BE1030565B1 - Computerprogramm und Verfahren zur dynamischen Routenoptimierung unter Nutzung multipler Künstlicher Intelligenz - Google Patents

Abstract

Die vorliegende Erfindung bezieht sich auf ein Computerprogramm und ein Verfahren zum Finden einer Route für einen Verkehrsteilnehmer in einem Verkehrssystem, insbesondere einer möglichst schnellen Route mit kurzer Traversionszeitdauer, insbesondere kurzer Fahrtzeitdauer, für den Verkehrsteilnehmer durch das Verkehrssystem, von einem Startpunkt im System zu einem Zielpunkt im System mit Verkehrsteilnehmern unter Nutzung von Big Data, umfassend ein Berechnen einer Momentan-Idealgeschwindigkeit als Geschwindigkeitsempfehlung für ein Abfahren der Route, insbesondere auf Basis von einer momentanen und/oder zu erwartenden Ampelschaltung an einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, sowie einer Dichte, Richtung und Geschwindigkeit, insbesondere richtungsbezogener Dichte und Geschwindigkeitsverteilung, von Verkehrsteilnehmern in den Seitenstraßen der Route, insbesondere den noch nicht passierten Seitenstraßen in Fahrtrichtung bis zu einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, auf Basis der Echtzeitdaten. Ferner ist ein Revidieren der Geschwindigkeitsempfehlung und erneutes Prüfen des Routenvorschlages bei Eintritt einer Revisionsbedingung vorgesehen.

Description

RE oge] SYAL 1 BE2022/5412

Computerprogramm und Verfahren zur dynamischen Routenoptimierung unter

Nutzung multipler Künstlicher Intelligenz - Patentanmeldung -

Gebiet der Erfindung

Die vorliegende Erfindung bezieht sich auf das technische Gebiet der Routen- und

Wegoptimierung, mit zahlreichen verschiedenen Einsatzgebieten, beispielsweise bei

Navigationssystemen für Fahrzeuge, autonomem Fahren, semiautonomem Fahren,

Fahrerassistenzsystemen, Dronenflug oder Lieferrobotern. Insbesondere auch in heterogenen Logistik- und Verkehrssystemen kann die Erfindung zum Einsatz gebracht werden. an

2 BE2022/5412

Technischer Hintergrund

Das Auffinden einer optimalen Route ist ein sehr altes und dabei immer noch topmodernes

Problem. Schon seit den 1930er Jahren beschäftigten sich zahlreiche Wissenschaftler mit dem sogenannten „Problem des Handlungsreisenden“, wobei eine Route mit n

Zwischenstops in Bezug auf ihre Wegstrecke zu optimieren war. Das Verhalten anderer

Verkehrsteilnehmer war in solchen Berechnungen und Erwägungen regelmäßig zu vernachlässigen. Auch waren Verkehrsregeln wie Maximalgeschwindigkeiten zu vernachlässigen. Bereits der Faktor Zeit spielte im Vergleich mit dem Faktor Wegstrecke eine untergeordnete Rolle.

In zahlreichen Fahrzeugen werden heutzutage Navigationssysteme eingesetzt.

Ein häufiges Problem eines zeitgenössischen Verkehrsteilnehmers besteht nämlich darin, dass er möglichst schnell von einem Ausgangspunkt (Startpunkt) zu einem Zielpunkt im

Verkehrssystem gelangen möchte.

In diesen Systemen gibt es Probleme, dass sich mehrere Teilnehmer gegenseitig blockieren. So entstehen beispielsweise Staus aus Kraftfahrzeugen.

Modeme Karten- und Navigationssysteme, z.B. das proprietäre „Maps“ des Unternehmens

Google/Alphabet Inc., versuchen durch verschiedenste Mechanismen Abhilfe zu schaffen.

Beispielsweise werden aktuelle Verkehrsinformationen berücksichtigt, wie beispielsweise ein

Auftreten von Unfällen, Baustellen oder Staus. Beispielsweise kann auch bei einem Auftritt eines Staus einem Verkehrsteilnehmer eine alternative Route zu einem möglichen Umfahren des Hindernisses vorgeschlagen werden.

Ein häufiges Problem dabei ist jedoch, dass beispielsweise eine gewisse oder ungewisse

Zeit später auf der Umleitungsroute ein Stau entsteht, da viele Fahrzeuge umgeleitet werden

Ee u

3 BE2022/5412 und das Gesamtproblem des Verkehrssystems nicht dynamisch genug angegangen wird.

Auch ist die Betrachtungsweise nicht holistisch, d.h. ganzheitlich, genug.

Vor allem das gegenseitige Blockieren von Verkehrsteilnehmern eines gleichen und/oder eines anderen Typs ist ein zentrales Problem zeitgenössischer Verkehrstechnik mit vielen

Teilnehmern.

Die vorliegende Erfindung, welche im Nachfolgenden vorgestellt wird, soll Abhilfe schaffen und ein generell anwendbares, effizientes System schaffen, mit welchem bestgeeignete

Routen zur Systemquerung zwischen Start- und Zielpunkt dynamisch erschaffen werden können sowie dynamische Anpassungen erlaubt werden.

Die Erfindung soll ubiquitär und feldübergreifend anwendbar sein, dabei leicht skalierbar und leicht zugänglich zu machen sein, auch beispielsweise in der Vielzahl bereits existenter

Fahrzeuge, sodass jedermann hiervon profitieren kann.

Die Nachteile des Standes der Technik werden überwunden durch das Verfahren nach

Anspruch 1 zum Finden einer Route durch das Verkehrssystem für einen

Verkehrsteilnehmer in ebendiesem, sowie die unabhängigen Ansprüche der übrigen

Anspruchskategorien.

Die Erfindung trägt damit erheblich zum technischen Fortschritt in der dynamischen

Routenoptimierung mittels Künstlicher Intelligenz bei. a | Ee Ee Ee

4 BE2022/5412

Beschreibung der Erfindung

Die vorliegende Erfindung schafft ein Computerprogramm mit den Merkmalen des

Anspruchs 1.

Weitere vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.

DemgemäB ist ein Verfahren zum Finden einer Route für einen Verkehrsteilnehmer in einem

Verkehrssystem, insbesondere einer möglichst schnellen Route mit kurzer

Traversionszeitdauer, insbesondere kurzer Fahrtzeitdauer, für den Verkehrsteilnehmer durch das Verkehrssystem, von einem Startpunkt im System zu einem Zielpunkt im System mit Verkehrsteilnehmern unter Nutzung von Big Data, vorgesehen, welche die folgenden

Schritte umfasst: Bereitstellen von Echtzeitdaten in Bezug auf andere Verkehrsteilnehmer, welche sich im Verkehrssystem befinden, insbesondere Positions- und

Geschwindigkeitsdaten, insbesondere Daten aus terrestrischer, lokal verteilter Sensorik,

Bereitstellen von historischen Daten zu von Verkehrsteilnehmern im Verkehrssystem in der

Vergangenheit zurückgelegten Routen samt diesen zugeordneten Erfolgsfaktoren, welche einen Vergleich der tatsächlichen zurückgelegten Routen mit einer jeweiligen ursprünglichen

Vorhersage quantifizieren und unter Anwendung eines zweiten Verfahrens der Künstlichen

Intelligenz erzeugt wurden, Bereitstellen mehrerer Routenvorschläge als Vorauswahl für eine Route zwischen dem Start- und Zielpunkt für den Verkehrsteilnehmer und Bewerten dieser Routenvorschläge durch ein erstes Verfahren einer Künstlichen Intelligenz auf Basis der Echtzeitdaten sowie der historischen Daten samt Erfolgsfaktoren, wobei eine zeitliche

Entwicklung der Verkehrsteilnehmer im Routenverlauf mindestens teilweise simuliert wird,

Auswählen der bestbewerteten Route, Berechnen einer Momentan-ldealgeschwindigkeit als — Geschwindigkeitsempfehlung für ein Abfahren der Route, insbesondere auf Basis von einer ee momentanen und/oder zu erwartenden Ampelschaltung an einem kommenden

Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, sowie einer Dichte,

Richtung und Geschwindigkeit, insbesondere richtungsbezogener Dichte und

Geschwindigkeitsverteilung, von Verkehrsteilnehmem in den Seitenstraßen der Route, 5 insbesondere den noch nicht passierten SeitenstraBen in Fahrtrichtung bis zu einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, auf Basis der

Echtzeitdaten, Revidieren der Geschwindigkeitsempfehlung und erneutes Prüfen des

Routenvorschlages bei Eintritt einer Revisionsbedingung.

In einem Schritt werden Echtzeitdaten in Bezug auf andere Verkehrsteilnehmer, welche sich im Verkehrssystem befinden, insbesondere Positions- und Geschwindigkeitsdaten, bereitgestellt. Beispielsweise handelt es sich um Fahrzeugpositionen oder

Geschwindigkeiten. Die Echtzeitdaten können aber beispielsweise auch

Umgebungsfaktoren umfassen, beispielsweise Vorhandensein und Ausmaße einer

Baustelle. Wetterdaten können ein weiteres Beispiel sein.

