Data-Driven Predictive Control of Mixed Vehicular Platoon with ELM-AdaBoost Enabled Human Driving Policy

Auf der Straße ist ein Konvoi einfach eine Reihe von Autos, die eng beieinander fahren und sich als eine Einheit bewegen. Seit Jahrzehnten träumen Ingenieure von automatisierten Fahrzeugen, die dies perfekt beherrschen könnten, indem sie exakte Abstände und Geschwindigkeiten halten, um Kraftstoff zu sparen und Staus zu verhindern. Doch die reale Welt ist keine Simulation. Auf absehbare Zeit werden diese automatisierten Autos die Autobahn mit menschlichen Fahrern teilen, was zu einem gemischten Verkehrsaufkommen führt. Diese Mischung schafft ein komplexes Problem: Menschliche Fahrer sind unberechenbar. Sie reagieren unterschiedlich auf den Verkehr; einige sind aggressiv und drängeln, während andere vorsichtig sind und einen großen Sicherheitsabstand halten. Ihre Reaktionen sind nicht einfach nur zufällig; sie sind durch jahrelange Gewohnheiten und den persönlichen Stil geprägt. Wenn ein automatisiertes Auto versucht, einem Menschen zu folgen, oder wenn ein Mensch einem automatisierten Auto folgt, muss das System diesen menschlichen Faktor berücksichtigen. Wenn das automatisierte Auto den Stil des Menschen ignoriert, könnte es zu stark bremsen oder zu dicht auffahren, was die gesamte Reihe der Autos zum Wackeln oder zu unerwartetem Stoppen bringen könnte. Das Ziel ist es, ein System zu schaffen, das nicht nur versucht, jedes Auto auf die gleiche Weise fahren zu lassen, sondern eines, das die einzigartige Persönlichkeit des vorfahrenden Fahrers versteht und sich an ihn anpasst.

Forscher mehrerer Universitäten in China, darunter die East China Jiaotong University und die Zhejiang University of Technology, haben einen neuen Weg entwickelt, um diese gemischten Fahrzeugreihen zu steuern. Sie nennen ihren Ansatz eine „menschenverankerte“ (human-anchored) Steuerungsstrategie. Anstatt zu versuchen, ein perfektes mathematisches Modell davon zu erstellen, wie jeder Mensch denkt – was fast unmöglich ist, da menschliches Verhalten so chaotisch und variabel ist –, entschieden sie sich dafür, die Daten für sich selbst sprechen zu lassen. Sie bauten ein System, das direkt aus den tatsächlichen Bewegungen der Autos lernt. Indem das System beobachtet, wie ein Fahrzeug über einen gewissen Zeitraum auf das vor ihm fahrende Auto reagiert, erstellt es eine Karte der Fahrtdynamik, ohne das spezifische Gewicht des Autos oder die exakte Reaktionszeit des Fahrers kennen zu müssen. Diese datengesteuerte Methode ermöglicht es dem Computer, vorherzusagen, was als Nächstes passieren wird, basierend darauf, was zuvor geschehen ist, wodurch die Notwendigkeit komplexer, fehleranfälliger Formeln über die menschliche Psychologie umgangen wird.

Der Kern ihrer Innovation liegt darin, wie sie den menschlichen Fahrer handhaben. Die Forscher erkannten, dass zwar jeder Fahrer anders ist, sie aber oft erkennbare Muster aufweisen. Einige fahren aggressiv, einige moderat und einige konservativ. Um dies zu erfassen, verwendeten sie ein hochentwickeltes Lernwerkzeug, das wie ein sehr scharfer Beobachter wirkt. Dieses Werkzeug, das zwei verschiedene Lerntechniken kombiniert, beobachtet die Geschwindigkeit, Beschleunigung und den Abstand des Autos zum vorausfahrenden Fahrzeug. Es filtert das Rauschen heraus, das durch holprige Straßen oder Sensorfehler verursacht wird, ganz ähnlich wie man ein verrauschtes Radiosignal bereinigt, um die Musik klar zu hören. Sobald die Daten bereinicht sind, identifiziert das System den Fahrstil. Es rät nicht nur, sondern klassifiziert den Fahrer basierend auf seinem tatsächlichen Verhalten auf der Straße in eine bestimmte Kategorie.

