonomiegrad von FTF weiter erhöhen und ihr Fahrverhalten noch effizienter machen. Drei Szenarien setzen wir bei Fraunhofer IPA aktuell um. Das erste ist die Optimierung der globalen Routenplanung. Hierfür lassen wir virtuelle Fahrzeuge fahren, um verfügbare Strecken zu ermitteln. Dann nutzen wir die Daten realer Fahrzeuge, um die Frequentierung dieser Strecken zu erfassen und die Durchschnittsgeschwindigkeiten zu lernen. Im zweiten Szenario erstellen wir das Modell eines realen Fahrzeugs und lassen die Software lernen, wie die einzelnen Motoren angesteuert werden müssen, damit das Fahrzeug auf der vorgegebenen Spur bleibt. Berücksichtigt werden dabei Eigenschaften des Fahrzeugs wie das Fahrwerk oder einzuhaltende, je nach Fahrsituation wechselnde Sicherheitsabstände. Mithilfe von ""Reinforcement Learning"", belohnungsbasiertem Lernen, entstehen Strategien, wie bestimmte Verkehrssituationen effizient zu lösen sind. Das Gelernte übertragen wir dann auf das reale Fahrzeug. Nicht zuletzt haben wir auch die gegenseitige Detektion und kooperative Lokalisierung mit maschinellen Lernverfahren erarbeitet. Indem sich die Fahrzeuge gegenseitig erkennen und so ihre relative Position bestimmen, wird die Lokalisierung robuster.