Johdanto autonomisiin ajoneuvoihin ja liikennevirtaan

Autonomiset ajoneuvot eivät ole enää kaukainen lupaus, vaan niitä käytetään aktiivisesti yleisillä teillä pilottiohjelmissa ja kaupallisessa laivastotoiminnassa. Kun nämä ajoneuvot yleistyvät, niiden vaikutus liikennevirtoihin ja kaistan käyttöön muuttuu kriittiseksi liikenneinsinööreille, kaupunkisuunnittelijoille ja poliittisille päättäjille. Siirtyminen ihmislähtöisestä itsenäiseen ajamiseen merkitsee perusteellista muutosta tiekapasiteetin mittaamisessa, ruuhkamuotojen ja kaistatilan jakautumisessa. AV-laitteet kommunikoivat keskenään ja infrastruktuurin kanssa, mikä mahdollistaa sen, että ihmiskuljettajat eivät voi suorittaa turvallisesti tai johdonmukaisesti. Tämä kyky voi muuttaa dramaattisesti perinteisiä liikennemalleja.

Keskeinen haaste on mallintaa tätä uutta todellisuutta. Perinteiset liikennevirtamallit, jotka perustuvat ihmisen kuljettajan käyttäytymiseen, eivät kuvaa tarkasti joukkueen suorituskykyä, hetkellisiä reaktioaikoja ja itsenäisten järjestelmien koordinoitua päätöksentekoa. Siksi tarvitaan uusia laskentamalleja AV-vuorovaikutusten simuloimiseksi ihmiskuljettajien kanssa ja sen ennakoimiseksi, miten kaistan käyttö kehittyy adoption aikana. Tässä artikkelissa tarkastellaan keskeisiä menetelmiä, joita käytetään mallintamaan AV-vaikutuksia kaistan käyttöön, muuttujia, jotka ohjaavat näitä malleja, sekä niistä aiheutuvia vaikutuksia tiesuunnitteluun ja kaupunkiliikenteeseen.

Liikennekaistan mallintaminen Autonomisessa ympäristössä

Tutkijat kehittävät AV-järjestelmien vaikutuksia analysoidessaan laskentamalleja, jotka simuloivat liikenneskenaarioita eri automaatioasteilla. Nämä mallit auttavat ennustamaan, miten AV-välityksen eri tasot vaikuttavat kaistan käyttöön, ajoneuvon läpisyötteeseen, ruuhkautumismalleihin ja liikenteen kokonaishyötysuhteeseen. Simulaatioiden uskollisuus riippuu ajoneuvon dynamiikan, viestintäprotokollien ja päätöksentekoalgoritmien tarkasta edustuksesta.

Liikennemallin keskeiset muuttujat

Laidun käyttöä mallinnettaessa on otettava huomioon useita kriittisiä muuttujia.

  • Autonomisten ajoneuvojen osuus liikenteessä:[] Markkinoiden levinneisyysaste vaikuttaa suoraan siihen, kuinka paljon koordinaatio on mahdollista. Alhaisilla läpikäynneillä AV-järjestelmät toimivat kuin kehittyneet kuljettajatukijärjestelmät; suurilla läpimenoilla, joukkueenvaihto- ja yhteistyökaistanvaihto tulevat mahdolliseksi.
  • Kaivoksen muutos:[ Ihmisen kaistanmuutokset ovat usein aggressiivisia, viivästyneitä tai riski-averse. AV-kaistan muutokset voidaan optimoida liikennevirtaa varten, mutta niiden on myös kamppailtava ennalta arvaamattomien ihmiskuljettajien kanssa. Mallien on parametrisoitava molemmat tyypit.
  • Traffinen tiheys ja virtausnopeus:[] Liikenteen peruskaavio (tiheys vs. virtaus) muutokset AVs. Suuremmat tiheydet voidaan säilyttää ilman hajoa, koska AVs ylläpitää lyhyempiä edistysaskeleita, mahdollisesti lisätä kaistakapasiteettia 20.80% riippuen mallista.
  • Kuljettajan reaktioajat:[ Ihmisen reaktioajat keskimäärin 1,5 sekuntia; AV-reaktioajat ovat millisekuntia. Tämä vähennys vaikuttaa suoraan liikenneaaltojen vakauteen ja ajoneuvojen väliseen tehokkaaseen välimatkaan.
  • Viestinnän laajuus ja luotettavuus:[ Ajoneuvosta ajoneuvoon (V2V) ja ajoneuvosta infrastruktuuriin (V2I) -viestinnän avulla AV-laitteet voivat ennakoida toimia. Näiden verkkojen kattavuus ja viive vaikuttavat siihen, kuinka pitkälle eteenpäin voidaan tehdä kaistankäyttöpäätöksiä.

Simulointitekniikat

Useita simulaatiomenetelmiä käytetään yleisesti mallintamaan AV-vaikutuksia kaistan käyttöön. Jokaisella on ainutlaatuisia vahvuuksia ja kompromissit.