Sobald das System den Fahrstil des Menschen kennt, ändert es das Verhalten der automatisierten Autos. Wenn der vorfahrende Fahrer aggressiv ist und gerne nah auffährt, passen die dahinter fahrenden automatisierten Autos ihren Zielabstand an diese Präferenz an, anstatt einen Standard-Sicherheitsabstand zu erzwingen, der sich unnatürlich anfühlen oder den menschlichen Fahrer zu einem plötzlichen Bremsen veranlassen könnte. Wenn der Fahrer vorsichtig ist, lassen die automatisierten Autos ihm mehr Raum. Die Forscher nennen dies eine „flexible Fahrpolitik“. Es geht nicht darum, die automatisierten Autos dazu zu bringen, rücksichtslos zu fahren; es geht darum, sie so fahren zu lassen, dass es sich für den menschlichen Fahrer natürlich anfühlt, was wiederum den gesamten Verkehrsfluss glättet. Das System setzt weiche Grenzen dafür, wie nah die Autos herankommen dürfen und wie schnell sie beschleunigen können, aber diese Grenzen verschieben sich je nach dem, wer fährt.

Um zu testen, ob diese Idee funktioniert, haben die Teams nicht nur Computersimulationen durchgeführt; sie bauten eine realistische Testumgebung auf. Sie nutzten einen Fahrsimulator, in dem vierunddreißig echte Freiwillige mit einem Durchschnittsalter von einunddreißig Jahren und mindestens zwei Jahren Fahrpraxis das Steuer übernahmen. Diese Fahrer steuerten eines der Autos in einer Reihe von drei Fahrzeugen, während die anderen beiden von der neuen Software gesteuert wurden. Die Forscher verglichen ihr neues „menschenverankertes“ System mit zwei anderen Methoden: einem Standard-automatisierten Steuerungssystem, das alle Fahrer gleich behandelt, und einem etwas fortgeschritteneren datengesteuerten System, das jedoch den individuellen Stilen noch nicht Rechnung trug. Der Test beinhaltete komplexe Verkehrsszenarien, in denen das führende Auto beschleunigte und abbremste, was die gesamte Reihe zur Reaktion zwang.

Die Ergebnisse zeigten einen deutlichen Unterschied. Das Standardmodell und das fortgeschrittene datengesteuerte System hatten beide Schwierigkeiten, die Reihe stabil zu halten. Die Autos überschritten ihren Zielabstand, kamen zu weit vor und bremsten dann hart ab, um aufzuholen, was einen Welleneffekt von Geschwankungen erzeugte, der die gesamte Reihe hinunterlief. Im Gegensatz dazu hielt das neue menschenverankerte System den Abstand viel enger am gewünschten Wert von 50 Metern. Die automatisierten Autos folgten der Führung des menschlichen Fahrers, ohne die ruckartigen, oszillierenden Bewegungen, die in den anderen Tests auftraten. Die Geschwindigkeit der Autos blieb gleichmäßig, wodurch die starken Geschwindigkeitsspitzen vermieden wurden, die oft zu Unbehagen oder Unfällen führen. Selbst wenn der menschliche Fahrer aggressiv war, passte sich das System an und behielt die Stabilität bei, ohne den Menschen zu seinem Verhalten zu zwingen.

Die Studie untersuchte auch, wie gut das System bei verschiedenen Typen von Fahrern abschnitt. Wenn der menschliche Fahrer konservativ war, hielt das System die Abstandsfehler sehr gering, was eine sichere und stetige Fahrt gewährleistete. Wenn der Fahrer aggressiv war, behielt das System dennoch die Kontrolle bei, obwohl die Abstandsfehler etwas größer waren, was zu erwarten ist, wenn man einem Fahrer folgt, der den Abstand verringern möchte. Entscheidend war, dass das System verhinderte, dass diese kleinen Fehler beim Durchlaufen der Fahrzeugreihe größer wurden. In der Verkehrsplanung ist dies als „Stringstabilität“ bekannt und ist entscheidend, um Verkehrsstaus zu verhindern, die durch ein einziges Bremsen entstehen. Die neue Methode bewies, dass die automatisierten Autos, indem sie den Stil des menschlichen Fahrers respektieren, die gesamte Gruppe sicherer und komfortabler machen können.

Diese Forschung zeigt, dass die Zukunft der Verkehrssteuerung nicht erfordert, dass Menschen zu Robotern werden. Stattdessen erfordert sie, dass Roboter „menschenbewusster“ werden. Indem sie Daten nutzen, um individuelle Fahrgewohnheiten zu verstehen und die automatisierte Reaktion entsprechend anzupassen, haben die Forscher einen Weg zu einem reibungsloseren, sichereren Nebeneinander von Mensch und Maschine auf der Straße aufgezeigt. Das System balancierte erfolgreich das Bedürfnis nach Sicherheit mit dem Wunsch nach einem personalisierten Fahrerlebnis und bewies, dass ein wenig Verständnis schon viel bewirkt, um den Verkehrsfluss aufrechtzuerhalten.