Die Daten werden insbesondere durch terrestrische, lokal verteilte Sensorik erfasst. Dieses

System kann an allen Aufstellorten stets die aktuellsten und präzisesten Daten liefern. Es kommen aber auch andere Varianten als Ausführungsform in Betracht, beispielsweise fliegende Sensorik an Flugobjekten, wie beispielsweise Flugdronen.

Zudem werden historische Daten bereitgestellt. Die historischen Daten können beispielsweise Echtzeitdaten aus der Vergangenheit umfassen oder hiervon abgeleitete

Daten. Insbesondere können die historischen Daten jedoch Daten zu von bereits von

Verkehrsteilnehmern in der Vergangen zurückgelegten Routen umfassen. Hierbei können

Erfolgsfaktoren umfasst sein, welche von einer KI (der zweiten KI) vergeben werden. Die zweite KI kann sich als Teil eines Regelkreises/Steuerkreises bzw. selbstregelnden

6 BE2022/5412

Feedback-Loops zeigen, wie an späterer Stelle genauer beschrieben werden wird.

Erfolgsfaktoren quantifizieren beispielsweise, inwieweit eine Routenvorhersage mit einem tatsächlichen Zeitverlauf einer zurückgelegten Route übereinstimmt. Ein nichtlimitierendes

Beispiel für einen Erfolgsfaktor ist ein Gewicht in Form einer Gleitkommazahl zwischen 0 und 1, wobei 1 die exakte Übereinstimmung mit der Vorhersage quantifiziert. Dieses Modell kann jedoch erweitert werden, sodass Erfolgsfaktoren größer als 1 möglich sind, beispielsweise wenn eine Route tatsächlich noch schneller und effizienter zurückgelegt wurde als vorhergesagt.

Es sind auch kompliziertere Datenstrukturen als Erfolgsfaktoren einsetzbar.

Zunächst werden sodann mehrere Routenvorschläge bereitgestellt. Dies kann eine

Vorauswahl sein. Beispielsweise werden solche Vorschläge durch bekannte Methoden erzeugt. Es kann auch auf externe, bereits verfügbare Systeme zurückgegriffen werden (beispielsweise bekannte Maps-Dienste, z.B. auch Google Maps, vorhandene

Navigationssysteme, oder ähnliches). Eine zeitliche Entwicklung/Vorhersage wird durchgeführt. Durch die erste KI, welche ebenfalls einen Teil des

Regelkreises/Steuerkreises darstellt, werden die Routenvorschläge bewertet, um einen besten Vorschlag (z.B. höchste Bewertung) auszuwählen.

Es wird eine Geschwindigkeitsempfehlung in Form einer Momentan-Idealgeschwindigkeit bereitgestellt. Mit einer solchen Geschwindigkeitsempfehlung kann unterschiedlich verfahren werden: Beispielsweise wird beim autonomen Fahren versucht, das Fahrzeug möglichst auf

Grundlage dieser Geschwindigkeit fahren zu lassen. Bei einem Navigationssystem würde die Geschwindigkeitsempfehlung einem Fahrer angezeigt. Es kann auch beispielsweise ein

Geschwindigkeitsregelanlage (z.B. Tempomat) angesteuert werden.

Die folgenden Faktoren werden bei der Berechnung der Momentan-Idealgeschwindigkeit in besonderer Weise berücksichtigt: a Se

7 BE2022/5412 a) eine momentan und/oder zu erwartende Ampelschaltung an einem kommenden

Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung. Verkehrszeichenanlagen wie Ampeln werden häufig in wiederkehrenden, jedoch flexibel an Umstände angepassten

Rhythmen geschaltet. Verschiedene Techniken für die Berücksichtigung kommen zum

Einsatz. Beispielsweise werden die Daten, nach denen die Ampel geschaltet wird, angezapft und genutzt (abstrakte Regel-Daten). Alternativ werden momentane Daten der

Ampelschaltung, beispielsweise durch die Ampelschaltung bereitgestellt (Momentandaten bspw. rot/gelb/grün) und/oder es wird eine (momentan verbleibende) Zeit bis zu einem nächsten Schaltvorgang bereitgestellt. Ferner kann die Ampelschaltung auch extern durch

Sensorik überwacht werden. Hierdurch werden die momentanen Ampelschaltungen zugänglich. Es können aber auch die Regeln der Ampelschaltung aus dem Schaltverhalten der Ampel über eine bestimmte Zeit hinweg abgeleitet werden. Beispielsweise wird hierzu eine (insbesondere dritte) KI zum Einsatz gebracht.

Kombinationen dieser Möglichkeiten sind möglich und erhöhen die Datenkonsistenz.

Eine Ampel bzw. Verkehrszeichenanlage oder Verkehrsregelanlage ist jede dynamische

Regelung eines Verkehrsflusses an einem Verkehrsknotenpunkt. Eine farbliche Darstellung, wie man sie aus dem Straßenverkehr kennt, ist lediglich ein Beispiel.

Durch die Berücksichtigung dieser Daten bei der Geschwindigkeitsempfehlung wird das

Fahrzeug — um es einmal sehr lax auszudrücken — mit technischen Mitteln zu einem „vorausschauenden Fahren“ angehalten — in einer derart vorausschauenden Form, wie es der vorausschauendste Autofahrer niemals, mangels Informationen, selbst leisten könnte.

Ein positiver Effekt auf die Verkehrs-Gesamtdynamik konnte bereits in Simulationen nachgewiesen werden, wenn bereits ein Anteil von ca. 8 — 10 % der Verkehrsteilnehmer auf diesen Aspekt des erfindungsgemäßen Verfahrens zurückgreift.

Ein weiterer zu berücksichtigenden Faktor ist der Folgende: ee

8 BE2022/5412 b) eine Dichte, Richtung und Geschwindigkeit, insbesondere richtungsbezogene Dichte und

Geschwindigkeitsverteilung, von Verkehrsteilnehmem in den SeitenstraBen entlang der

Route, insbesondere den noch nicht passierten SeitenstraBen in Fahrtrichtung bis zu einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, auf Basis der

Echtzeitdaten.

Sämtliche Echtzeitdaten permanent zu berücksichtigen ist zu rechenintensiv und daher quasi unmöglich. Die Erfindung muss daher eine geeignete Auswahl treffen. Die erfindungsgemäße Variante, Faktor b), hat sich als besonders geeignet erwiesen, und lässt sich mit zeitgenössischen Rechenressourcen, insbesondere auch on-the-fly, durchführen. In einer unserer Ausführungsformen kommen dabei Tupel aus Fahrzeuggeschwindigkeiten und

StraBenseite/Fahrtrichtung zum Einsatz.

Es konnte in Simulationen gezeigt werden, dass die simultane Berücksichtigung der Aspekte a) und b) sich besser auf die Gesamtdynamik des Verkehrs auswirkt als eine reine additive

Summierung der Effekte vermuten lassen würde. Synergieeffekte aus den Faktoren a) und b) müssen daher präsent sein, da ein erfindungsgemäBer Effekt[,a) und b)“] die Summe der einzelnen Effekte, Effekt[,a)"] + Effekt[„b)“], übersteigt.

Haben beispielsweise 10% der Verkehrsteilnehmer den Faktor a) berücksichtigt, und 10 weitere % den Faktor b) berücksichtigt (übrige 80% herkömmliches Verhalten), wobei die beiden Mengen der Verkehrsteilnehmer jedoch bewusst disjunkt gewählt sind, wird bereits eine in der Simulation messbare Verbesserung bemerkt (Szenario A). Dieses Ergebnis ist jedoch schlechter als das, was eintritt, wenn die 10% zusammenfallen. Berücksichtigen 10% der Verkehrsteilnehmer die Faktoren a) sowie b} (übrige 90% herkömmliches Verfahren) (Szenario B) ist das Ergebnis der Verkehrsgesamtdynamik besser als im Szenario A. Im

Wesentlichen bedeutet das, dass der durchschnittliche Verkehrsteilnehmer so schneller zum

Ziel kommt, was Zeit und Ressourcen spart und geeignet ist, zum Umweltschutz einen kleinen Beitrag zu leisten, der sich jedoch bei einem großflächigen Einsatz der Erfindung

9 BE2022/5412 sicherlich „läppert". In numerischer Hinsicht kleinste Verbesserungen haben schließlich enorme Reichweite, wenn sie entsprechend skalieren.

