Decision Transformer senkt Rettungsfahrzeug-Transitzeit um 38 %

Ein neuer Ansatz zur Optimierung von Notfallfahrzeugen (EV) nutzt das Decision Transformer (DT), um die Durchfahrtzeit von Rettungsfahrzeugen signifikant zu verkürzen. Durch die Modellierung des gesamten Notfallkoridors als offline, return‑conditioned Sequenzmodellierung kann das System ohne Online-Umgebungseinwirkung trainiert werden. Das Ergebnis: Auf einem 4×4‑Raster reduziert DT die durchschnittliche EV‑Reisezeit um 37,7 % im Vergleich zu herkömmlichen, festen Signaltiming‑Preemption‑Strategien (88,6 s statt 142,3 s). Gleichzeitig erzielt es die geringste Verzögerung für Zivilisten (11,3 s pro Fahrzeug) und die niedrigste Anzahl an EV‑Stopps (1,2), was es allen getesteten Methoden, einschließlich Online‑RL‑Baselines, überlegen macht.

Für größere Netzwerke erweitert die Multi‑Agent Decision Transformer (MADT) die Vorteile des DT. Durch graph‑attention‑basierte räumliche Koordination übertrifft MADT DT auf einem 8×8‑Raster um 45,2 % und reduziert die Reisezeit noch weiter. Die Rückgabebedingung ermöglicht zudem eine flexible Dispositionssteuerung: Durch Variation des Ziel‑Return‑Werts zwischen 100 und –400 kann die EV‑Reisezeit (72,4–138,2 s) gegen die Zivilisten‑Verzögerung (16,8–5,4 s pro Fahrzeug) ausgetauscht werden, ohne dass ein erneutes Training erforderlich ist.

Eine erweiterte, konstruierte DT‑Variante fügt einen zweiten Steuerknopf hinzu, der explizite Budgets für Zivilisten‑Störungen definiert. Damit lässt sich die Balance zwischen schneller EV‑Durchfahrt und minimaler Beeinträchtigung der Zivilisten präzise steuern. Der Ansatz demonstriert, dass fortschrittliche Sequenzmodelle ohne Online‑Interaktion robuste, effiziente Signalpreemption‑Strategien liefern können, die sowohl die Rettungsfahrzeug‑Reaktionszeit als auch die öffentliche Sicherheit verbessern.