Kann KI stadtweite Ampeln steuern, um den Verkehrsstau oder Wartezeiten zu reduzieren ?

Was bedeutet es, KI die Zügel bei den Ampeln einer Stadt übernehmen zu lassen? Im Kern geht es darum, Algorithmen zu nutzen, um Signalzeiten ständig in Echtzeit anzupassen, um den Verkehrsfluss zu glätten und Wartezeiten an Kreuzungen zu verkürzen. Die Verheißung ist eine leisere Stadt, weniger Staus und schnellere Routen. Aber wie weit ist diese Idee tatsächlich vom Labor auf die Straße gelangt?

Background

KI-gesteuerte Ampelsteuerungssysteme sind von Pilotversuchen zu vollständigen Einsätzen in mehreren Großstädten übergegangen. Diese Einsätze basieren auf Live-Feeds von Kameras an Kreuzungen, in Fahrbahnen eingebetteten Induktionsschleifensensoren und von vernetzten Fahrzeugen hochgeladenen Daten, um aktuelle und bevorstehende Verkehrsbedingungen abzuleiten (Nature, 2023). Maschinenlernmodelle – oft trainiert auf historischen Signalprotokollen und Unfallberichten – sagen die kurzfristige Nachfrage vorher; Verstärkungslern-Agenten übersetzen diese Vorhersagen dann in Ampelphasenentscheidungen, die kumulative Fahrzeugverzögerungen und Warteschlangenlängen minimieren.

Die ersten akademischen Arbeiten reichen bis in die späten 2000er Jahre zurück, als Forscher der Carnegie Mellon University und der University of Texas adaptive Verkehrsregler demonstrierten, die während der Stoßzeiten um 15–20 % besser abschnitten als festgelegte Zeitpläne. Mitte der 2010er Jahre liefen Systeme wie SCOOT (Split, Cycle and Offset Optimization Technique) und SCATS (Sydney Coordinated Adaptive Traffic System) bereits seit Jahrzehnten, doch ihre geschlossenen Optimierungen waren typischerweise heuristisch statt lernbasiert. Die Einführung des Pittsburgher „SURTRAC“-Systems im Jahr 2016 markierte die erste großflächige Verstärkungslern-Einsatz: Edge-Geräte an einzelnen Kreuzungen lernten lokale Richtlinien, die später von einem zentralen Planer koordiniert wurden und die Reisezeiten auf wichtigen Hauptstraßen in Feldtests um etwa 25 % verkürzten.

Anschließende Einsätze erweiterten sowohl den Umfang als auch die Technik. In Hangzhou, China, verarbeitet eine KI-Engine namens „City Brain“ Feeds von 5.000 Kameras und passt 12.000 Ampeln in der gesamten Stadt an, was zu einer berichteten Reduzierung der durchschnittlichen Reisezeit um 10 % führt. Singapores adaptives System Green Link Determining (GLIDE), das 2019 eingeführt wurde, nutzt Fahrzeugwiedererkennung und Schätzungen der Warteschlangenlänge, um die Grünzeitverteilung in Echtzeit anzupassen, was zu einer Verringerung der Verzögerungen während der Stoßzeit um 12 % führt. In den Vereinigten Staaten hat die Federal Highway Administration mit der Initiative „AI for Traffic Management“ adaptive Algorithmen in Austin, Pittsburgh und Los Angeles eingeführt, wo erste Ergebnisse zeigen, dass sich die Warteschlangenlängen auf instrumentierten Strecken um 18–22 % verkürzen.

Neben der Reduzierung von Verzögerungen zielen diese Systeme darauf ab, Emissionen durch die Verringerung von Stop-and-Go-Zyklen zu senken. Eine 2021 im Transportation Research Part D veröffentlichte Simulationsstudie schätzte, dass eine stadtweite adaptive Steuerung die CO₂-Emissionen um etwa 5 % und NOₓ um 7 % in einem mittelgroßen metropolitanen Netzwerk senken könnte. Die Vorrangschaltung für Einsatzfahrzeuge – erstmals 2018 in Kansas City erprobt – verbessert zudem die Sicherheitskennzahlen, indem sie Einsatzfahrzeugen Vorrang einräumt und gleichzeitig die Grünphasen für gegenläufige Verkehrsströme erhält.

Dennoch bleiben offene Herausforderungen bestehen. Datenqualitätsprobleme – fehlende Sensordaten, Kameraabdeckungen und böswillige Manipulationen – können die Modellleistung beeinträchtigen. Richtlinien auf Kreuzungsebene müssen über Stadtteile hinweg harmonisiert werden, um eine Wanderung von Staus zu vermeiden; gemeinsames Lernen mit vernetzten Fahrzeugen verspricht dies zu mildern, indem es reichhaltigere Informationen über die Nachfrage upstream liefert. Datenschutz- und Cybersicherheitsbedenken haben Städte dazu veranlasst, föderierte Lernarchitekturen einzuführen, bei denen Rohvideos die lokalen Edge-Knoten nie verlassen. Wirtschaftliche Hürden, insbesondere in einkommensschwachen Gemeinden, bestehen fort: Hardware-Nachrüstungen können pro Ampel mehr als 2.500 US-Dollar kosten, obwohl cloudbasierte Controller-as-a-Service-Modelle beginnend die Einstiegskosten senken.