Die Kapazität der Platooning-Technologie, Autos präzise zu steuern, den Verkehrsfluss zu optimieren und den Energieverbrauch zu steigern, ist bekannt. Platooning reduziert den aerodynamischen Widerstand, steigert die Kraftstoffeffizienz und erhöht die Straßenkapazität, indem es Fahrzeugen ermöglicht, in enger Nähe und im Gleichklang zu fahren. Bei groß angelegten gemischten Platoons, die aus Fahrzeugen unterschiedlicher Automatisierungsgrade, Intelligenz und Kommunikationsfähigkeiten bestehen, treten jedoch einige Probleme auf.
Ein großes Problem ist die Bildung virtueller Engpässe. Virtuelle Engpässe entstehen, wenn Anomalien im Fahrverhalten und in den Reaktionen von Fahrzeugen zu Störungen im reibungslosen Verkehrsfluss innerhalb des Platoons führen. Diese Engpässe werden in der Regel durch die Vielfalt der Fahrzeuge im Platoon erzeugt, wo Unterschiede im Fahrverhalten, Reaktionszeiten und Kommunikationsfähigkeiten zu einer reduzierten Verkehrsleistung und einem höheren Energieverbrauch führen können.
Um diese Probleme anzugehen, wurde ein einzigartiger Ansatz zur Entscheidungsfindung auf der Grundlage von gestapeltem Graphen-Reinforcement-Learning vorgestellt. Das Hauptziel dieser Taktik ist es, die kooperative Entscheidungsfindung im Platoon zu verbessern, um den Verkehr zu reduzieren und die Energieeffizienz zu steigern. Der Ansatz basiert auf einer Theorie der gestapelten Verkehrsgraphenrepräsentation, die die komplexen, nicht-linearen Beziehungen in realen Verkehrssituationen genau widerspiegeln kann.
Die Effektivität dieses Ansatzes wurde durch Tests mit dem I-24-Datensatz demonstriert, bei denen die vorgeschlagene Methode im Vergleich zu Basislinienmethoden eine Senkung des Energieverbrauchs um 9 % und eine Steigerung des Verkehrsflusses um 10 % zeigte. Es wurde auch festgestellt, dass eine erhöhte Penetration von vernetzten und automatisierten Fahrzeugen (CAVs) in das Platoon zu einer weiteren Steigerung des Verkehrsflusses führt, jedoch auch mit einem moderaten Anstieg des Energieverbrauchs verbunden ist.
Insgesamt ist das Nesting von Graphen-Reinforcement-Learning ein großer Fortschritt bei der Lösung der Probleme, die durch groß angelegte gemischte Platooning entstehen. Dies kann dazu beitragen, die Effizienz und Nachhaltigkeit von Transportsystemen in der Zukunft zu steigern.