  • Kellula Automata:[] Tämä erillinen lähestymistapa jakaa tien soluihin. Jokainen solu voidaan käyttää ajoneuvon, ja yksinkertaiset säännöt ohjaavat kaistan muutoksia ja kiihtyvyys. Cellular automata mallit ovat laskennallisesti tehokkaita, mutta voi olla puuttuu uskollisuus kaapata vivahteita AV käyttäytymistä kuten osuuskunta sulautuu.
  • Agenttipohjaiset mallit (ABM):[] ABM-järjestelmät edustavat jokaista ajoneuvoa itsenäisenä agenttina, jolla on omat sensorit, päätöksentekologiikka ja viestintäominaisuudet. Tämä lähestymistapa soveltuu hyvin heterogeenisen liikenteen opiskeluun (sekoittaen AV-laitteita ja ihmisajureita). Suosittuja toiminto- ja hallintajärjestelmiä ovat [SUMO (Urban Mobility -yksilöinti) ja Aimmun[[].
  • Fluid Dynamics Models (Makroskooppinen):[ Nämä mallit pitävät liikennettä puristavana nesteenä. Kaistan käyttö on kuvattu virtauksen jakautumisena kaistan poikki. Makroskooppiset mallit ovat hyödyllisiä korkean tason suunnittelussa, mutta eivät pysty ratkaisemaan yksittäisiä ajoneuvon vuorovaikutussuhteita turvallisuuden analyysiin.
  • Hybrid-lähestymistavat:[ Mikrosimulointi valtimoverkon keskeisten leikkauspisteiden ja makroskooppisten mallien välillä mahdollistaa tutkijan tasapainon tarkkuuden ja laskennallisen kuormituksen välillä. Hybridimallit ovat yhä yleisempiä reaaliaikaisissa liikenteenhallintatutkimuksissa.

Tietolähteet ja mallin kalibrointi

Tarkka mallintaminen edellyttää vankkaa tietoa. Lähteet ovat naturalistinen ajotutkimus, ohjatut testiratakokeet AV-laitteilla, GPS-anturitiedot kytkettyjen ajoneuvojen osalta ja korkean resoluution silmukkatunnistimen tiedot. Kalibrointi edellyttää mallin parametrien säätämistä siten, että simuloidut kaistankäytön kaistankäytön tavat vastaavat perustason (ihmiskäyttö) olosuhteissa havaittuja malleja. AV-ominaisten parametrien osalta tutkijat usein luottavat valmistajan spesifikaatioihin tai vertaisarvioituihin vertailuarvoihin lähteistä, kuten National Highway Traffic Safety Administration (NHTSA).

Validointimenetelmät

Validointi on olennaista mallin ennakoivan tehon varmistamiseksi. Yhteisiä validointitekniikoita ovat:

  • Verrataan simuloituja kaistanjakokäytäviä kenttätietoihin käytävistä, joissa on jo jonkin verran AV-läsnäoloa (esim. Waymo Phoenixissä, Cruise San Franciscossa).
  • Pieni AV-laivue suorittaa ennalta määriteltyjä kaistanvaihtomalleja valvotuilla kokeilla, kun sitä ympäröivät ihmiskuljettajat ovat valvonnan alaisia.
  • Ristiinvalaisu muihin simulointialustoihin sen varmistamiseksi, että havaitut kaistankäytön trendit eivät ole yhden mallintavan esineitä.

Autonomisten ajoneuvojen vaikutukset kaistan käyttöön

Kun AV-läpinäkyvyys kasvaa, ajoneuvot pyrkivät itse organisoimaan tehokkaampia kaistankäyttömalleja. Kaistan jakautumisesta tulee yhtenäisempää useilla kaistanvarsilla, mikä vähentää ihmiskuljettajan käyttäytymistä, joka leiriytyy vasemmalle kaistalle tai välttää yhdistymistä. Lisäksi AV-laitteet voivat koordinoida kaistanvaihtoja jo etukäteen, tasoittaa iskuaaltoja, jotka aiheuttavat pysähdys-ja-go liikennettä.

Mahdolliset hyödyt

  • Vähennetty liikenneruuhka:[] Kun ylläpidetään johdonmukaisia nopeuksia ja tiukoita matkoja, AV-laitteet voivat lisätä nykyisten kaistansyöttöä 30..60 prosentilla monien simulaatiotutkimusten mukaan. Tämä lisää kapasiteettia ilman tien laajentamista.
  • Koordinoidusta ajosta johtuvat onnettomuudet:[ Kaistanvaihtokonfliktit ovat suurin syy onnettomuuksiin. AVs. Kyky kommunikoida tahallaan ja neuvotella kaistan käytöstä käytännössä poistaa inhimillisen virheen tästä riskiluokasta. USA:n liikenneministeriö on korostanut näitä turvallisuuspotentiaalia automatisoiduissa ajoneuvopolitiikan puitteissaan.
  • Parempi polttoainetehokkuus:[; tasainen kiihtyvyys, jarrujen väheneminen ja lyhyempi edistyminen vähentävät seuraavien ajoneuvojen aerodynaamista vetämistä, mikä johtaa polttoaineen säästöihin 10..20% koko liikennevirran osalta.
  • Täydennetty liikennevirtojen hallinta:[ Dynaaminen kaistanjako voidaan toteuttaa reaaliajassa. Esimerkiksi AV-laitteiden omistettuja kaistanvarsia voidaan aktivoida ruuhka-aikoina kysynnän perusteella maksimoiden kaistankäytön verkon läpi.