Im Bereich von ca. 65 - 80% der Verkehrsteilnehmer, welche Effekt[,a)"] + Effekt[,b)"] erfindungsgemäß nutzen und sich unter dem Versuch, nach der

Geschwindigkeitsempfehlung (autonom, semiautonom oder manuell) zu fahren, verhalten, tritt eine Art langsamer Sättigungseffekt auf die Verkehrsdynamik ein. Es ist also insbesondere nicht erforderlich, dass ausnahmslos alle Verkehrsteilnehmer die Erfindung nutzen, um die vorteilhaften Effekte zu erzielen. Insbesondere ist eine geringe Restmenge herkömmlicher Verkehrsteilnehmer und Hindernisse den vorteilhaften Effekten nicht abträglich.

Diese „Autonomie“ ist eine besondere Leistung der Erfindung, durch welche sie sich insbesondere von herkömmlichen Verfahren auf Koordinationsbasis abzugrenzen vermag.

Bei Eintritt einer Revisionsbedingung wird die Geschwindigkeitsempfehlung revidiert und auch die bestbewertete Route wird erneut unter Berücksichtigung weiterer

Routenvorschläge überprüft.

Revisionsbedingungen können unterschiedlichster Natur sein. Insbesondere in den ; verschiedenen Anwendungsfeldern können die unterschiedlichsten Revisionsbedingungen im Rahmen der Erfindung implementiert werden.

Eine beispielhafte Revisionsbedingung ist das Überfahren einer Kreuzung oder eines

Verkehrsknotenpunktes.

Die abhängigen Ansprüche schaffen einige, unterschiedliche Revisionsbedingungen, welche sich als besonders geeignet gezeigt haben. Es wird daher auf die Diskussion an entsprechender Stelle verwiesen.

EEE

10 BE2022/5412

Gemäß einer Weiterbildung wird mindestens ein anderer Verkehrsteilnehmer, durch

Echtzeitdaten und/oder historische Daten, berücksichtigt, dessen eigener Start- und

Zielpunkt für die Zwecke des Verfahrens zum Finden einer Route unbekannt ist.

Dieses Merkmal kann als zulässiges „Disclaimer“-Merkmal aufgefasst werden. Sind nämlich in einem theoretischen System die Start- und Zielpunkte aller Teilnehmer bekannt, so ergeben sich weitere Möglichkeiten, diese Informationen gezielt auszuwerten und zu nutzen.

Ein enormer Vorteil der vorliegenden Erfindung besteht jedoch darin, auf diese — in der

Praxis seltener gegebene — Informationslage nicht angewiesen zu sein, und dennoch

Ergebnisse mit hervorragendem asymptotischem Verhalten zu liefern.

Die Erfindung leistet eine Art „effektive Gruppenintelligenz“ auf Basis der Kombination von operativen Einzelintelligenzen.

Gemäß einer Weiterbildung wird mindestens ein anderer Verkehrsteilnehmer bei dem

Finden der Route berücksichtigt, dessen eigener Start- und Zielpunkt für die Zwecke des

Verfahrens zum Finden einer Route zudem bekannt ist, und ferner kommt ein spieltheoretisches Verfahren zum Einsatz, um Routenvorschläge und/oder Routenrevisionen zu erzeugen, welche ein synergistisches aufeinander abgestimmtes Verhalten der

Verkehrsteilnehmer ermöglichen.

Sind jedoch also, beispielsweise für eine Teilzahl, an Verkehrsteilnehmern solche Daten, insbesondere Start- und gewünschter Zielpunkt, bekannt, so kann die Anwendung eines — spieltheoretischen Verfahrens auf diese Subgruppe der Verkehrsteilnehmer weitere

Verbesserung generieren. Der Fachmann kennt geeignete kooperative als auch nicht- kooperative Modelle. Kooperative Modelle sind für die Mehrzahl der

Anwendungen/Verwendungen der Erfindung besonders geeignet, da in einer Vielzahl der

Anwendungsfälle entweder jemand ein logistisches Gesamtsystem betreibt (d.h. in der

Regel eine einzige Partei, zum Beispiel in der Lagerhauslogistik) oder es, wie im — | Ee

11 BE2022/5412

Straßenverkehr, ohnehin auf eine gewisse Rücksichtnahme ankommt. Auch nicht- kooperative Modelle können zum Einsatz kommen, insbesondere dann, wenn die eingesetzten Modelle kraft sogenanntem Self-enforcement kooperative

Verhaltensergebnisse liefern. Das Verhalten ist im Ergebnis bestimmt durch eine „erweiterte

S Gruppenintelligenz“, welche zusätzlich zum am Individuum orientierten Grundgerüst koordinierte Verhaltensweisen gezielt einbringt.

Gemäß einer Weiterbildung tritt eine Revisionsbedingung ein, wenn die tatsächliche

Geschwindigkeit eines Fahrzeuges über ein bestimmtes Zeitintervall, insbesondere zusammenhängendes Zeitintervall, von der Geschwindigkeitsempfehlung mit mindestens einer bestimmten Geschwindigkeitsdifferenz, insbesondere einer absoluten und/oder relativen Geschwindigkeitsdifferenz, abweicht.

Da die Nichtbefolgung der Geschwindigkeitsempfehlung in zu hohem Ausmaß dazu führt, dass sowohl die eigene Route nicht mehr gemäß Vorhersage abgefahren werden kann, als auch ein negativer Einfluss auf die übrigen Verkehrsteilnehmer und ggf. ihre Routen entsteht, führt die Revision unter dieser Revisionsbedingung zu einer Verbesserung der

Gesamtdynamik eines Verkehrssystems. Dabei kann es sein, dass von der

Geschwindigkeitsempfehlung durch einen manuellen Fahrer auf Grund einer bewussten

Entscheidung abgewichen wurde. Es kann aber auch im Rahmen von autonomem oder semi-autonomem Fahren auftreten.

Gemäß einer Weiterbildung werden Daten zu Ampelschaltungen im Verkehrssystem berücksichtigt, insbesondere: Echtzeitdaten zu Ampelschaltungen, welche unmittelbar von einer Ampelsteuerung zur Verfügung gestellt werden, und/oder Echtzeitdaten zu

Ampelschaltungen, welche von geeigneter Sensorik aufgenommen werden und/oder

12 BE2022/5412 historische Daten, insbesondere auch statistische Daten, zu Dauer und Frequenz bestimmter Phasen einer Ampelschaltung.

Die Berücksichtigung dieser Daten ermöglicht ein hervorragendes Anpassen des Verhaltens an die Ampelschaltungen (oder allgemeine „Verkehrszeichenanlagen“). Durch das abgestimmte Verhalten wird die Verkehrsdynamik verbessert. Es bestehen synergistische

Effekte mit den (übrigen) Echtzeitdaten, bspw. aus terrestrischer Sensorik. Das simultane

Anzapfen des Ampelschaltverhaltens und die Nutzung terrestrischer Sensorik für

Echtzeitdaten zu Verkehrsteilnehmern führt dazu, dass die Vorhersagen/Bewertungen der

Künstlichen Intelligenzen weiter verbessert werden.

GemäB einer Weiterbildung umfasst das Verfahren ferner einen Schritt eines Versendens einer Anfrage, eine Ampel gemäß der Anfrage umzuschalten, insbesondere Umschalten auf

Grün.

Wenngieich dies derzeit noch nicht der gängigen Realität jedenfalls in

StraBenverkehrssystemen — d.h. der StVO - entspricht, so haben die Simulationen gezeigt, dass ein weiterer, wenngleich kleiner, Beitrag zur Verkehrsdynamik durch Erlauben dieser

Option erreicht werden kann.

Dies ist insbesondere an weniger stark frequentierten Kreuzungen/Verkehrszeichenanlagen der Fall. Daher bietet sich insbesondere eine Klassifikation in zwei Gruppen an: Ampeln, welche von Teilnehmern geschaltet werden dürfen, sowie Ampeln, die nicht geschaltet werden können. Alternativ können letztere Ampeln nur geschaltet werden, wenn die

Kreuzung ausnahmsweise schlecht besucht ist, was beispielsweise am frühen Nachmittag oder nachts der Fall sein kann. a.

13 BE2022/5412

Gemäß einer Weiterbildung erfolgt der Schritt des Versendens der Anfrage in Reaktion auf den Eintritt einer Revisionsbedingung. Dies verbessert die Dynamik. Eine ursprünglich an vorhandenes Schaltverhalten der Verkehrszeichenanlagen durch Künstliche Intelligenz angepasste Route, soll revidiert, oder jedenfalls erneut geprüft, werden, wenn eine

Revisionsbedingung eintritt. Dabei ist häufig gegeben, dass das Schaltverhalten der Ampeln, insbesondere der nächsten Ampel, nicht mehr vorteilhaft für den Verkehrsteilnehmer ist. Es muss daher „improvisiert“ werden. Das Schalten der Ampel, sofern es genehmigt wird, stellt dabei eine effiziente Lösung dar, sofern diese Möglichkeit im kritischen Zeitpunkt verfügbar ist. Dies vermeidet insbesondere Kettenreaktionen im Verkehrssystem, wie „Dominoeffekte“, bei welchen beispielsweise die Abweichung vom Plan eines Verkehrsteilnehmers sich auf die Routenpläne zahlreicher weiterer Verkehrsteilnehmer auswirkt, welche dann beispielsweise allesamt revidiert werden müssten.

