PASCAL - Proaktiver Smart Controller für Ampelanlagen

Der urbane Raum ist in besonderem Maße von Veränderungen in der Mobilität betroffen. Neue Mobilitätsangebote sowie verändertes privates und berufliches Mobilitätsverhalten führen zu neuen Herausforderungen bei der Bewältigung des stetig steigenden Verkehrsaufkommens. Laut aktueller Studie des europäischen Rechnungshofes ist der Straßenverkehr eine der Hauptursachen von Luftverschmutzung und Treibhausgasemissionen in städtischen Gebieten, wobei europaweit gesellschaftliche Kosten von rund 270 Milliarden Euro pro Jahr entstehen. Ein grundsätzlicher Lösungsansatz, das erhöhte Verkehrsaufkommen zu bewältigen, besteht in der Digitalisierung der Verkehrsinfrastruktur. Die erhobenen Daten der Verkehrsteilnehmer können folgend zur Analyse des Verkehrsflusses verwendet werden. Dadurch wird eine Verkehrsverflüssigung an Knotenpunkten erreichbar, was wiederum eine Reduzierung der CO₂-Emissionen bedeutet.
Ziel des Verbundvorhabens "PASCAL" ist es, KI-Verfahren für die proaktive Steuerung von Ampelanlagen zur urbanen Verkehrsoptimierung zu entwickeln und im urbanen V2X-Testfeld Magdeburg zur erproben. Das Testfeld wurde in Vorarbeit von Thorsis Technologies in Kooperation mit der Stadt Magdeburg aufgebaut und dient der Erfassung und Analyse von Verkehrsdaten in Echtzeit.
Um das gesteckte Ziel zu erreichen, setzt das Projektteam auf die Erforschung und Anwendung neuer KI-basierter Verfahren (Überwachtes Lernen, Bestärkendes Lernen, Graph-basiertes Lernen) für die Optimierung der Ampelschaltzyklen für den Verkehrsfluss. Das bestehende Testfeld stellt die Datenbasis für die Entwicklung des proaktiven Smart Controllers für Ampelanlagen dar. Neben den Verkehrsdaten des Testfelds sollen auch Verkehrsinformationen (z.B. Baustellen, Events, Stau oder Wetter) und Simulationsdaten (Verkehr, Kommunikation und Emission) verwendet werden. Die Simulationsdaten dienen einerseits der Verdichtung der Verkehrsdaten für das Training der KI-Modelle und andererseits der Bewertung von ermittelten Ampelschaltzyklen. Die Realisierung der Entwicklung erfolgt in einem Kooperationsprojekt in Zusammenarbeit mit der Otto-von-Guericke-Universität Magdeburg als Forschungseinrichtung, welche sich mit zwei Fachbereichen mit den Schwerpunkten Künstliche Intelligenz und einem digitalen Anwendungszentrum für Mobilität am Projekt beteiligt.
Das entwickelte System wird ins bestehende urbane V2X-Testfeld in Magdeburg integriert und umfassend erprobt. Die Evaluierung des Systems erfolgt zunächst anhand von Simulationsdaten. In späteren Projektphasen sollen Ampeln in Abstimmung mit Operatoren eines Verkehrsleitstandes entsprechend der Vorgabe der KI geschaltet werden. Der im Projekt entwickelte Prototyp soll Grundlage für einen flächendeckenden Einsatz für die urbane Verkehrsflussoptimierung sein und somit einen deutlichen Nutzen und Mehrwert für den Standort Deutschland entfalten (Reduktion von Treibhausgasemissionen, Erhöhung der Technologiekompetenz).

PASCAL - Proactive Smart Controller for Traffic Lights

Urban areas are particularly affected by changes in mobility. New mobility offers as well as changing private and professional mobility behavior lead to new challenges in coping with the constantly increasing traffic volume. According to a recent study by the European Court of Auditors, road traffic is one of the main causes of air pollution and greenhouse gas emissions in urban areas, with societal costs of around 270 billion euros per year across Europe. One fundamental approach to tackling the increased volume of traffic is to digitize the transport infrastructure. The data collected from road users can then be used to analyze traffic flow. This makes it possible to liquefy traffic at intersections, which in turn means a reduction in CO2 emissions.
The goal of the joint project "PASCAL” (Proactive Smart Controller for Traffic Lights) is to develop AI methods for the proactive control of traffic lights for urban traffic optimization and to test them in the urban V2X test field Magdeburg. The test field was set up in preliminary work by Thorsis Technologies in cooperation with the city of Magdeburg and is used to collect and analyze traffic data in real time.
To achieve the set goal, the project team relies on the research and application of new AI-based methods (supervised learning, reinforcement learning, graph-based learning) for the optimization of traffic light switching cycles for traffic flow. The existing test field provides the data basis for the development of the proactive smart controller for traffic lights. In addition to the traffic data of the test field, traffic information (e.g. road works, events, congestion or weather) and simulation data (traffic, communication and emission) will be used. On the one hand, the simulation data will be used to compress the traffic data for training the AI models and, on the other hand, to evaluate determined traffic light switching cycles. The development is being realized in a cooperative project in collaboration with Otto von Guericke University Magdeburg as a research institution, which is participating in the project with two departments focusing on artificial intelligence and a digital application center for mobility.
The developed system will be integrated into the existing urban V2X test field in Magdeburg and extensively tested. The system will initially be evaluated using simulation data. In later phases of the project, traffic lights are to be switched in coordination with operators of a traffic control center according to the specifications of the AI. The prototype developed in the project is to be the basis for widespread use for urban traffic flow optimization and thus develop a clear benefit and added value for Germany as a business location (reduction of greenhouse gas emissions, increase in technological competence).