Mikroskopische Modellierung von Verkehrsteilnehmern im Mischverkehr mithilfe von Imitation Learning

In vielen Straßenräumen bewegen sich Verkehrsteilnehmer verschiedener Art (Fußgänger, Radfahrer, Fahrzeuge), hier auch als Agenten bezeichnet, auf gemeinsamen Flächen. Mithilfe von Simulationen kann untersucht werden, wie ein bestimmter Straßenraum die Verkehrssicherheit beeinflusst. Dabei spielt das Verhalten der einzelnen Agenten eine große Rolle und sollte genau abgebildet werden. Zudem sollte die Simulation auch in großem Maßstab anwendbar sein und die eigenen Entscheidungen erklären können. In der Realität wird ein Agent von so vielen Faktoren in seiner Fortbewegung beeinflusst, dass einfache regelbasierte Lösungen dem nicht gerecht werden.

Deshalb werden datenbasierte Verfahren des überwachten maschinellen Lernens auf die Modellierung der Agententrajektorien angewandt. Während regelbasierte Ansätze wie das Social Force Model die Lösung besser erklären können, liefern datenbasierte Ansätze genauere Lösungen. Seit kurzem werden Methoden des Reinforcement Learning in der Verkehrsmodellierung angewandt. In diesem Kontext sollte die Modellierungsaufgabe als Abbildung von Zuständen auf Handlungsanweisungen formuliert werden. Dafür kann das sogenannte Imitation Learning als Untergruppe des Reinforcement Learning genutzt werden. Das Imitation Learning umfasst hauptsächlich die Methoden Behavior Cloning und Inverse Reinforcement Learning. Beide leiten aus Verhaltensdaten von Experten Regeln ab, die das Verhalten imitieren sollen. Damit sollte für jeden Zustand eines Agenten die zugehörige Handlung repliziert werden. In diesem Promotionsvorhaben soll auf Grundlage des Imitation Learning ein Ansatz zur Modellierung der Agententrajektorien untersucht und hinsichtlich der Ausführungsgeschwindigkeit, der Genauigkeit und der Erklärbarkeit bewertet werden.