GemäB einer Weiterbildung tritt eine Revisionsbedingung ein, wenn die Anfrage nicht gewährt wird und/oder die Anfrage für eine vorbestimmte Zeit unbeantwortet bleibt.

Auch andersherum hat sich gezeigt, dass der Eintritt und die Durchführung einer Revision der Route unter dieser Bedingung sich insgesamt positiv auf die Key Performance des

Verkehrssystems auswirken. So werden insbesondere auch nicht beantwortete Anfragen als „nein“ gewertet. Gemäß einer Weiterbildung wird jedoch ein Nutzer (oder bspw. ein

Technical Support/Maintenance) über derartige nicht beantwortete Anfragen informiert, sodass entsprechende Maßnahmen getroffen werden können, sodass Anfragen in Zukunft zuverlässig und mit schneller Reaktionszeit beantwortet werden.

Gemäß einer Weiterbildung muss die Route dann jedoch nicht revidiert werden, wenn eine

Revisionsbedingung bereits eingetreten war. Dies kann insbesondere dann der Fall sein, wenn die Anfrage selbst aufgrund einer Revisionsbedingung versandt wurde.

14 BE2022/5412

Gemäß einer Weiterbildung tritt eine Revisionsbedingung ein, wenn gemäß einer Simulation eine Vorfahrtsphase, insbesondere Grünphase und/oder Phase gebildet aus Grün- und

Gelbphase, einer Signalzeichenanlage, insbesondere einer Verkehrsampel, an einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, nicht mehr unter Einhaltung einer Verkehrsregel erreicht werden kann. Diese Revision schafft eine geeignetere Route für den Verkehrsteilnehmer selbst, und vermeidet gleichzeitig die negativen Auswirkungen auf das Gesamtverkehrssystem, welche eintreten würden, wenn der Verkehrsteilnehmer sein Route nicht-revidiert beibehalten würde.

Gemäß einer Weiterbildung berücksichtigt die erste Künstliche Intelligenz, dass die Route eines anderen Verkehrsteilnehmers, welcher eine Priorität für eine bestimmte Route genießt und/oder beansprucht und sich mittels eines Zertifikates authentifiziert, gemäß eines vorbestimmten und/oder übermittelten Prioritätsfaktors zwecks Meidung der Route durch den Verkehrsteilnehmer zugunsten des anderen Verkehrsteilnehmers, welcher die Priorität genießt und/oder beansprucht, abgewertet wird. Dieses Merkmal ist besonders wichtig einzusetzen für beispielsweise Polizei, Feuerwehr und insbesondere Notärzte und

Krankenwagen. In einem anderen Beispiel kann dies jedoch auch für VIPs, wie den

Österreichischen Bundeskanzler, eingesetzt werden.

Gemäß einer Weiterbildung werden Echtzeitdaten ferner durch fliegende Mess- und/oder

Sensorvorrichtungen, insbesondere Flugdronen, bereitgestellt. Solche Daten können insbesondere die terrestrischen Sensordaten ergänzen. In einigen Fällen und/oder in einigen Gebieten können sie letztere ersetzen. Die Dronen sind flexibel einsetzbar und haben zudem ein großes Einzugsgebiet. Die Anschaffungskosten sind dadurch niedriger.

15 BE2022/5412

Die Maintenance-/Flugkosten können jedoch ähnlich hoch oder gar höher ausfallen, da

Flugobjekte permanent unter Energieaufwand in der Luft gehalten werden müssen.

In einer bevorzugten Ausführungsform werden Flugdronen im Bereich der Agglomeration einer Stadt eingesetzt. Während im Stadtkern terrestrische Sensortechnik eingesetzt wird, kommen in der Vorstädten (,suburbs")/der Agglomeration der jeweiligen Stadt fliegende

Mess- und/oder Sensorvorrichtungen zum Einsatz. Dies trägt der weniger dichten

Besiedlung und der überschaubareren Verkehrslage in diesen Gebieten gebührend

Rechnung.

Ein Training des Gesamtsystems muttipler Künstlicher Intelligenzen erfolgt beispielsweise durch nachfolgende Schritte: Trainieren der ersten Künstlichen Intelligenz mit einer zugeordneten Datensätzen zu Routen, tatsächlichen Zeitverläufen einer vergangenen

Zurücklegung dieser Routen und Erfolgsfaktoren, insbesondere durch ein überwachtes

Lernen, und/oder Trainieren der zweiten Künstlichen Intelligenz zum Auffinden einer bestbewerteten Route durch Echtzeitdaten und historischen Daten, insbesondere durch ein unüberwachtes Lernen. Der durch die beiden erfindungsgemäßen Künstlichen Intelligenzen geschaffene Regelkreis läuft hierdurch besonders stabil.

Auch selbstüberwachtes Lernen kann im Rahmen der Erfindung zum Einsatz gebracht werden.

Die Erfindung schafft einschlägige Verfahren samt Verfahren zum Trainieren einer oder beider Kls, Computer, Computerprogramme, Computernetzwerke, Daten sowie computerlesbare Datenträger.

16 BE2022/5412

Sämtliche im Zusammenhang mit einer Anspruchskategorien offenbarte Merkmale, beispielsweise im Rahmen des entsprechenden Verfahrens offenbarte Merkmale, können im

Zusammenhang mit den anderen Anspruchskategorien, beispielsweise Vorrichtungen und

Computerprogrammen, zum Einsatz gebracht werden, als auch umgekehrt. Die

Anspruchskategorien entfalten in dieser Hinsicht keinerlei kategorische Beschränkungen für

Erfindungsmerkmale. Gleiches gilt für mehrere unabhängige Ansprüche innerhalb derselben

Anspruchskategorie, sofern vorhanden.

Die Erfindung kann in zahlreichen Einsatzfeldern/technischen Anwendungsgebieten zum

Einsatz gebracht werden. Die Routengenerierung und/oder Routenrevision für den

Straßenverkehr ist lediglich ein Beispiel. Navigationssysteme für Fahrzeuge, autonomes

Fahren, semiautonomes Fahren und Fahrerassistenzsysteme können so ebenso bereits von der Erfindung profitieren.

Folgende weitere Bereiche können vorgesehen sein: Navigation von Flugobjekten wie

Dronen, Flugzeugen, Flugobjekte, Lieferroboter, E-Scooter, Air Cargo, Integrated Circuits,

Bussysteme in der System- und/oder Elektrotechnik, Schwebebahnen, selbstfahrende

Fahrzeugtransportsysteme, insbesondere selbstfahrende Tunnel, Warenhaus-

Shoppingassistenten, Warenhauslogistik, insbesondere Automatic Restocking und/oder

Cobots, Putzroboter, Gepäcktransportroboter.

Auch in der Warenhauslogistik gibt es beispielsweise das Problem, dass sich

Verkehrsteilnehmer gegenseitig blockieren. In vielen Waren- und/oder Lagerhäusern ist nicht der Gesamtplatz die kritische Ressource (der „bottle neck“), sondern der zeiteffiziente

Zugang zu den einzelnen Produktboxen.

Beispielsweise betrifft die Erfindung so Logistikroboter (wie beispielsweise der Gruppe von

Typen „Amazon Kiva“).

17 BE2022/5412

In einem weiteren Beispiel werden Echtzeitdaten von Dronen aufgenommen, möglicherweise auch zu Fahrzeugen am Boden, aber insbesondere auch zu den Dronen selbst. Der Dronenflug der echtzeitdatenermittelnden Dronen kann so auch selbst von den

Vorteilen der Erfindung profitieren. So ist der Dronenflug, insbesondere auch im Hinblick auf das Gesamtsystem bzw. die erreichte Gesamtdynamik des Dronenflugs, besonders effizient.

Sofern mit ebendiesen Dronen Echtzeitdaten zu anderen Objekten wie beispielsweise

Fahrzeugen am Boden erfasst werden, so können bodenständige Verkehrssysteme — bereits auf Basis der Erfindung und ihrem Einsatz bei den Dronen — von besser verfügbaren und häufiger aktualisierten Echtzeitdaten profitieren, während sie selbst wiederum die

Erfindung nutzen. So kann der Einsatz der Erfindung selbst nochmals den Gebrauch.

So wird eine Metaebene geschaffen. Es können auch mehrere Metaebenen bzw. mehrstufige derartige Metaebenen zum Einsatz der Erfindung geschaffen werden.

Im Kern kann die Erfindung in allen „Verkehrssystemen“ im weitesten Sinne zum Einsatz gebracht werden, wo sich mehrere Verkehrsteilnehmer blockieren könnten und/oder eine (bspw. Raum-/Zeit-/0.ä.)Ressource teilen.

