Internationales Verkehrswesen (75) 3 | 2023 51 KI-gestützte autonome Busse im vernetzten ÖPNV Status zur KI-Entwicklung und Erprobung aus dem Forschungsprojekt KI4autoBUS Autonome Mobilität, Künstliche Intelligenz, KI-Mobilität, Barrierefreie Mobilität, On-Demand Mobilität, Reinforcement Learning, Predictive Demand Kann Künstliche Intelligenz (KI) den Einsatz von autonomen Kleinbussen verbessern? Shuttles, die wissen, wann und wo sie gebraucht werden - das ist die Ambition im Forschungsprojekt KI4autoBUS. Eine effizientere Flottensteuerung, die auch die Gestaltung und Nutzung für Menschen mit Mobilitätseinschränkungen einschließt, wird im Rahmen des Projektes entwickelt und getestet. Für das Projekt werden die autonomen Busse, die in Bad Birnbach (Niederbayern) im Einsatz sind, barrierefrei umgerüstet und im Hintergrund temporär mit einer innovativen KI-Software gesteuert. Nicole Wagner-Hanl, Julian Wagner, Leandra Rüpplein, Thomas Huber B ad Birnbach im Landkreis Rottal- Inn ist schon länger ein Pionier für autonome Mobilität. Seit 2017 betreibt die DB Regio Bus dort einen autonomen Kleinbus - er ist der erste dieser Art, der in Deutschland als Linienfahrzeug im ÖPNV eingesetzt wurde. Seit 2019 ist der etwas außerhalb von Bad Birnbach gelegene Bahnhof in das Streckennetz integriert (Bild 1). [1] Das Pilotprojekt wurde in der Bevölkerung durch die Anbindung an den Bahnhof gut angenommen, sodass vor Beginn der Corona-Pandemie etwa 120 Fahrgäste pro Tag das Angebot nutzten, insgesamt über 60.000. [2] Seit Mai 2022 wird zur Erschließung des Ortsgebietes der Marktgemeinde ergänzend ein On-Demand-Verkehr angeboten und über zwei Shuttles bedient. Eingesetzt werden dabei Busse des französischen Herstellers EasyMile mit einer Kapazität von bis zu sechs Fahrgästen, sowie dem aktuell noch benötigten Fahrbegleiter. Insgesamt umfasst der Forschungsfeldbetrieb 14 virtuelle und sechs physische Haltestellen. [3] Das Forschungsprojekt KI4autoBUS Nahtlose Mobilität mit dem ÖPNV kann herausfordernd sein - insbesondere in ländlichen Regionen, wo das Mobilitätsangebot in seiner Verfügbarkeit, Regelmäßigkeit und Informationsauskunft meist deutlich eingeschränkter ist als in großen Städten. Mit On- Demand-Angeboten wurde eine Lösung geschaffen, die effizienter und datenbasiert anhand des tatsächlichen Bedarfes der Nutzer: innen geplant wird. Eine Herausforderung besteht in der begrenzten Anzahl der verfügbaren Fahrzeuge, die möglichst alle Anfragen bedienen und eine geringe Wartezeit der Fahrgäste sicherstellen sollen. Aufbauend auf den ersten Erfolgen des On-Demand-Angebotes in Bad Birnbach, soll getestet werden, wie KI das Angebot weiterentwickeln und optimieren kann. Das Ziel des Forschungsprojektes KI4autoBUS [4]: Die Optimierung barrierefreier Mobilität durch autonome Shuttles - Entwicklung ei- Shuttleverkehr in Bad Birnbach Foto: DB Regio Bus, 2022 Autonomes Fahren MOBILITÄT Internationales Verkehrswesen (75) 3 | 2023 52 MOBILITÄT Autonomes Fahren ner KI-basierten Lösung zur Planung und Steuerung des ÖPNV-Angebots (Oktober 2021 bis vsl. Dezember 2023), welches vom Bayerischen Verbundforschungsprogramm (BayVFP) gefördert wird, besteht u. a. in der Entwicklung einer KI für die eingesetzten