Umgebungsdarstellungen der Bahninfrastruktur für auf Reinforcement Learning basierende Verkehrssteuerung

Das Problem der Echtzeit-Neuplanung im Bahnbetrieb ist eine entscheidende Herausforderung für menschliche Betreiber, da viele Faktoren bei der Entscheidungsfindung berücksichtigt werden müssen, von den Positionen und Geschwindigkeiten der Fahrzeuge bis zu den unterschiedlichen Vorschriften der einzelnen Eisenbahnunternehmen. Daher kann von menschlichen Betreibern nicht erwartet werden, dass sie in einer bestimmten Situation optimale Entscheidungen treffen. Basierend auf den jüngsten Erfolgen des Multi-Agenten Deep Reinforcement Learning in schwierigen Steuerungsproblemen scheint es eine geeignete Wahl für einen solchen Bereich zu sein. Folglich schlägt dieses Papier einen Ansatz basierend auf Multi-Agenten Deep Reinforcement Learning mit verschiedenen Zustandrepräsentationswahlmöglichkeiten vor, um das Problem der Echtzeit-Neuplanung im Bahnbetrieb zu lösen. Darüber hinaus übertreffen die vorgeschlagenen lernbasierten Ansätze im Vergleich zu verschiedenen Methoden ihre Wettbewerber, wie den Monte-Carlo-Baum-Suchalgorithmus, der als modellbasierter Planer genutzt wird, sowie auch andere lernbasierte Methoden, die verschiedene Abstraktionen verwenden. Die Ergebnisse zeigen, dass die vorgeschlagene Darstellung ein höheres Generalisierungspotenzial hat und eine überlegene Leistung bietet.