Beispielsweise teilen sich auch häufig Teile eines Computersystems einen sogenannten

Kommunikationsbus. Immer nur ein (oder eine beschränkte Anzahl an) Teilnehmern kann zu einem bestimmten Zeitpunkt über einen Kommunikationsbus (in einem sehr einfachen

Beispiel) kommunizieren. Dies kann auch bei integrierten Schaltkreisen eingesetzt werden.

In allen Systemen stellen sich immer eine Vorrangfrage und damit, im weitesten Sinne, auch eine Routenfrage.

Bereits beim Einkaufen im Supermarkt haben Kunden regelmäßig entsprechende Probleme beim „Fahren“ Ihres Einkaufswagens. So kann die Erfindung insbesondere auch im Assisted

18 BE2022/5412

Shopping eingesetzt werden. Beispielsweise werden so Einkaufswagen oder anderweitig geeignete Vehikel der Kunden nicht mehr manuell, unkontrolliert und mit beschränkter

Informationslage irgendwie zum gewünschten Produkt gebracht, sondern es wird vom

Kunden lediglich ein Produkt ausgewählt (z.B. über ein Display oder ein anderweitiges

Human User Interface), und das Fahrzeug unter Nutzung der vorliegenden Erfindung zum gewünschten Zielpunkt gebracht.

Auch in der Landwirtschaft kann die Erfindung zum Einsatz gebracht werden. Beispielsweise werden hier Arbeitssysteme umfassend arbeitende Roboter eingesetzt. Diese Roboter können die unterschiedlichsten Aufgaben übernehmen, beispielsweise ist Precision

Spraying von Herbiziden möglich. Diese Roboter fahren derzeit üblicherweise bodenständig, aber auch fliegende Arbeitsroboter sind denkbar.

Die Erfindung kann auch bei Schienensystemen zum Einsatz kommen. Beispielsweise können dies automatische Lager- und Bereitstellungssysteme (z.B. Auto-Store) sein. Hier werden beispielsweise Routen sowohl durch Roboter auf Schienensystemen, jedoch zudem durch Lifts, mit welchen diese Roboter ausgestattet sind, beschritten. Mit der Erfindung können also beide Aspekte berücksichtigt werden und es wird eine produktivere Dynamik sowohl unter Berücksichtigung des Schienensystems als auch des Liftsystems erreicht.

Auch klassische Schienensysteme (wie beispielsweise Züge auf Bahngleisen, beispielsweise mit Weichen) sind möglich.

Auch Systeme von Robotern, welchen sich an Linien orientieren (beispielsweise diese schienenmäßig abfahren), können durch die Erfindung optimiert werden.

Es können Edge Computing und/oder Cloud Computing eingesetzt werden.

Die Erfindung kann auf dem Gebiete der Prozessoptimierung, einschließlich der

Geschäftsprozessoptimierung, zum Einsatz kommen. Auch Verteidigungszwecke sind

19 BE2022/5412 denkbar. Sämtliche weitere technische Felder, welchen von schnellerer Fortbewegung profitieren, sind als Anwendungsfelder denkbar.

Weitere Systemvarianten, welche von der vorliegenden Erfindung profitieren können, sind beispielhaft die folgenden:

Sortierroboter (Sorting Robots) in Warenhäusern versorgen beispielsweise Förderbänder und können den Wareneingang und/oder Warenausgang implementieren. Auch Order

Processing ist beispielsweise möglich.

Automated Guided Vehicles (AGVs) sind beispielsweise fahrerlose Transpotfahrzeuge. welche beispielsweise Lasten ziehen/tragen oder Material transportieren können.

Neben eher klassischen Teilnehmern des Straßenverkehrs (Automobile) gibt es auch modemere Teilnehmer, beispielsweise E-Scooter.

Nanoroboter können beispielsweise im Medizinbereich eingesetzt werden. Diese können beispielsweise medizinische Reparaturarbeiten vornehmen.

Mikroroboter können Aufgaben einer Verteidigung und/oder Observationsaufgaben übernehmen. Beispielsweise sind die Mikroroboter mit Mikrowaffen ausgestattet.

Die zahlreichen Beispiele erläutern in beispielhafter Funktion die zahlreichen möglichen

Anwendungsgebiete für den Einsatz der vorliegenden Erfindung. Die Erfindung möchte sich jedoch keinesfalls auf allein die genannten Beispiele festlegen. Auch für andere, hier nicht genannte Systeme, ist der Einsatz der Erfindung möglich und vorgesehen.

Auch Internet-Traffic kann profitieren, da er üblicherweise in kleinere Einheiten (IP-Pakete) zerlegt wird, welche allesamt unterschiedliche Routen durch ein trafficintensives (und grundsätzlich bandbreitenlimitiertes) Netzwerk nehmen können. Ein besonderer Einsatz ergibt sich auf dem Gebiet der Secret-Sharing Technology (Geheimnisteilung mit technischen Mitteln).

20 BE2022/5412

Die Erfindung kann also zur Routenoptimierung unter Zeiterspamis für die unterschiedlichsten Anwendungen und Systeme, und auf unterschiedlichsten GrôBenskalen, zum Einsatz kommen. Prinzipiell kann so allein durch einen entsprechenden Zugang zum

System (u.a. auch für den Datenbezug) beispielsweise eine erfindungsgemäße Software zum Einsatz gebracht werden, um die Routenoptimierung in vorhandenen Systemen implementieren und nutzen zu kônnen. Das ist ein groBer Vorteil, da die Erfindung so enorm system- als auch plattformunabhängig ist und auf unterschiedlichste technische Systeme übertragen werden kann.

Obwohl einige Aspekte im Rahmen einer Vorrichtung beschrieben wurden, ist es klar, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, wobei ein Block oder eine Vorrichtung einem Verfahrensschritt oder einer Funktion eines

Verfahrensschritts entspricht. Analog dazu stellen Aspekte, die im Rahmen eines

Verfahrensschritts beschrieben werden, auch eine Beschreibung eines entsprechenden

Blocks oder Elements oder einer Eigenschaft einer entsprechenden Vorrichtung dar.

Ausführungsbeispiele der Erfindung können in einem Computersystem realisiert werden.

Das Computersystem kann eine lokale Computervorrichtung (z.B. Personalcomputer,

Laptop, Tablet-Computer oder Mobiltelefon) mit einem oder mehreren Prozessoren und einer oder mehreren Speichervorrichtungen oder kann ein verteiltes Computersystem (z.B. ein Cloud-Computing-System mit einem oder mehreren Prozessoren oder einer oder mehreren Speichervorrichtungen, die an verschiedenen Stellen verteilt sind, zum Beispiel an einem lokalen Client und/oder einer oder mehreren Remote-Server-Farms und/oder

Datenzentren) sein. Das Computersystem kann irgendeine Schaltung oder Kombination von

Schaltungen umfassen. Bei einem Ausführungsbeispiel kann das Computersystem einen

Se

21 BE2022/5412 oder mehrere Prozessoren umfassen, die von irgendeinem Typ sein kônnen. Nach hiesigem

Gebrauch kann Prozessor irgendein Typ von Rechenschaltung bedeuten, wie beispielsweise, aber nicht beschränkt auf, ein Mikroprozessor, ein Mikrocontroller, ein

Mikroprozessor mit komplexem Befehlssatz (CISC), ein Mikroprozessor mit reduziertem

Befehlssatz (RISC), ein Sehr-langes-Anweisungswort- (Very Long Instruction Word; VLIW)

Mikroprozessor, ein Graphikprozessor, ein digitaler Signalprozessor (DSP), ein Multi-Core-

Prozessor, ein feld-programmierbares Gate-Array (FPGA) oder irgendein anderer Typ von

Prozessor oder Verarbeitungsschaltung. Andere Typen von Schaltungen, die in dem

Computersystem umfasst sein können, können eine speziell angefertigte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC) oder Ähnliches, wie beispielsweise eine oder mehrere Schaltungen (z. B. eine Kommunikationsschaltung) zur Verwendung bei drahtlosen Vorrichtungen wie z. B. Mobiltelefonen, Tablet-Computern, Laptop-Computern,

Funksprechgeräten und ähnlichen elektronischen Systemen sein. Das Computersystem kann eine oder mehrere Speichervorrichtungen umfassen, die ein oder mehrere

Speicherelemente umfassen können, die für die jeweilige Anwendung geeignet sind, wie beispielsweise einen Hauptspeicher in der Form eines Direktzugriffsspeichers (RAM,

Random Access Memory), eine oder mehrere Festplatten und/oder ein oder mehrere

Laufwerke, die entfernbare Medien, wie beispielsweise CDs, Flash-Speicherkarten, DVD und Ähnliches handhaben. Das Computersystem kann auch eine Anzeigevorrichtung, einen oder mehrere Lautsprecher, und eine Tastatur und/oder Steuerung umfassen, die eine

Maus, Trackball, Touchscreen, Stimmerkennungsvorrichtung oder irgendeine andere

Vorrichtung umfassen kann, die es einem Systemnutzer erlaubt, Information in das

Computersystem einzugeben und Information von demselben zu empfangen.

