KI-Simulation für Güterverkehr im Microsoft Technologie-Zentrum

Ein Exponat von MaibornWolff im Microsoft Technologie-Zentrum zeigt eine KI-basierte Simulation für Güterverkehr. Das Exponat geht auf die Einreichung beim deutschen Microsoft AI Award zurück, bei dem ein Team unserer ML-Experten im Februar den 1. Platz holten. 

Simulationsbasiertes Planen

Das zentrale Element des Exponats ist eine Simulation für den Güterverkehr: Auf einer Deutschlandkarte sind wichtige Knotenpunkte für den Güterverkehr aufgetragen, die Kanten dazwischen sind mögliche Verbindungen, die nacheinander aufgeführt ganze Strecken mit mehreren Halten ergeben. Aufgabe ist nun, eine ideale Route für einen Zug zu finden. Die Parameter zur Optimierung sind die Wegstrecke und die Auslastung des Zuges.

Die Anwendung basiert auf einem Planungsalgorithmus, der für jeden Zug eine Simulation ausführt.

► Die Online-Version ist hier live: rail.maibornwolff.de

Überblick über die Simulation

In der Simulation sieht man im Menü auf der linken Seite Details zum Zug wie die Ist- und Maximal-Kapazität oder wo sich der Zug gerade befindet. Änderungen wie das Auf- und Abladen von Containern sind an Animationen zu erkennen.

Im Hauptfenster sieht man, die nächsten fünf geplanten Halte des Zuges. Mit dem Slider oben kann man diese Zahl erhöhen. Für uns “sinnlos” erscheinende Aktionen können dabei zum Beispiel darauf zurück zu führen sein, dass der Zug einen Container an einem Halt in der Zukunft aufladen wird und zum Zielort bringt (und möglicherweise dort wieder neue Fracht auflädt). Wir sehen hier oft lediglich das Endziel. Der Algorithmus optimiert anders und erreicht so mit relativ wenig Umweg in Summe mehr abgeladene Container.

Im Hauptfenster der Simulation kann man den Zug stören, indem man Strecken durch Anklicken sperrt. Dann wird die Route neu berechnet.

Mit einem Klick neben der Karte werden alle Züge im Netz angezeigt. In dieser Ansicht sind im Menü links andere Informationen hinterlegt, etwa die, wie viele Container gerade unterwegs sind, auf Abholung warten oder schon geliefert wurden.

Der Algorithmus wird hier am Beispiel Schienenverkehr gezeigt. Im Exponat wird deutlich, dass er auch auf andere Domänen übertragbar ist: die Bewegungen einer Fahrzeugflotte beim Carsharing, die Optimierung von Wegen in Industrie-4.0-Anwendungen, oder zur Warehouse-Optimierung.

► Hier gibt’s mehr zum Lesen und Sehen

• Video Deep Dive: Multi-Agent Reinforcement Learning
• Blog-Beitrag: Geschichte von Deep Learning
• Blog-Beitrag: Wie Computer Sehen lernen