Entwicklung von lernbasierten Multi-Agenten-Modellen zur Validierung automatisierter Fahrfunktionen in adaptiven Verkehrssimulationen

Kontext

Die Validierung automatisierter Fahrfunktionen erfordert realistische Verkehrssimulationen, um das Verhalten in komplexen Szenarien zuverlässig zu testen. Herkömmliche Simulationsansätze, die auf vorab aufgezeichneten Trajektorien basieren, sind limitiert, da sie nicht auf das Verhalten automatisierter Fahrzeuge reagieren können. Dies führt zu ungenauen Ergebnissen und erschwert die Bewertung von Fahrsystemen in dynamischen Verkehrssituationen.

Multi-Agent Reinforcement Learning (MARL) bietet ein vielversprechendes Werkzeug zur Lösung dieses Problems, indem es die Entwicklung intelligenter, adaptiver Verkehrsagenten ermöglicht. Diese Agenten können in Echtzeit interagieren, lernen und ihre Strategien an die Umgebung und das Verhalten automatisierter Fahrzeuge anpassen. Mit diesen reaktiven und adaptiven Modellen können kritische Verkehrsszenarien dynamisch generiert werden, was eine genauere und robustere Validierung von Fahrfunktionen unter realistischen Bedingungen ermöglicht.

Ziele

• Konzeption und Implementierung eines Multi-Agenten-Systems zur Simulation von Verkehrsagenten
• Einsatz von Reinforcement Learning, um adaptive Verkehrsagenten zu entwickeln, die sich flexibel an unterschiedliche Verkehrssituationen anpassen
• Untersuchung und Entwicklung von Ansätzen zur Simulation kritischer Szenarien für automatisierte Fahrzeuge 
• Validierung des Systems durch Simulation und Analyse von Verkehrssituationen

Voraussetzungen

• Interesse an den Themen Multi-Agenten-Systeme, Reinforcement Learning und Verkehrssimulation
• Programmierkenntnisse in Python, idealerweise mit Erfahrung in ML-Bibliotheken (z. B. PyTorch)
• Motivation und kreatives Denken