Einige oder alle Verfahrensschritte können durch (oder unter Verwendung) einer

Hardwarevorrichtung ausgeführt werden, wie es zum Beispiel ein Prozessor, ein

Mikroprozessor, ein programmierbarer Computer oder eine elektronische Schaltung sein

22 BE2022/5412 kann. In einigen Ausführungsbeispielen können ein oder mehrere der wichtigsten

Verfahrensschritte durch eine solche Vorrichtung ausgeführt werden.

Abhängig von bestimmten Implementierungsanforderungen kônnen Ausführungsbeispiele der Erfindung in Hardware oder Software implementiert werden. Die Implementierung kann mit einem nicht-flüchtigen Speichermedium wie einem digitalen Speichermedium, wie beispielsweise einer Diskette, einer DVD, einem Blu-Ray, einer CD, einem ROM, einem

PROM und EPROM, einem EEPROM oder einem FLASH-Speicher, durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem so zusammenwirken (oder zusammenwirken können), dass das jeweilige Verfahren durchgeführt wird. Daher kann das digitale Speichermedium computerlesbar sein.

Einige Ausführungsbeispiele gemäß der Erfindung umfassen einen Datenträger mit elektronisch lesbaren Steuersignalen, die mit einem programmierbaren Computersystem zusammenwirken können, so dass eines der hierin beschriebenen Verfahren durchgeführt wird.

Im Allgemeinen können Ausführungsbeispiele der vorliegenden Erfindung als

Computerprogrammprodukt mit einem Programmcode implementiert werden, wobei der

Programmcode für die Ausführung eines der Verfahren wirksam ist, wenn das

Computerprogrammprodukt auf einem Computer läuft. Der Programmcode kann beispielsweise auf einem maschinenlesbaren Trager gespeichert werden.

Weitere Ausführungsbeispiele umfassen das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren, das auf einem maschinenlesbaren Träger gespeichert ist.

23 BE2022/5412

Mit anderen Worten, ein Ausführungsbeispiel der vorliegenden Erfindung ist daher ein

Computerprogramm mit einem Programmcode zur Durchführung eines der hierin beschriebenen Verfahren, wenn das Computerprogramm auf einem Computer läuft.

Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Speichermedium (oder ein Datenträger oder ein computerlesbares Medium), das ein darauf gespeichertes

Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren umfasst, wenn es von einem Prozessor ausgeführt wird. Der Datenträger, das digitale

Speichermedium oder das aufgezeichnete Medium sind in der Regel greifbar und/oder nicht übergangslos. Eine weiteres Ausführungsbeispiel der vorliegenden Erfindung ist eine

Vorrichtung, wie hierin beschrieben, die einen Prozessor und das Speichermedium umfasst.

Ein weiteres Ausführungsbeispiel der Erfindung ist daher ein Datenstrom oder eine

Signalfolge, die das Computerprogramm zur Durchführung eines der hierin beschriebenen

Verfahren darstellt. Der Datenstrom oder die Signalfolge kann beispielsweise so konfiguriert werden, dass sie über eine Datenkommunikationsverbindung, beispielsweise über das

Internet, übertragen werden.

Ein weiteres Ausführungsbeispiel umfasst ein Verarbeitungsmittel, zum Beispiel einen

Computer oder eine programmierbare Logikvorrichtung, das konfiguriert oder angepasst ist, um eines der hierin beschriebenen Verfahren auszuführen.

Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das

Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren installiert ist.

Ein weiteres Ausführungsbeispiel gemäß der Erfindung umfasst eine Vorrichtung oder ein

System, das konfiguriert ist, um (zum Beispiel elektronisch oder optisch) ein

Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren an einen

Empfänger zu übertragen. Der Empfänger kann beispielsweise ein Computer, eine mobile

Vorrichtung, eine Speichervorrichtung oder dergleichen sein. Die Vorrichtung oder das

24 BE2022/5412

System kann beispielsweise einen Dateiserver zum Übertragen des Computerprogramms an den Empfänger umfassen.

In einigen Ausführungsbeispielen kann eine programmierbare logische Vorrichtung (z.B. eine feldprogrammierbare Gatteranordnung, FPGA) verwendet werden, um einige oder alle

Funktionalitäten der hierin beschriebenen Verfahren auszuführen. In einigen

Ausführungsbeispielen kann eine feldprogrammierbare Gatteranordnung mit einem

Mikroprozessor zusammenarbeiten, um eines der hierin beschriebenen Verfahren durchzuführen. Im Allgemeinen werden die Verfahren vorzugsweise von jedem

Hardwaregerät durchgeführt.

Ausführungsbeispiele können auf dem Verwenden eines Maschinenlern-Modells oder

Maschinenlern-Algorithmus basieren. Maschinelles Lemen kann sich auf Algorithmen und statistische Modelle beziehen, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf

Modelle und Inferenz zu verlassen. Beim maschinellen Lemen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten hergeleitet werden kann. Beispielsweise kann der Inhalt von Bildern unter Verwendung eines

Maschinenlern-Modells oder unter Verwendung eines Maschinenlern-Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und

Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des

Maschinenlern-Modells mit einer groBen Anzahl von Trainingsbildern und/oder

Trainingssequenzen (z. B. Wörtern oder Sätzen) und zugeordneter

Trainingsinhaltsinformation (z. B. Kennzeichnungen oder Anmerkungen) „lernt“ das

Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschineniern-Modells

25 BE2022/5412 erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von

Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlem-Modell bereitgestellten Nicht-

Trainings-Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten,

Metadaten und/oder Bilddaten) kônnen vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird.

Maschinenlern-Modelle kônnen unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden ein Trainingsverfahren, das ,Supervised

Learning“ genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter

Verwendung einer Mehrzahl von Trainingsabtastwerten trainiert, wobei jeder Abtastwert eine

Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten, d. h. jedem Trainingsabtastwert ist ein erwünschter Ausgabewert zugeordnet, umfassen kann.

Durch Angeben sowohl von Trainingsabtastwerten als auch erwünschten Ausgabewerten „lernt“ das Maschinenlern-Modell, welcher Ausgabewert basierend auf einem

Eingabeabtastwert, der ähnlich zu den während des Trainings bereitgestellten Abtastwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised

Learning verwendet werden. Beim Semi-Supervised Learning fehlt einigen der — Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem

Supervised Learning-Algorithmus basieren (z. B. einem Klassifizierungsalgorithmus, einem

Regressionsalgorithmus oder einem Ahnlichkeitslernen-Algorithmus).

Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d. h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert. Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs)

26 BE2022/5412 ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungs- als auch

Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter

Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind. Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsupervised

Learning verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim

Unsupervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt und ein

Unsupervised Learning-Algorithmus kann verwendet werden, um eine Struktur in den

Eingabedaten zu finden (z. B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine

Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten)

Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.

Verstärkendes Lernen ist eine dritte Gruppe von Maschinenlern-Algorithmen. Anders ausgedrückt, verstärkendes Lemen kann verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim verstärkenden Lernen werden ein oder mehrere Software-Akteure (sogenannte „Software Agents“) trainiert, um Handlungen in einer Umgebung vorzunehmen.

Basierend auf den vorgenommenen Handlungen wird eine Belohnung berechnet.

Verstärkendes Lernen basiert auf dem Trainieren des einen oder der mehreren Software

Agents, um die Handlungen auszuwählen, derart, dass die kumulative Belohnung erhöht wird, was zu Software Agents führt, die in der Aufgabe, die ihnen gegeben wird, besser werden (wie durch steigende Belohnungen nachgewiesen).

Ferner können einige Techniken auf einige der Maschinenlern-Algorithmen angewandt werden. Zum Beispiel kann Feature Leaming verwendet werden. Anders ausgedrückt, das

Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Feature Learning trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Feature Learning-

27 BE2022/5412

Komponente umfassen. Feature Learning-Algorithmen, die Representation Learning-

Algorithmen genannt werden, können die Information in ihrer Eingabe erhalten, sie aber derart transformieren, dass sie nützlich wird, häufig als Vorverarbeitungsstufe vor dem

Ausführen der Klassifizierung oder dem Vorhersagen. Feature Learning kann beispielsweise auf einer Hauptkomponenten-Analyse oder Cluster-Analyse basieren.

Bei einigen Beispielen kann eine Anomaliedetektion (d. h. Ausreißer-Detektion) verwendet werden, die darauf abzielt, eine Identifizierung von Eingabewerten bereitzustellen, die

Verdacht erregen, da sie sich erheblich von der Mehrheit von Eingabe- und Trainingsdaten unterscheiden. Anders ausgedrückt, das Maschinenlem-Modell kann zumindest teilweise unter Verwendung von Anomaliedetektion trainiert werden, und/oder der Maschinenlern-

Algorithmus kann eine Anomaliedetektions-Komponente umfassen.