Busse. Diese soll dafür sorgen, dass das On- Demand-Angebot noch flexibler eingesetzt werden kann und sich noch besser in das gesamte ÖPNV-Ökosystem einfügt. Im Kontext des Projektes bedeutet dies, dass die Shuttles u. a. schon im Voraus in die Nähe von oder an die Haltestellen geschickt werden, für die voraussichtlich als nächstes eine Buchung stattfindet. Um diesem Anspruch gerecht zu werden, wird eine KI eingesetzt, die selbständig, ohne menschlichen Eingriff, lernt und sich automatisch verbessert (Bild 2). Neben der Entwicklung der KI soll Inklusion und Barrierefreiheit in den Shuttles vorangetrieben werden. Dafür wurden in einem ersten Schritt mögliche Herausforderungen für mobilitätseingeschränkte Personen bei der Nutzung der Shuttles ermittelt. In einem zweiten Schritt sollen diese dann durch entsprechende Umrüstungen der Shuttles und durch eine Weiterentwicklung der Fahrgastkommunikation gelöst werden. Die Mobilitäts-App Wohin·Du·Willst (WdW) der DB Regio AG, über die aktuell die Fahrtanfragen für die autonomen Busse gebucht werden [5], wurde bereits adaptiert. In WdW werden nun auch Daten zu Barrierefreiheit nutzerfreundlich abgefragt (u. a. Schwerbehindertenausweis, Rollstuhl, Rollator). Diese Logik ist zudem erweiterbar und ermöglicht die zukünftige Optimierung der Shuttle-Services für eingeschränkte bzw. multimorbide Nutzergruppen. In Zukunft soll es möglich sein, erweiterte Profilangaben über Seheinschränkungen zu machen. So kann ein Bedarf für Sprachinformationen angezeigt werden, um im Shuttle Reise- und Umgebungsinformationen angesagt zu bekommen. Methodenmix - White-Spot Analyse und Use Cases Mit Beginn des Projektes, wurde eine White- Spot Analyse durchgeführt, um ähnliche Forschungsvorhaben und -ergebnisse zu evaluieren. Die Auswertung zeigte, dass sich das Projekt KI4autoBUS insbesondere mit der ausgewählten KI-Methode in Verbindung mit der Optimierung von On-Demand- Verkehren in ländlichen Regionen abhebt. Dazu gehören auch verbesserte Nutzungsbedingungen solcher Angebote für mobilitätseingeschränkte Personen durch den Einsatz der KI. Konkret wurde für KI4autoBUS der Ansatz Reinforcement Learning ausgewählt, der im Folgenden erklärt wird. Parallel zur White-Spot Analyse fand die Ist-Analyse der Rahmenbedingungen für den Standort Bad Birnbach statt. Zur Identifikation spezifischer Nutzerbzw. Kundenanforderungen an die verschiedenen Projektinnovationen wurde auf einen Methodenmix aus qualitativen Interviews mit dem Niederlassungsleiter Süd der Regionalbus Ostbayern GmbH und mit dem Betriebspersonal in den Shuttles sowie einer Beobachtungsstudie vor Ort im Mai 2022 zurückgegriffen. Anschließend erfolgte ein Interview mit der Seniorenbeauftragten des Landkreises. Technische Herausforderungen der vor Ort betriebenen autonomen Shuttles und nutzerbezogene Details wurden vom Fraunhofer IML in Use Cases zusammengefasst und flossen in die nutzerzentrierte Entwicklung ein. Umsetzung - Reinforcement Learning und Datenverfügbarkeit Im Wesentlichen soll die KI dafür sorgen, dass die Shuttles effizienter eingesetzt werden. Das bedeutet: Alle Fahrtwünsche in Bad Bild 1: Das Streckennetz der autonomen Linien in Bad Birnbach Quelle: DB Regio Bus, 2023 Bild 2: Wahrscheinlichkeitsverteilung der Nachfrage an On-Demand-Shuttles Quelle: qdive, 2023 Internationales Verkehrswesen (75) 3 | 2023 53 Autonomes Fahren MOBILITÄT Birnbach werden berücksichtigt, Personen mit besonderen Mobilitätsanforderungen (z. B. Rollstuhlfahrer: innen) werden bei mehreren Buchungsanfragen bevorzugt bedient und Leerfahrten sowie lange Wartezeiten werden vermieden. Letzteres bedeutet, dass die KI Buchungsanfragen antizipiert (Predictive Demand) und die Shuttles vorzeitig an geeigneten Haltestellen platziert. Um das zu erreichen, wird im KI4auto- BUS-Projekt Reinforcement Learning (RL), also bestärkendes Lernen, eingesetzt und auf Funktionsfähigkeit getestet. Bei RL handelt es sich um einen Bereich des maschinellen Lernens, der darauf abzielt, dass ein Agent (beispielsweise ein Shuttle) durch Interaktion mit seiner Umgebung selbstständig lernt, eine bestimmte Aufgabe zu lösen. RL eignet sich unter anderem dann, wenn die zugrunde liegende Umgebung sehr komplex ist, sodass traditionelle algorithmische Ansätze nicht mehr ausreichen, oder wenn im Anwendungsszenario Entscheidungen in Echtzeit getroffen werden müssen. [6]. Wie jedes Verfahren des maschinellen Lernens benötigt auch RL eine geeignete Datengrundlage. Allerdings war die von den beiden im On-Demand-Betrieb eingesetzten, autonomen Shuttles in Bad Birnbach erzeugte Datenmenge, vor allem zu Beginn des Projektes, überschaubar. Mit Hilfe mathematisch-statistischer Verfahren ließen sich bereits wenige reale Fahrtdaten nutzen, um eine beliebige Anzahl realitätsnaher Buchungsanfragen zu generieren. Wie funktioniert Reinforcement Learning? Im RL wird ein Agent mit einer realen oder virtuellen Umgebung konfrontiert, in der er Aktionen ausführen kann. Für jede Aktion erhält der Agent Feedback in Form von Belohnungen oder Bestrafungen, die ihm mitteilen, wie gut oder schlecht die getroffene Aktion war. Das Ziel des Agenten besteht darin, durch die Maximierung der langfristigen Belohnung oder Minimierung der langfristigen Bestrafung eine optimale Handlungsstrategie zu erlernen (Bild 3). Im konkreten Anwendungsfall umfasst die Umgebung die Haltestellen in Bad Birnbach mit den darin auftauchenden (simulierten) Passagieren. Jedes Shuttle ist ein Agent, es wird also ein Multi- Agent Reinforcement Learning (MARL)-Ansatz betrachtet und die möglichen Aktionen sind die nächsten Stationen der Shuttles. Eine Belohnung erhält der Agent beispielsweise für eingesammelte und abgelieferte Passagiere und eine Bestrafung, wenn die Wartezeit der Passagiere zu hoch ist. Die Entwicklung der KI - Vorgehen, Weiterentwicklung und Status Quo Den Kern von RL bildet unter anderem die Simulationsumgebung, in der der Agent trainiert. Für den Aufbau der Umgebung wurden verschiedene Frameworks analysiert. Basierend auf OpenAI Gym, einem frei verfügbaren Toolkit für RL-Forschung, wurde die Simulationsumgebung iterativ entwickelt und erweitert, damit Lernfortschritte des Agenten besser und schneller messbar gemacht sowie Probleme beim Training frühzeitig erkannt wurden. Zuerst wurde ein einfaches, abstraktes Abbild von Bad Birnbach verwendet. Für die ersten Trainingsdurchläufe des Agenten wurden Haltestellen, Passagiere, Betriebs- und Fahrtzeiten zufällig