Das Problem beginnt schon beim morgendlichen Berufsverkehr: Viele Wagen bringen Fahrgäste ins Zentrum, während die nächsten Bestellungen womöglich aus den Außenbezirken kommen. Wer Fahrzeuge nur auf aktuelle Anfragen reagieren lässt, riskiert lange Anfahrtswege. Wer dagegen zu viele Autos vorsorglich umsetzt, verbraucht Strom, ohne Passagiere zu befördern.

Wo die nächsten Fahrgäste warten

Ein Forschungsansatz nutzt historische Taxifahrten aus San Francisco und Chicago, um die Nachfrage räumlich vorherzusagen. Dabei berücksichtigt das mathematische Modell ausdrücklich, dass Prognosen ungenau sein können. Unter den untersuchten Annahmen lässt sich die Fahrzeugverteilung so planen, dass mit mindestens 95-prozentiger Wahrscheinlichkeit genügend Wagen am benötigten Ort bereitstehen.

Diese Zahl ist keine gemessene Zuverlässigkeitsquote eines bestehenden Fahrdienstes. Sie beschreibt eine rechnerische Anforderung innerhalb des Modells. Ob die Prognosen bei Großveranstaltungen, Straßensperrungen oder stark verändertem Reiseverhalten ebenso gut funktionieren, müsste sich erst im Betrieb zeigen.

Für die kurzfristige Entscheidung, welcher Wagen welche Fahrt übernimmt, untersuchte das Team zudem maschinelles Lernen. Ein Verfahren kombiniert bestärkendes Lernen mit neuronalen Netzen, die Beziehungen zwischen Fahrzeugen, Fahrgästen und Orten abbilden. Nach dem Training mit Millionen simulierten Fahrten konnte das System geeignete Zuteilungen nach Angaben der Universität in weniger als einer Sekunde berechnen. Gerade bei gemeinsam genutzten Fahrten ist das wichtig, weil jede zusätzliche Abholung auch die Wege der anderen Passagiere verändert.

Ladepausen werden Teil der Disposition

Bei einer elektrischen Flotte kommt zur Fahrgastplanung eine zweite Uhr hinzu: Ein Wagen an der Ladesäule verdient währenddessen kein Geld mit Fahrten. Gleichzeitig können Umwege zum Laden, belegte Stationen oder unerwartet hoher Verbrauch den gesamten Einsatzplan durcheinanderbringen. Ein weiterer Chalmers-Ansatz berücksichtigt deshalb Nachfrage, Fahrzeiten, Energiebedarf und verfügbare Ladepunkte gemeinsam, statt die Stromversorgung getrennt vom Fahrbetrieb zu behandeln.

Die Forschenden halten es sogar für möglich, dass besser abgestimmte Ladefenster künftig kleinere Fahrzeugbatterien erlauben. Das könnte Gewicht und Stromverbrauch reduzieren. Eine konkrete Batteriegröße, eine nachgewiesene Einsparung im Realbetrieb oder eine neue Fahrzeugkonfiguration hat die Universität allerdings nicht vorgestellt.

Wie groß das praktische Interesse an solchen Lösungen ist, zeigen europäische Vorhaben für autonome Fahrdienste. Bolt und Stellantis wollen ab 2028 einen Test im Großraum Paris beginnen. Daneben planen Lucid und Bolt eine deutlich größere Elektro-Robotaxi-Flotte für Europa. Die Chalmers-Verfahren sind jedoch nicht als Technik dieser Projekte angekündigt worden.

Offen bleibt auch eine grundlegende Verkehrsfrage. Die Forschung hat bislang nicht untersucht, ob sehr große Robotaxi-Flotten die Straßen insgesamt entlasten oder durch zusätzliche Leerfahrten stärker füllen würden. Ebenso wenig ist geklärt, wie konkurrierende Anbieter ihre Fahrzeuge und Ladekapazitäten koordinieren könnten. Die vorgestellten Methoden lösen damit einen Teil des organisatorischen Problems, nicht die Frage, ob ein solcher Fahrdienst im Alltag tatsächlich besser funktioniert.