Bei einigen Beispielen kann der Maschinenlern-Algorithmus einen Entscheidungsbaum als

Vorhersagemodell verwenden. Anders ausgedrückt, das Maschinenlern-Modell kann auf einem Entscheidungsbaum basieren. Bei einem Entscheidungsbaum können die

Beobachtungen zu einem Gegenstand (z. B. einer Menge von Eingabewerten) durch die

Zweige des Entscheidungsbaums dargestellt werden, und ein Ausgabewert, der dem

Gegenstand entspricht, kann durch die Blätter des Entscheidungsbaums dargestellt werden.

Entscheidungsbäume können sowohl diskrete Werte als auch fortlaufende Werte als

Ausgabewerte unterstützen, Wenn diskrete Werte verwendet werden, kann der — Entscheidungsbaum als Klassifizierungsbaum bezeichnet werden, wenn fortlaufende Werte verwendet werden, kann der Entscheidungsbaum als Regressionsbaum bezeichnet werden.

Assoziationsregeln sind eine weitere Technik, die bei Maschinenlern-Algorithmen verwendet werden kann. Anders ausgedrückt, das Maschinenlern-Modell kann auf einer oder mehreren

Assoziationsregeln basieren. Assoziationsregeln werden erstellt, indem Verhältnisse zwischen Variablen bei großen Datenmengen identifiziert werden. Der Maschinenlern-

Algorithmus kann eine oder mehrere Verhältnisregeln identifizieren und/oder nutzen, die das

28 BE2022/5412

Wissen darstellen, dass aus den Daten hergeleitet ist. Die Regeln können z. B. verwendet werden, um das Wissen zu speichern, zu manipulieren oder anzuwenden.

Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell.

Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus“ kann einen Satz von _ Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlem-Modell“ kann eine

Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten

Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern-

Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer

Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die

Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen

Maschinenlern-Algorithmus trainiert wird.

Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen,

Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen

Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem

Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der

Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die

Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann 1

29 BE2022/5412 in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.

Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random-

Forest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h.

Stützvektornetze) sind Supervised Leaming-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder

Regressionsanalyse). Support Vector Machines kônnen durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden

Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-

Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen. Alternativ kann das Maschinenlern-Modell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.

N

30 BE2022/5412

Figurenliste

Die vorliegende Erfindung wird nachfolgend anhand der in den schematischen Figuren der

Zeichnungen angegebenen Ausführungsbeispiele näher erläutert. Es zeigen dabei:

Fig. 1 eine schematische Darstellung der Erfindung gemäß einer Ausführungsform,

Fig. 2 eine schematische Darstellung eines beispielhaftes Kartenausschnittes eines

Straßenverkehrssystems,

Fig. 3 eine schematische Darstellung eines Deep Neural Networks zum Einsatz als

Künstliche Intelligenz im Rahmen der vorliegenden Erfindung.

In allen Figuren sind gleiche bzw funktionsgleiche Elemente und Vorrichtungen - sofern nichts anderes angegeben ist - mit denselben Bezugszeichen versehen worden.

; 31 BE2022/5412

Beschreibung der Zeichnungen

Die Figur 1 zeigt eine schematische Darstellung der Erfindung gemäß einer

Ausführungsform.

Die Echtzeitdaten 101 und die historischen Daten 102 dienen als Input für die Erste

Künstliche Intelligenz 200. Eine bestbewertete Route 103 kann so aus einer Vielzahl von

Routenvorschlägen ausgewählt werden. Die zweite Künstliche Intelligenz 300 zur

Erfolgsbewertung hat neben dieser Route auch den raumzeitlichen Verlauf 104 der tatsächlich von einem Verkehrsteilnehmer zurückgelegten Route zur Verfügung. Ein

Regelkreis entsteht durch das Feed-back dieser Daten in die historischen Daten 102.

Lediglich zur Anschaulichkeit wurde in die Mitte des Feedback-Loops 301 ein Symbol zur

Verdeutlichung dieses Regelungsverhältnisses, umfassend die zwei Künstliche Intelligenzen 200, 300, angeordnet (Bezugszeichen 301).

Eine Künstliche Intelligenz im Sinne der Erfindung ist jeden Machine -Learning-Modell, insbesondere aber auch Deep Learning Modelle.

Eine Simulation 105 raumzeitlicher Dynamik dient als Input für die

Geschwindigkeitsempfehlung 106.

Bei Eintritt einer Revisionsbedingung 107a wird eine Revision 107b ausgelöst. Dies betrifft insbesondere die bestbewertete Route 103 als auch die Momentan-Idealgeschwindigkeit 106.

Durch dieses System wird der Verkehr optimiert und Teilnehmer erreichen schneller ihre

Ziele. Das betrifft die individuellen Teilnehmer, welche die Erfindung nutzen, als auch die ganzheitlich betrachtete Dynamik des Verkehrssystems.

32 BE2022/5412

Die Figur 2 zeigt eine schematische Darstellung eines beispielhaftes Kartenausschnittes eines StraBenverkehrssystems. In dem Straßenverkehrssystem befinden sich Fahrzeuge 30 sowie terrestrische Sensoren 40 entlang der Straßen. Fünf Routen bzw. Routenvorschläge 1,2,3, 4,5 zwischen von einem/für einen Verkehrsteilnehmer gewählten Startpunkt 10 und einem entsprechenden Zielpunkt 20 sind eingezeichnet. Mit der Erfindung werden beispielsweise die Routenvorschläge 1, 2, 3, 4 und 5 jeweils bewertet. Sodann wird eine bestbewertete Route ausgewählt. Durch Revisionsbedingungen werden u.a. erneute

Prüfungen veranlasst. ;

Die Figur 3 zeigt eine schematische Darstellung eines Deep Neural Networks zum Einsatz als Machine-Learning-Modell im Rahmen der vorliegenden Erfindung. Beispielsweise kommt so ein Network bei der ersten und/oder zweiten Künstlichen Intelligenz zum Einsatz. Das

Deep Neural Network (Künstliches Neuronales Netz) verfügt über mindestens ein

Eingangsneuron 301, in der Regel mehrere, insbesondere zahlreiche (die Bezeichnung 301a-z ist lediglich symbolisch und limitiert eine Anzahl keineswegs). Es gibt mindestens ein

Ausgangsneuron 303. Hierzwischen können verschiedene Strukturen angeordnet sein, insbesondere ein oder mehrere Hidden Layers 302.

EN En a

33 BE2022/5412

Bezugszeichenliste 1 Route 1/Routenvorschlag 1 2 Route 2/Routenvorschlag 2 3 Route 3/Routenvorschlag 3 4 Route 4/Routenvorschlag 4 5 Route 5/Routenvorschlag 5

Startpunkt 10 20 Zielpunkt 30 Verkehrsteilnehmer/Fahrzeug 40 Terrestrischer Sensor 100a ErfindungsgemäBe Vorrichtung gemäß einer Ausführungsform 101 Echtzeitdaten 102 Historische Daten 103 Bestbewertete Route 104 Tatsächlicher Zeitverlauf einer zurückgelegten Route 105 Raumzeitliche Systemsimulation 106 Momentan empfohlene Idealgeschwindigkeit 107a Revisionsbedingung 107b Revision 200 Erste KI 200a Beispielhafte Kartographie eines StraBenverkehrssystems 300 ZweiteKI 300a Künstliches neuronales Netz 301 Regel-/Steuerkreis/Feedback-Loop 301-(a-z) beispielhafte Eingangsneuronen 302 beispielhafte Hidden Layers (schematisch) 303 beispielhafte Ausgangsneuron

Claims (16)

REG > ot SY Al 34 BE2022/5412 Patentansprüche

1. Verfahren zum Finden einer Route für einen Verkehrsteilnehmer (30) in einem Verkehrssystem, insbesondere einer möglichst schnellen Route mit kurzer Traversionszeitdauer, insbesondere kurzer Fahrtzeitdauer, für den Verkehrsteilnehmer durch das Verkehrssystem, von einem Startpunkt (10) im System zu einem Zielpunkt (20) im System mit Verkehrsteilnehmern (30) unter Nutzung von Big Data, umfassend: - Bereitstellen von Echtzeitdaten (101) in Bezug auf andere Verkehrsteilnehmer (30), welche sich im Verkehrssystem befinden, insbesondere Positions- und Geschwindigkeitsdaten, insbesondere Daten aus terrestrischer, lokal verteilter Sensorik (40) - Bereitstellen von historischen Daten (102) zu von Verkehrsteilnehmern im Verkehrssystem in der Vergangenheit zurückgelegten Routen (1-5) samt diesen zugeordneten Erfolgsfaktoren, welche einen Vergleich der tatsächlichen zurückgelegten Routen mit einer jeweiligen ursprünglichen Vorhersage quantifizieren und unter Anwendung eines zweiten Verfahrens der Künstlichen Intelligenz (300) erzeugt wurden - Bereitstellen mehrerer Routenvorschläge (1-5) als Vorauswahl für eine Route zwischen dem Start- und Zielpunkt für den Verkehrsteilnehmer und Bewerten dieser Routenvorschläge (1-5) durch ein erstes Verfahren einer Künstlichen Intelligenz (200) auf Basis der Echtzeitdaten (101) sowie der historischen Daten (102) samt Erfolgsfaktoren, wobei eine zeitliche Entwicklung der Verkehrsteilnehmer im Routenverlauf mindestens teilweise simuliert (105) wird - Auswählen der bestbewerteten Route (1-5) a | 1

