مقدمه ای بر وسایل نقلیه مستقل و جریان ترافیک

وسایل نقلیه مستقل (AVs) دیگر یک وعده دور نیستند؛ آنها به طور فعال در جاده های عمومی در برنامه های آزمایشی و عملیات ناوگان تجاری مستقر می شوند، زیرا این وسایل نقلیه شایع تر می شوند، درک تاثیر آنها بر جریان ترافیک و استفاده از خطوط برای مهندسان حمل و نقل، طراحان شهر و سیاستگذاران حیاتی می شود.تغییر از انسان به رانندگی مستقل نشان دهنده یک تغییر اساسی در چگونگی اندازه گیری ظرفیت جاده، و چگونگی انتقال منظم با هر یک از طریق ظرفیت حمل و یا انتقال فضا است.

چالش اصلی مدل سازی این واقعیت جدید است. مدل های جریان ترافیک سنتی، بر اساس رفتار راننده انسان، به طور دقیق توانایی های چاشنی، زمان واکنش فوری، و تصمیم گیری هماهنگ شده از سیستم های مستقل، بنابراین، مدل های محاسباتی جدید برای شبیه سازی تعاملات AV با رانندگان انسانی و پیش بینی چگونگی استفاده از خط به عنوان نرخ های پذیرش تکامل می یابد.

مدل سازی ترافیک Lane استفاده در یک محیط مستقل

برای تجزیه و تحلیل اثرات AVs، محققان مدل های محاسباتی را توسعه می دهند که سناریوهای ترافیکی را با درجات مختلف اتوماسیون شبیه سازی می کنند.این مدل ها به پیش بینی می کنند که چگونه سطوح مختلف استفاده از خطوط نفوذ AV، تجهیزات خودرو، الگوها و بهره وری کلی ترافیک بستگی دارد.

متغیرهای کلیدی در مدل سازی ترافیک

هنگام مدل سازی استفاده از خط، چندین متغیر مهم باید در نظر گرفته شوند.

  • پرcentage از وسایل نقلیه مستقل در ترافیک: نرخ نفوذ بازار AVs به طور مستقیم بر میزان هماهنگی ممکن است تاثیر می گذارد.در نفوذ کم، AVs مانند سیستم های پیشرفته راننده-تحریم کننده رفتار می کنند؛ در نفوذ بالا، نفوذ بالا، پلاسینگ و خط همکاری در حال تغییر است.
  • رفتار تغییرناپذیر: تغییرات خطوط انسانی اغلب تهاجمی، تاخیر یا ریسک گریز هستند. تغییرات AV lane می تواند برای جریان ترافیک بهینه سازی شود، اما آنها همچنین باید با رانندگان غیر قابل پیش بینی انسانی مقابله کنند.
  • تراکم و نرخ جریان ترافیک: نمودار بنیادی جریان ترافیک (دنsity vs. Flow) تغییرات با پروتزهای بالاتر می تواند بدون خرابی پایدار باشد زیرا AVs دارای سرراه های کوتاه تر، به طور بالقوه افزایش ظرفیت خط تا 20 - 80٪ بسته به مدل است.
  • زمان واکنش هدایت کننده: زمان واکنش انسان به طور متوسط 1.5 ثانیه؛ زمان واکنش AV در جهت میلی ثانیه است.این کاهش به طور مستقیم بر ثبات امواج ترافیکی و فاصله موثر بین وسایل نقلیه تاثیر می گذارد.
  • محدوده ارتباطی و قابلیت اطمینان: وسایل نقلیه به ماشین (V2V) و ارتباطات وسیله نقلیه به ضد عفونی (V2I) اجازه می دهد AVs برای پیش بینی اقدامات.

تکنیک های شبیه سازی

روش های شبیه سازی متعددی معمولا برای مدل سازی اثرات AV بر استفاده از خط استفاده می شود.هر کدام دارای نقاط قوت منحصر به فرد و مبادلات تجاری هستند.