gewählt. Mittlerweile trainiert der Agent in einer Umgebung, die mit den realen Gegebenheiten Bad Birnbachs übereinstimmt: 20 Haltestellen, eine Betriebszeit von 8 bis 18 Uhr, genaue Fahrtzeiten zwischen den einzelnen Haltestellen und realitätsnahe Buchungsdaten von Passagieren. Vor allem für die Predictive Demand- Funktion, also das Antizipieren künftiger Buchungen durch den Agenten zur Verringerung der Wartezeiten, sind die realitätsnahen Buchungsanfragen essenziell. Aufgrund der zu geringen Anzahl realer Buchungsdaten werden in der Simulationsumgebung verschiedene Wahrscheinlichkeitsverteilungen basierend auf historischen Buchungsdaten generiert, mit deren Hilfe realitätsnahe Fahrtanfragen für das Training des Agenten simuliert werden. Je mehr historische Buchungsdaten dazu zur Verfügung stehen, desto genauer werden die generierten Verteilungen und desto besser wird der Agent in der Lage sein, bestimmte Muster - etwa Buchungen mobilitätseingeschränkter Personen oder Nach- Bild 3: Illustration des Zusammenspiels der RL-Komponenten Eigene Darstellung, [6], qdive Bild 4: Trainingsmetriken Quelle: qdive Internationales Verkehrswesen (75) 3 | 2023 54 MOBILITÄT Autonomes Fahren fragespitzen- und -täler - zu erkennen und damit eigenständig zu trainieren. Weitere Informationen können das Training des Agenten beschleunigen, weshalb auch externe Daten wie Bewegungsdaten von Mobilfunkanbietern geprüft wurden. Allerdings lagen diese nicht in ausreichender Granularität für den Ortsbereich von Bad Birnbach vor. Um die Performance des Agenten in der Simulationsumgebung messbar zu machen, werden verschiedene Kennzahlen und Metriken ausgewertet. Das sind zum einen theoretisch relevante Größen, wie die Gesamtbelohnung des Agenten, und zum anderen praktisch relevante Kennzahlen, wie die durchschnittliche Wartezeit der Passagiere oder der Anteil an bedienten Fahrtanfragen. Entsprechen die Auswertungen nicht den Ansprüchen, so werden Anpassungen, zum Beispiel durch Änderung der Belohnungsfunktion, vorgenommen. So wird sichergestellt, dass das erlernte Verhalten des Agenten den Anforderungen der realen Bad Birnbach Umgebung genügt. Ergebnis der ersten Tests Vorbereitend auf den Einsatz der KI im realen Betrieb, wird der Agent derzeit in der Simulationsumgebung trainiert, getestet und weiter angepasst. Die Auswertungen zeigen, dass der Agent sich mit fortschreitendem Training immer weiter verbessert. Der Agent lernt, seine Aktionen so zu wählen, dass seine Belohnung maximiert wird, was zu reduzierten Wartezeiten der Passagiere und gleichzeitiger Bedingung aller Fahrtanfragen führt (Bild 4). Im nächsten Schritt soll der Agent im Realbetrieb eingesetzt werden und unter Beweis stellen, welche Fähigkeiten er im Training in der Simulationsumgebung gelernt hat. Dazu erhält der Agent über eine Schnittstelle aus dem Dispositionssystem Echtzeitdaten zu den Fahrtanfragen und den Positionen der Shuttles und soll damit eine Entscheidung treffen, welches Shuttle zu welcher Haltestelle delegiert werden soll. Im Projektverlauf wird ein Shuttle zudem für die Beförderung mobilitätseingeschränkter Personen modifiziert, d. h. es wird mit zusätzlichen Komponenten ausgestattet, um die Fahrten auch barrierefrei anbieten