35 BE2022/5412 - Berechnen einer Momentan-Idealgeschwindigkeit (106) als ; Geschwindigkeitsempfehlung für ein Abfahren der Route, insbesondere auf Basis von a) einer momentanen und/oder zu erwartende Ampelschaltung an einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, Sowie b) einer Dichte, Richtung und Geschwindigkeit, insbesondere richtungsbezogener Dichte und Geschwindigkeitsverteilung, von Verkehrsteilnehmern in den Seitenstraßen der Route, insbesondere den noch nicht passierten Seitenstraßen in Fahrtrichtung bis zu einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, auf Basis der Echtzeitdaten - Revidieren der Geschwindigkeitsempfehlung (106) und erneutes Prüfen des Routenvorschlages bei Eintritt einer Revisionsbedingung (107a).

2. Verfahren nach Anspruch 1, wobei mindestens ein anderer Verkehrsteilnehmer, durch Echtzeitdaten und/oder historische Daten, berücksichtigt wird, dessen eigener Start- und Zielpunkt für die Zwecke des Verfahrens zum Finden einer Route unbekannt sind.

3. Verfahren nach Anspruch 1 oder 2, wobei mindestens ein anderer Verkehrsteilnehmer, durch Echtzeitdaten und/oder historische Daten, bei dem Finden der Route berücksichtigt wird, dessen eigener Start- und Zielpunkt für die Zwecke des Verfahrens zum Finden einer Route bekannt ist, und ferner ein spieltheoretisches Verfahren zum Einsatz kommt, um Routenvorschläge und/oder 7

36 BE2022/5412 Routenrevisionen zu erzeugen, welche ein synergistisches aufeinander abgestimmtes Verhalten der Verkehrsteilnehmer ermöglichen.

4. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Revisionsbedingung eintritt, wenn die tatsächliche Geschwindigkeit eines Fahrzeuges über ein bestimmtes Zeitintervall, insbesondere zusammenhängendes Zeitintervall, von der Geschwindigkeitsempfehlung mit mindestens einer bestimmten Geschwindigkeitsdifferenz, insbesondere einer absoluten und/oder relativen Geschwindigkeitsdifferenz, abweicht.

5. Verfahren nach einem der vorhergehenden Ansprüche, wobei Daten zu Ampelschaltungen im Verkehrssystem berücksichtigt werden, insbesondere: - Echtzeitdaten zu Ampelschaltungen, welche unmittelbar von einer Ampelsteuerung zur Verfügung gestellt werden, und/oder - Echtzeiidaten zu Ampelschaltungen, welche von geeigneter Sensorik aufgenommen werden und/oder - Historische Daten, insbesondere auch statistische Daten, zu Dauer und Frequenz bestimmter Phasen einer Ampelschaltung.

6. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend einen Schritt eines Versendens einer Anfrage, eine Ampel gemäß der Anfrage umzuschalten, insbesondere Umschalten auf Grün.

7. Verfahren nach Anspruch 6, wobei der Schritt des Versendens der Anfrage erfolgt in Reaktion auf den Eintritt einer Revisionsbedingung. a

37 BE2022/5412

8. Verfahren nach Anspruch 6, wobei eine Revisionsbedingung eintritt, wenn die Anfrage nicht gewährt wird und/oder die Anfrage für eine vorbestimmte Zeit unbeantwortet bleibt.

9. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine Revisionsbedingung eintritt, wenn gemäß einer Simulation eine Vorfahrtsphase, insbesondere Grünphase und/oder Phase gebildet aus Grün- und Gelbphase, einer Signalzeichenanlage, insbesondere einer Verkehrsampel, an einem kommenden Verkehrsknotenpunkt, insbesondere einer kommenden Kreuzung, nicht mehr unter Einhaltung einer Verkehrsregel erreicht werden kann.

10. Verfahren nach einem der vorhergehenden Ansprüche, wobei die erste Künstliche Intelligenz berücksichtigt, dass die Route eines anderen Verkehrsteilnehmers, welcher eine Priorität für eine bestimmte Route genießt und/oder beansprucht und sich mittels eines Zertifikates authentifiziert, gemäß eines vorbestimmten und/oder übermittelten Prioritätsfaktors zwecks Meidung der Route durch den Verkehrsteilnehmer zugunsten des anderen Verkehrsteilnehmers, welcher die Priorität genießt und/oder beansprucht, abgewertet wird.

9. Verfahren nach einem der vorhergehenden Ansprüche, wobei weitere Echtzeitdaten ferner durch fliegende Mess- und/oder Sensorvorrichtungen, insbesondere Flugdronen, bereitgestellt werden.

38 BE2022/5412

10. Verfahren zum Trainieren einer ersten Künstlichen Intelligenz (200) und/oder einer zweiten Künstlichen Intelligenz (300) für die Zwecke einer Ermöglichung eines Verfahrens nach einem der vorhergehenden Ansprüche, umfassend die folgenden Schritte: - Trainieren der ersten Künstlichen Intelligenz (100) mit einer zugeordneten Datensätzen zu Routen, tatsächlichen Zeitverläufen einer vergangenen Zurücklegung dieser Routen und Erfolgsfaktoren, insbesondere durch ein selbstüberwachtes Lernen und/oder überwachtes Lernen und/oder - Trainieren der zweiten Künstlichen Intelligenz (200) zum Auffinden einer bestbewerteten Route durch Echtzeitdaten und historischen Daten, insbesondere durch ein selbstüberwachtes Lernen und/oder unüberwachtes Lernen.

11. Verfahren nach Anspruch 10, wobei die erste (200) und die zweite (300) Künstliche Intelligenz relativ zueinander in Bezug auf den Datenfluss in einem Regelkreis (301) angeordnet sind.

12. Vorrichtung (100), insbesondere Computer, Computernetzwerk oder Computing-Cloud, welche dazu eingerichtet ist, ein Verfahren nach einem der vorhergehenden Ansprüche zu bewirken.

13. Computerprogramm, welches bei Ausführung ein Verfahren nach einem der Ansprüche 1 — 11 bewirkt.

39 BE2022/5412

14. Routendaten, welche eine Route (1-5) identifizierbar machen, welche nach einem Verfahren nach einem der Ansprüche 1 — 11 bestimmt und/oder revidiert wurde.

15. Computerlesbares Speichermedium, umfassend das Computerprogramm nach Anspruch 13 und/oder die Routendaten nach Anspruch 14.

16. Verwendung eines Verfahrens nach einem der Ansprüche 1 — 11, einer Vorrichtung nach Anspruch 12, eines Computerprogrammes nach Anspruch 13, von Routendaten nach Anspruch 14 oder einem computerlesbaren Speichermedium nach Anspruch 15 zur Routengenerierung und/oder Routenrevision in den folgenden Bereichen: Navigationssysteme für Fahrzeuge, autonomes Fahren, semiautonomes Fahren, Fahrerassistenzsysteme, Smartphone-Applikationen oder Online-Services, Dronen, Flugzeuge, Flugobjekte, Lieferroboter, E-Scooter, Air Cargo, Integrated Circuits, Bussysteme in der System- und/oder Elektrotechnik, Schwebebahnen, selbstfahrende Fahrzeugtransportsysteme, insbesondere selbstfahrende Tunnel, Warenhaus-Shoppingassistenten, Warenhauslogistik, insbesondere Automatic Restocking und/oder Cobots, Putzroboter, Gepäcktransportroboter, Roboter- Arbeitssysteme, insbesondere in der Landwirtschaft, Auto-Store-Systemen, Sortierroboter, insbesondere in Warenhäusern und Lagern, Order Processing, insbesondere für Wareneingang und/oder -ausgang, Nanoroboter, insbesondere medizinische Nanoroboter, Verteidigungsroboter, insbesondere Mikro- Verteidigungsroboter, insbesondere mit Mikrowaffen ausgestattete Mikro- Verteidigungsroboter, Versand von Datenpaketen in Netzwerken, beispielsweise dem Internet, sowie andere Bereiche, bei denen eine Übertragungsbandbreite,

40 BE2022/5412 insbesondere lokal, limitiert ist, Techniken der Geheimnisteilung, insbesondere Secret-Sharing-Techniken.