Intelligente Elektroniksysteme für automatisierte Fahrzeuge und nachhaltige Mobilitätskonzepte - AI4CSM; Flottenrouting für Ridesharing: Virtual City Routing & Föderiertes Lernen für die Reichweitenvorhersage von elektrischen Fahrzeugen

Abstract

Elektrische Fahrzeuge (EV) sind derzeit in Europa noch wenig verbreitet, mit Ausnahme von Island und Skandinavien. Die Technologie entwickelt sich jedoch rasant und gilt als eine Schlüsseltechnologie, um die grüne europäische Wende voranzutreiben (European Green Deal). Dabei gilt es, die technologische Entwicklung auch auf gesellschaftlicher, regulatorisch-normativer und in Form von Geschäftsmodellen zu verankern. Die Entwicklung von EVs muss von adäquaten Optimierungsarchitekturen begleitet werden, die die zuvor beschriebenen Fragestellungen adressieren. Dabei muss ein Ziel sein, den Energieverbrauch von EVs durch Konzepte von Vernetzung, geteilter Mobilität und KI weiter zu senken. Im Jahr 2021 wurde das von der EU und nationalen Behörden geförderte Forschungsprojekt AI4CSM (Automotive Intelligence for Connected Shared Mobility) gestartet. Die OTH-AW bearbeitete dabei zwei Themengebiete. Zum einen wurde in der Supply Chain 1 im Rahmen des Demonstrators 1.3 „Virtual City Routing“ der Energieverbrauch von Fahrzeugflotten optimiert, die für den Personen-transport mittels Ridesharing eingesetzt werden. Für diesen Anwendungsfall wurde ein Digital Twin der Stadt Amberg entwickelt. Mit diesem wurden Algorithmen zum Fahrzeugrouting evaluiert und der Einfluss eines veränderten Mobility Splits analysiert. Der Digital Twin umfasst Mobilitätsdaten der Stadt Amberg, darunter Verkehrsmessungen verschiedener Verkehrsteilnehmer. Mithilfe eines statistischen Modells wurden Abholstationen in der Stadt platziert. Um Live-Verkehrsdaten einfließen zu lassen, wurden virtuelle Roadside Units eingesetzt, die den Verkehrsfluss in Echtzeit erfassen und eine dynamische Anpassung der Routen während der Simulation ermöglichen. Für die Erstellung von Flottenrouten wurden State-of-the-Art-Algorithmen auf Basis von Reinforcement Learning weiterentwickelt und an den Anwendungsfall des Ridesharings angepasst. Des Weiteren verfolgt der Beitrag in Supply Chain 2 im Rahmen des Demonstrators 2.2 das Ziel, einen Beitrag zur Reduktion des Energieverbrauchs von Einzelfahrzeugen zu leisten. Dies wird realisiert durch eine Reichweitenvorhersage von elektrischen Fahrzeugen in einer die Privatsphäre schützenden Weise. Konkret wird ein KI-Modell auf Basis von Testfahrten mit einem (noch) Nischenkonzept namens „Föderiertes Lernen“ trainiert. Dabei wird ein globales KI-Modell erstellt. Durch das Konzept des föderierten Lernens verbleiben die Trainingsdaten im Fahrzeug, werden also nicht mit einem zentralen Server geteilt. Die OTH-AW untersuchte Datenschutzaspekte im Kontext von föderiertem Lernen mit Hinblick auf den EU AI Act, entwickelte und implementierte einen Vorschlag, der den grünen Wandel und Datenschutz auf vielfältige Weise in einer Lösung verbindet und gegenseitig ergänzt. Dafür entwickelte die OTH-AW ein Konzept zur Aufnahme von Trainingsdaten und fuhr ca. 13.000 Km Testfahrten in Amberg, Sulzbach-Rosenberg und Regensburg ein. Dies geschah mit einem diversen Fahrerteam aus OTH-AW Mitarbeiterinnen und Mitarbeitern sowie einer Reihe von Studierenden. Daraufhin erfolgte die Analyse der Daten auf ihre statistischen Eigenschaften sowie die Bereinigung unvollständiger Datenaufzeichnungen. Auf Basis des Stands der Wissenschaft wurde ein KI-Konzept zum föderierten Lernen erarbeitet. Hierbei wurden insbesondere Aspekte des Datenschutzes von föderiertem Lernen untersucht und mit dem EU AI Act abgeglichen. Zusätzlich wurden ergänzende Datenschutzkonzepte untersucht und für das Projekt AI4CSM ein Konzept ausgearbeitet und implementiert. Die Implementierung erfolgte in einem Tischdemonstrator bestehend aus einem diversen Set von Trainingshardware und Tablets zur Visualisierung und Untersuchung des KI-Trainings. Das Gesamtkonsortium von AI4CSM war entlang der Wertschöpfungskette ausgerichtet. Es bestand aus insgesamt 41 Partnern aus 10 europäischen Ländern und umfasste führende Fahrzeug-hersteller/OEMs, Tier-1 Zulieferer, Halbleiterhersteller sowie weitere Partner der Wertschöpfungs-kette wie Technologie-Integratoren, Universitäten und Forschungseinrichtungen. Die im Projekt in allen Supply Chains erreichten Ergebnisse wurden beim Abschlussreview vom 11.02.2025 bis 13.02.2025 in Stuttgart demonstriert und erläutert. Die Projektziele wurden trotz Corona-Pandemie und einer weitgehend remote durchgeführten Integration der entwickelten Hardware- und Softwarekomponenten vollumfänglich erreicht.