zu können. Der eigenständige Entscheidungsprozess der KI ermöglicht eine optimale Verkehrsmittel-Disposition, zugeschnitten auf die mitunter besonderen Anforderungen jedes einzelnen Nutzers. Insbesondere eingeschränkte Personen und vulnerable Nutzergruppen stehen vor der Herausforderung, eigenständig mobil zu bleiben. Hierzu gibt es aber bezüglich der Nutzung von fahrerlosen Shuttles kaum wissenschaftlich ausgewertete Erkenntnisse. Daher sind auch die automatisierte Einsatzplanung und der optimierte Einsatz dieser Fahrzeuge mithilfe einer KI interessant. Die knappe Ressource an Fahrzeugen, die den Anforderungen bezüglich einer besseren Barrierefreiheit gerecht werden, könnte damit ideal zum Einsatz gebracht werden. Fazit zum KI-Einsatz - Mehrwert für Mobilitätsanbieter und Reisende? Für die Optimierung der On-Demand-Shuttles in Bad Birnbach wurde mit KI eine moderne Technologie gewählt, die dafür sorgen kann, Ressourcen einzusparen und neue Formen der Mobilität zu verbessern. Mit dem selbstlernenden Algorithmus soll sichergesellt werden, dass das Angebot flexibel und schnell auf verschiedene Bedarfe der Nutzer: innen reagieren kann. Die Optimierung durch KI bietet einerseits Vorteile für Nutzer: innen, indem durch eine Vorhersage der Fahrtanfragen bzw. eine Vorhersage der günstigsten Wartehaltestelle lange Wartezeiten vermieden werden. Gleichzeitig profitieren auch die Mobilitätsanbieter, indem Leerfahrten minimiert werden, die Flottengröße optimiert werden kann und Betriebskosten durch den verbesserten Einsatz der Shuttles gesenkt werden. Mit dem Einsatz der KI vor Ort in Bad Birnbach werden weitere Erkenntnisse erwartet, die es ermöglichen, an verschiedenen Stellschrauben zu drehen, um die KI zu verbessern und um die spätere reibungslose Funktionsfähigkeit zu gewährleisten. Vor allem die Predictive Demand-Funktion soll Verkehrsunternehmen bei der Kapazitätsplanung ihrer Fahrzeugflotten und ihres Personals unterstützen. Dafür sollen im Weiteren externe Daten, wie Wetterdaten und Echtzeitverkehrsdaten, angebunden werden. Mit der Weiterentwicklung der KI soll auch die schnelle Übertragbarkeit für Kommunen und ihre individuellen Anwendungsszenarien sowie für Verkehrsunternehmen garantiert werden. Forschungs- und Weiterentwicklungsbedarf der aktuellen KI besteht für nahtlose Reiseketten, um eine gemanagte Auslastung und Bedienqualität in einem attraktiven öffentlichen Angebot von Tür-zu-Tür zu ermöglichen und ein überregional verzahntes, effizientes ÖPNV- System mit Verknüpfung zum schienengebundenen Personennahverkehr zu ermöglichen. Des Weiteren muss es zukünftig möglich sein, die KI in der Disposition der Fahrzeuge im nachfragegesteuerten Verkehr HINTERGRUND Konsortialtreffen 2022 mit dem Projektträger VDI/ VDE Innovation + Technik GmbH Foto: Fraunhofer IML Das Konsortium Das Projektkonsortium besteht aus Forschungs-, Entwicklungs- und Anwendungspartnern. Es-werden im Verbund die Kompetenzen aus Mobilität & Personenverkehr, Softwareentwicklung und Forschung synergetisch gebündelt. •• Fraunhofer-Institut für Materialfluss und Logistik IML, Projektzentrum Verkehr, Mobilität und-Umwelt •• Q_PERIOR AG •• qdive GmbH •• DB Regio Bus •• FMS Future Mobility Solutions GmbH