Haasteet ja näkökohdat

Lupauksesta huolimatta realistisen AV-yleisyyden mallintaminen paljastaa merkittäviä esteitä, joihin on puututtava ennen kuin nämä hyödyt toteutuvat täysin.

  • Liikkuvan liikenteen ja ihmisajoneuvojen välillä:[] Kunnes lähes täysi läpäisy on tapahtunut, AV-laitteiden on oltava rinnakkain ennalta arvaamattomien ihmiskuljettajien kanssa. Tutkimukset osoittavat, että matalalla AV-läpäisyllä (alle 30%) kaistan käytön parannukset ovat marginaalisia ja voivat jopa pahentua konservatiivisen AV-käyttäytymisen vuoksi.
  • Infrastruktuurin säätö:[ Optimaalinen kaistankäyttö AV-laitteilla voi edellyttää omistettuja kaistanvarsia, päivitettyjä merkkejä, joissa on elektronisia kaistanohjaussignaaleja, sekä vankkoja V2I-viestintäverkkoja. Nämä päivitykset edellyttävät huomattavia investointeja ja koordinoitua suunnittelua eri lainkäyttöalueilla.
  • Eettiset ja turvallisuuteen liittyvät kysymykset:[] Millä tavoin AV-järjestelmän pitäisi tasapainottaa oma kaistanvaihtotehonsa ja ympäröivän ajoneuvon turvallisuuden? Mallien on sisällytettävä eettiset päätöksentekopuitteet, jotka ovat avoimia ja julkisesti hyväksyttäviä.
  • Oikeudelliset määräykset ja toimintatavat:[ Vastuu kaistanvaihtovirheistä, liikennesääntöjen täytäntöönpano AV-laitteiden osalta ja yksityisyyttä koskevat huolenaiheet ajoneuvojen sijaintien jäljittämisestä muodostavat oikeudellisia esteitä.Poliitikot luottavat todisteiden perusteella laadittujen sääntöjen mallintamiseen.
  • Syyllisyysriskit:[] Jos haitalliset toimijat häiritsevät V2V-viestintää, kaistan koordinointi voi häiriintyä ja aiheuttaa ruuhkia tai kaatumisia. Mallien on sisällettävä sietokyvyn testaus.

Tulevaisuuden linjaukset ja tutkimustarpeet

Yksi lupaava alue on apuna apuna apuna apuna apuna, jotta kaistan hyötysuhde voidaan maksimoida monitoimiympäristössä. Toinen suunta on mikrosimuloinnin integrointi kokonaisten kaupunkien digitaalikaksosiin, jolloin kaupunkisuunnittelijat voivat testata kaistan kokoonpanoja ennen käyttöönottoa.

Myös AV-liikennemallien standardoidut vertailuarvot ovat tarpeen. Tällä hetkellä eri tutkimusten tuloksia on vaikea verrata erilaisiin oletuksiin reaktioajoista, levinneisyysasteista ja viestinnän viivästymisistä. :n (TRB) kaltaiset organisaatiot pyrkivät yhdenmukaistamaan simulaatioprotokollia.

Lisäksi pitkittäistutkimukset, jotka ohjaavat kaistan käyttöä, muuttuvat AV-laivastojen kasvaessa pilottiohjelmista valtavirtaan käyttöönottoon, tarjoavat tosimaailman validointia, jota nykyiset mallit eivät voi tarjota. Siihen asti perusteellinen herkkyysanalyysi on välttämätöntä ennen kuin tehdään päätöksiä pelkästään simulaatiotuotoksiin perustuen.

Päätelmä

Autonomisten ajoneuvojen liikennekaistan käytön vaikutusten mallintaminen tarjoaa arvokasta tietoa liikenteen dynamiikan tulevaisuudesta. Vaikka simulaatioissa on jatkuvasti merkittäviä etuja kapasiteetin, turvallisuuden ja tehokkuuden kannalta korkealla AV-käyttöasteella, siirtymäkausi edellyttää huolellista suunnittelua. Tarkkojen mallien avulla poliittiset päättäjät voivat suunnitella mukautuvia kaistanhallintajärjestelmiä, priorisoida infrastruktuuri-investointeja ja käsityömääräyksiä, jotka tasapainottavat innovaatiota ja yleistä turvallisuutta. Autonomisen teknologian kehittyessä näistä mallinnusvälineistä tulee välttämättömiä sen varmistamiseksi, että tieverkot pysyvät tehokkaina, oikeudenmukaisina ja turvallisina kaikille käyttäjille.