  • Automatular Automata: این رویکرد گسسته جاده را به سلول ها تقسیم می کند، هر سلول می تواند توسط یک وسیله نقلیه اشغال شود و قوانین ساده بر تغییرات خطوط و شتاب سلول های خودکار خودکامتا به طور محاسباتی کارآمد است، اما ممکن است فاقد وفاداری به جذب رفتارهای نرم افزاری مانند ادغام تعاونی.
  • مدل های مبتنی بر پیش رو (ABMs) ABMs هر وسیله نقلیه را به عنوان یک عامل مستقل با سنسورهای خود، منطق تصمیم گیری و قابلیت های ارتباطی خود نشان می دهد: این رویکرد ایده آل برای مطالعه ترافیک ناهمگن (mixing AVs و رانندگان انسانی) سیستم عامل ABM محبوب ABM شامل (F:2MO) [imFimr] و قابلیت های شهری [F4:
  • مدل های دینامیک (Macroscopic): این مدل ها ترافیک را به عنوان یک مایع فشرده کننده درمان می کنند. استفاده از Lane به عنوان توزیع جریان در سراسر خطوط نشان داده می شود.
  • [FLT: 1] ترکیب میکروسیمینگ برای تقاطع های کلیدی با مدل های ماکروسکوپی برای شبکه هنر اجازه می دهد تا محققان برای تعادل دقت و بار محاسباتی، مدل های هیبریدی به طور فزاینده ای برای مطالعات مدیریت ترافیک زمان واقعی رایج هستند.

منابع داده و کالیبراسیون مدل

مدل سازی دقیق نیاز به داده های قوی دارد.منبع شامل مطالعات رانندگی طبیعی، آزمایش کنترل شده (آزمایشگاه) با AVs، داده های GPS از وسایل نقلیه متصل، و داده های آشکارساز حلقه با وضوح بالا شامل تنظیم پارامترهای مدل است تا شبیه سازی شده الگوهای مشاهده شده تحت شرایط اولیه (HT-based) برای پارامترهای خاص AV، محققان اغلب بر تولید کننده یا مشخصات مورد بررسی شده از منابع ایمنی بزرگراه (FSA) مانند: امنیت ملی (LT)

اعتبارسنجی رویکردهای

اعتبار برای اطمینان از قدرت پیش بینی مدل ضروری است. تکنیک های اعتباری مشترک شامل:

  • مقایسه منحنی های توزیع خطوط شبیه سازی شده با داده های میدانی از راهروهایی که در حال حاضر برخی از حضور AV (به عنوان مثال Waymo در فونیکس، کروز در سان فرانسیسکو) دارند.
  • با استفاده از آزمایش های کنترل شده که در آن یک ناوگان کوچک AV الگوهای تغییر خط را از قبل تعریف می کند در حالی که رانندگان انسانی اطراف آن نظارت می شوند.
  • عضویت در برابر دیگر سیستم عامل های شبیه سازی برای اطمینان از اینکه روندهای استفاده از خط مشاهده شده، مصنوعات یک پارادایم مدل سازی منفرد نیستند.

تاثیر وسایل نقلیه مستقل در استفاده از Lane

همانطور که نفوذ AV افزایش می یابد، وسایل نقلیه تمایل به خودسازمان دهی به الگوهای استفاده از خطوط کارآمد تر دارند. توزیع خطوط می تواند در چندین خط یکنواخت یکنواخت تر شود، کاهش رفتار "lane-hogging" دیده شده در رانندگان انسانی که در خط چپ اردو می زنند یا از ادغام اجتناب می کنند.علاوه، AV ها می توانند تغییرات خطوط را به مراتب دور هماهنگ کنند، صاف کردن امواج شوک که باعث توقف ترافیک و ترافیک می شوند.

مزایای بالقوه

چالش ها و ملاحظات

علی رغم وعده، مدل سازی نفوذ واقعی AV موانع قابل توجهی را نشان می دهد که باید قبل از این مزایا به طور کامل مورد توجه قرار گیرد.