Internationales Verkehrswesen (75) 3 | 2023 55 Autonomes Fahren MOBILITÄT integrieren zu können und gleichzeitig einen Schichtwechsel der Operatoren zu festen Zeiten zu ermöglichen. Die Erprobung des Konzeptes erfolgt im Forschungsfeldbetrieb. Aus Sicht der Mobilitätsanbieter kann durch eine KI-getriebene Flotten- und Verkehrsplanung der gesamte ÖPNV profitieren. Wenn durch flexible Angebote, wie On-Demand-Mobilität, bestehende Angebote im ÖPNV zu einem integrierten Gesamtangebot ergänzt werden und dieses dann in den nächsten Jahren immer weiter automatisiert wird, werden selbstlernende Systeme notwendig sein, um effizient und nutzerorientiert zu sein. Ein komplexes und automatisiertes Mobilitätsangebot benötigt insbesondere im ländlichen Raum die Unterstützung durch KI-Technologie. Die anwendungsorientierte Forschung und nutzerzentrierte Entwicklung haben gezeigt, die Mobilität wird sich in den kommenden Jahren immer stärker dem individuellen Bedarf des Reisenden anpassen, z. B. durch neue Angebote basierend auf autonomen Fahrzeugen im öffentlichen Verkehr. Die Grundlage dieser Mobilitätsdienste sind Echtzeitdaten über den Verkehr, den Bedarf der Reisenden und die Verfügbarkeit von vernetzten Angeboten. Das sichere Verarbeiten und Analysieren dieser Daten in verteilten Systemen werden entscheidende Erfolgsfaktoren für die Personenmobilität von morgen sein. ■ LITERATUR [1] DB Regio AG: https: / / mobilitaetsmanagement.deutschebahn.com/ mobilitaetsmanagement/ Autonome-Mobilitaet (Abruf: 06.02.2023) i.V.m. www.dbregiobus-bayern.de/ angebot/ autonomes-Fahren/ autonomer-bus-HEAL (Abruf: 04.07.2023). [2] Markt Bad Birnbach: www.badbirnbach.de/ geschichten/ autonomer-kleinbus (Abruf: 07.02.2023). [3] Markt Bad Birnbach: www.badbirnbach.de/ heal (Abruf: 29.06.2023) i.V.m. DB Regio Bus Bayern GmbH: https: / / www.dbregiobus-bayern.de/ angebot/ autonomes-Fahren/ autonomer-bus-HEAL (Abruf: 04.07.2023). [4] Fraunhofer IML (2022): Gesamtvorhabensbeschreibung KI4autoBUS i.V.m. www.iml.fraunhofer.de/ de/ abteilungen/ b3/ Projektzentrum_Verkehrslogistik_Prien/ Referenzen/ kl4autobus.html (Abruf: 06.02.2023). [5] Wohin·Du·Willst: https: / / wohin-du-willst.de/ ueber-uns/ (Abruf: 07.02.2023). [6] Sutton, R. S.; Barto, A. G. (2018): Reinforcement learning: An introduction. MIT press. Leandra Rüpplein, M.Sc. Consultant for digital public transport solutions, Q_PERIOR AG, München leandra.ruepplein@q-perior.com Thomas Huber, Dr. Leiter Innovative Verkehrskonzepte, R.RS-BY-VV, DB Regio Bus, Ingolstadt thomas.ta.huber@deutschebahn.com Julian Wagner, Dr. rer. nat. Senior Data Scientist, qdive GmbH, München julian.wagner@qdive.io Nicole Wagner-Hanl, M.A. Konsortialleitung und wissenschaftliche Begleitung KI4auto- BUS, Projektleiterin Mobilität und Digitalisierung, Fraunhofer- Institut für Materialfluss und Logistik IML, Prien am Chiemsee nicole.wagner-hanl@iml.fraunhofer.de KONTAKT Messe Berlin GmbH Messedamm 22 · 14055 Berlin T +49 30 3038 3131 innotrans@messe-berlin.de THE FUTURE OF MOBILITY Anmeldeschluss für Aussteller: 22. September 2023 InternationalesVerkehrswesen_InnoTrans2024_102x297_de.indd 1 InternationalesVerkehrswesen_InnoTrans2024_102x297_de.indd 1 25.07.2023 08: 03: 43 25.07.2023 08: 03: 43