The primary objective of the AI4CSM project was to drive forward the development of intelligent and networked mobility solutions that are characterised by improved data exchange, greater data security and new business models. OTH-AW was involved in two supply chains: SC1 and SC2. In SC1, OTH-AW has set itself the goal of improving algorithms for fleet routing through a digital twin. The demonstrator, which was created in collaboration with Virtual Vehicle and Vilnius Gediminas Technical University, is called ‘Virtual City Routing’. The basis for this demonstrator is a simulation model of a virtual city, which is supplemented by real traffic data in order to create as accurate an image of reality as possible. Various routing algorithms were developed on the basis of the digital twin using reinforcement learning. These were compared with classic algorithms and tested in order to improve the efficiency and flexibility of fleet routing. The algorithms developed aim to shorten journey times and reduce energy consumption. In addition, various forms of mobility were systematically analysed and compared with regard to different key performance indicators (KPIs), such as latency times for shared mobility or energy consumption, on the basis of the digital twin. The integration of a real autonomous vehicle, which demonstrates exemplary use cases of a taxi service such as drop-off, clearly underlines the practicality of the developed system. In SC 2 the OTH-AW part was to develop an implementation for predicting the range of electric vehicles (EVs) and to test and demonstrate it using a tabletop demonstrator. By simultaneously considering the European Green Deal, data protection aspects of the EU AI Act, and economic interests, a concept was developed and implemented. The developed concept employs a data-driven AI approach that ensures data protection through a data-minimalist strategy and a minimal global model. By comparing this global model with a local, equally minimal model, drivers can be informed ad hoc via notifications when their energy consumption increases, encouraging more energy-efficient driving behavior. This approach allows changes in driving behavior that lead to higher energy consumption - such as after a traffic jam - to be addressed. Since all drivers are compared to the global model, the interaction with drivers is expected to shift the global model toward more energy-efficient driving behavior. In addition to technological requirements, AI4CSM also addressed the regulatory and legal frameworks necessary for such a range prediction system. The AI4CSM consortium consisted of a total of 41 partners from 10 European countries, including leading vehicle manufacturers (OEMs), Tier-1 suppliers, semiconductor manufacturers, and other stakeholders in the value chain, such as technology integrators, universities, and research institutions. To support this, OTH-AW developed a concept for collecting training data and conducted approximately 13,000 km of test drives in Amberg, Sulzbach, and Regensburg. The test drives were carried out by a diverse team of OTH-AW employees and students. Following data collection, the statistical properties of the data were analyzed, and incomplete data records were cleaned. Based on the state of the art, an AI concept for federated learning was developed, with a particular focus on data protection aspects, which were aligned with the EU AI Act. Additionally, supplementary data protection concepts were explored, and a comprehensive approach for the AI4CSM project was developed and implemented. The implementation was realized in a tabletop demonstrator consisting of a diverse set of training hardware and tablets for visualizing and analyzing AI training. The knowledge gained by OTH-AW in AI4CSM will not only be incorporated into teaching at the university but will also contribute to further research projects, thereby expanding and deepening the acquired expertise. Several follow-up projects were successfully secured during the AI4CSM project phase. The combination of federated learning, data protection, and the European Green Deal, as addressed by OTH-AW in AI4CSM, remains highly relevant. OTH-AW sees enormous potential for further scientific research in this field. For more information: https://ai4csm.eu/