Tesla führt KI-gestützte Supercharger-Prognose zur Verbesserung der Genauigkeit von Wartezeiten ein

Tesla hat ein neues Machine-Learning-Modell eingeführt, um die Genauigkeit der in Fahrzeugen angezeigten Wartezeiten an Superchargern zu verbessern. In einem kürzlich veröffentlichten Update des offiziellen Tesla Charging-Accounts auf X erläuterte das Unternehmen, wie es die Prognosen des fahrzeuginternen Routenplaners durch eine genauere Vorhersage des Fahrerverhaltens verbessert.

Die Herausforderung der gemischten Nutzung

Eine zentrale Schwierigkeit bestand in der Vorhersage von Wartezeiten an Standorten mit gemischter Nutzung. Viele Supercharger-Standorte befinden sich in der Nähe von Einrichtungen wie Supermärkten, Restaurants und Einkaufszentren.

Wenn Fahrer einen nahegelegenen Supercharger ansteuern, geben viele die Station nicht in die Fahrzeugnavigation ein, was die Prognose erschwert. Um bessere Schätzungen liefern zu können, muss das System auch den aktuellen Standort des Fahrzeugs berücksichtigen und daraus ableiten, ob es wahrscheinlich auf dem Weg zu einem nahegelegenen Supercharger ist.

Dies führt zu Unklarheiten: Das System hat unter Umständen Schwierigkeiten, zwischen einem Fahrzeug, das zum Laden ankommt, und einem Fahrzeug, das nur für einen Ladenbesuch anhält, zu unterscheiden. Dieser gemischte Verkehr hat die Vorhersage der tatsächlichen Warteschlange erschwert und zu ungenauen Wartezeitschätzungen beigetragen.

KI-Training anhand von Trajektoriendaten

Um dies zu beheben, hat Tesla ein neues Machine-Learning-Modell entwickelt, das die tatsächliche Ladeabsicht eines Fahrers ableiten kann. Das Modell wurde mit 9 Millionen Meilen an aggregierten, anonymisierten Fahrzeugtrajektoriendaten trainiert, die ausschließlich innerhalb der geofenced Bereiche rund um weltweite Supercharger gesammelt wurden.

Durch die Untersuchung der Art und Weise, wie sich Fahrzeuge in diesen Bereichen bewegen, navigieren und parken, kann das System Ladekunden anhand von Trajektorienerkennungen von typischen Einzelhandelsbesuchern unterscheiden.

Der 20-Prozent-Benchmark

Laut Tesla reduziert die aktualisierte Software die Schätzfehler bei der Warteschlangenlänge auf etwa 20 Prozent.

In der Praxis würde die Schätzung des Routenplaners selbst in den geschäftigsten Urlaubszeiten – wenn ein Standort Warteschlangen von 10 oder mehr Fahrzeugen aufweisen könnte – typischerweise nur um ein oder zwei Autos abweichen. Dank präziserer Vorhersagen kann die Navigation Fahrer zu etwas weiter entfernten, aber schnelleren Supercharger-Standorten leiten, um die Gesamtreisezeit zu verkürzen.

Kein Update erforderlich

Da Fahrzeuge die Wartezeiten der Supercharger über Teslas APIs beziehen, ist für das Wirksamwerden dieser Änderungen kein Software-Update erforderlich. Tesla gibt an, dass die Einführung bereits läuft und wahrscheinlich an ausgewählten Supercharger-Standorten beginnt, während die Ergebnisse vor einer breiteren Implementierung ausgewertet werden.

Vorbereitung auf virtuelles Anstehen

Parallel dazu testet das Charging-Team von Tesla aktiv ein neues virtuelles Warteschlangensystem, das physische Warteschlangen an stark frequentierten Supercharger-Standorten überflüssig machen soll. Tesla hat damit begonnen, die Funktion für virtuelle Warteschlangen in die neueste Tesla-App zu integrieren.

Fahrer können über die App oder das Fahrzeugdisplay einer digitalen Warteliste beitreten, Echtzeit-Updates zu ihrer Position erhalten und zu einem Stellplatz geleitet werden, sobald dieser verfügbar ist.

In Kombination mit der auf Trajektorien basierenden KI-Prognose zielt das virtuelle Anstehen darauf ab, Überlastungen effektiv zu bewältigen, auch während der Hauptreisezeiten.