  • ترافیک با وسایل نقلیه انسانی: تا زمانی که نفوذ نزدیک به تمام، AVs باید با رانندگان غیر قابل پیش بینی انسانی همزیستی داشته باشد.مطالعات نشان می دهد که در نفوذ کم AV (کمتر از 30٪)، بهبود بهره وری خطوط حاشیه ای است و حتی می تواند به دلیل رفتار محافظه کارانه مسدود کردن حرکت انسان.
  • تنظیمات ساختار: استفاده از خطوط خوش بینانه با AVs ممکن است نیاز به خطوط اختصاصی، نشانه های به روز شده با سیگنال های کنترل خط الکترونیکی و شبکه های ارتباطی قوی V2I. این ارتقاء نیاز به سرمایه گذاری قابل توجه و برنامه ریزی هماهنگ در سراسر حوزه قضایی.
  • نگرانی های تاکتیکی و ایمنی: در ترافیک مختلط، چگونه باید یک AV تعادل بهره وری خط خود را با ایمنی وسایل نقلیه اطراف؟ مدل ها باید چارچوب های تصمیم گیری اخلاقی که شفاف و عمومی قابل قبول هستند را جاسازی کنند.
  • مقررات و سیاست های حقوقی: [FLT 1 ] مسئولیت برای خرابی های خط تغییر، اجرای قوانین ترافیک برای AVs و نگرانی های حریم خصوصی در مورد پیگیری موقعیت های خودرو همه موانع قانونی است.
  • خطرات امنیت سایبری: اگر بازیگران مخرب با ارتباطات V2V تداخل داشته باشند، هماهنگی خطوط می تواند مختل شود، و باعث قفل شبکه یا مدل های تصادف باید تست های انعطاف پذیری را انجام دهند.

راهنمایی های آینده و نیازهای تحقیقاتی

مدل سازی اثرات خودروهای خودران بر استفاده از خطوط هنوز یک زمینه نوظهور با بسیاری از سوالات باز است.یک منطقه امیدوار کننده استفاده از یادگیری تقویت کننده برای آموزش AV ها برای به حداکثر رساندن بهره وری خط در محیط های واقعی، چند عامل دیگر جهت ادغام میکروسیمینگ با دوقلوهای دیجیتال از کل شهرها است، اجازه می دهد طراحان شهری برای تست پیکربندی خط قبل از استقرار.

معیارهای استاندارد برای مدل های ترافیک AV نیز در حال حاضر مورد نیاز است، نتایج مطالعات مختلف به دلیل فرضیات مختلف در مورد زمان واکنش، نرخ نفوذ و تاخیر های ارتباطی، مقایسه دشوار است.

علاوه بر این، مطالعات که تغییرات استفاده از خطوط را دنبال می کنند، به عنوان ناوگان AV از برنامه های آزمایشی به پذیرش اصلی، اعتبار جهانی واقعی را ارائه می دهند که مدل های فعلی نمی توانند تا آن زمان، تجزیه و تحلیل دقیق حساسیت قبل از تصمیم گیری های سیاست تنها بر اساس شبیه سازی خروجی ضروری است.

نتیجه گیری

مدل سازی اثرات وسایل نقلیه مستقل در بهره برداری از خطوط ترافیک بینش ارزشمندی در مورد آینده پویایی حمل و نقل فراهم می کند، در حالی که شبیه سازی ها به طور مداوم مزایای قابل توجهی در ظرفیت، ایمنی و بهره وری در نرخ های پذیرش بالا AV نشان می دهند، دوره انتقال نیاز به برنامه ریزی دقیق دارد، هر دو مدل به سیاستگذاران کمک می کند تا سیستم های مدیریت خطوط سازگار، سرمایه گذاری زیرساخت ها، و مقرراتی که تعادل با نوآوری عمومی به عنوان فن آوری مستقل، ابزار مطمئن برای کاربران، و مطمئن هستند، و مطمئن بودن سیستم های سیستم های سیستم های سیستم های سیستم های سیستم های سیستم های سیستم های سیستم های سیستم های تعمیر و مطمئن هستند.