車両・交通の流れの紹介

自動車両(AV)は、もはや約束ではありません。彼らは積極的にパイロットプログラムや商用フリート操作で公共の道路上に展開されています。これらの車両がより普及しているように、トラフィックフローへの影響と車線利用への影響を理解することは、輸送エンジニア、都市プランナー、および政策立案者にとって不可欠になります。人間主導のシフトは、自動運転がどのように変化するか、渋滞フォーム、および車線のスペースが割り当てられているかを基本的変化させます。AVは、従来の車両と通信速度を左右することができない、他の車両と、また、他の車両が、従来の車両の状況を正確に把握することができます。

コアチャレンジは、この新しい現実をモデル化しています。 人間のドライバーの行動に基づいて、従来のトラフィックフローモデルは、正確にプラトン機能、瞬間反応時間、および自律システムの決定を調整していません。 したがって、新しい計算モデルは、ヒトのドライバーとAVの相互作用をシミュレートし、レーン利用が採用率上昇としてどのように変化するかを予測する必要があります。 この記事では、レーンの占有率、および都市のモデルをモデル化するために使用されるキー方法論を探求します。 これらのモデルは、これらのモデルを運転し、都市のモビリティモデルと都市のモデルを移動性モデル化します。

自動環境における交通車線のモデリング

AVの効果を分析するために、研究者は、さまざまな自動化でトラフィックシナリオをシミュレートする計算モデルを開発します。 これらのモデルは、AVの侵入の影響車線の使用量、車両のスループット、混雑パターン、および全体的なトラフィック効率の異なるレベルを予測するのに役立ちます。 これらのシミュレーションの忠実度は、車両の動的、通信プロトコル、および意思決定アルゴリズムの正確な表現に依存します。

トラフィックモデリングにおける重要な変数

レーン利用をモデル化する際には、いくつかの重要な変数を考慮する必要があります。最も影響力のある変数は次のとおりです。

  • []交通における自動運転車両の割合:[] AVの市場浸透率は、直接、どれだけの調整が可能なかに影響します。 低浸透では、AVは、高度なドライバ支援システムのように振る舞います。 高い浸透では、プラットーン化と協調レーンが実現します。
  • []ラン変更動作:[ヒトレーンの変更は、攻撃的、遅延、またはリスクアバースです。 AVレーンの変更は、トラフィックフローのために最適化することができますが、予測不可能な人的ドライバーと対抗する必要があります。 モデルは、両方のタイプをパラメータ化しなければなりません。
  • [ 交通密度と流量:[ AVs によるトラフィックフローの根本的な図。 AV が短いヘッドウェイを維持しているため、高密度は、破壊なしで維持することができます。モデルに応じて20〜80%のレーン容量を増加させる可能性があります。
  • 運転反応時間:] 人間の反応時間平均1.5秒; AV反応時間はミリ秒の順番にあります。 この削減は、交通波の安定性と車両間の効果的な間隔に直接影響します。
  • []通信範囲と信頼性:[車両対車両(V2V)と車両対インフラ(V2I)通信により、AVがアクションを予測することができます。 これらのネットワークの適用範囲と遅延は、車線利用の決定が最適化されるまでに影響します。

シミュレーション技術

いくつかのシミュレーション方法論は、一般的に車線利用上のAV効果をモデル化するために用いられています。それぞれにユニークな強みとトレードオフがあります。

データのソースとモデルの校正

正確なモデリングには、堅牢なデータが必要です。 ソースには、自然主義の運転研究、AV による制御テストトラック実験、接続された車両からのデータ、および高解像度ループ検出器のデータが含まれます。 校正には、モデルパラメータを調整し、シミュレートされたレーン利用がベースライン(ヒト主導)条件下で観察されたパターンにマッチするので、モデルパラメータを調整しています。 AV 固有のパラメータについては、研究者はしばしばメーカーの仕様や、例えばソースからのピアレビューされたベンチマークに依存しています 国家ハイウェイ交通安全管理 (N:[1])[:]] [[[Hangtttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttt

検証のアプローチ

検証は、モデルの予測力を確実にするために不可欠です。 一般的な検証技術には、以下が含まれます。

  • 既に一部のAVプレゼンス(例えば、サンフランシスコのWaymo、サンフランシスコのクルーズなど)を持っている回廊からフィールドデータとシミュレートされたレーン分布曲線を比較する。
  • 人的ドライバーを囲む間、小さなAVフリートがあらかじめ定義されたレーンチェンジパターンを実行している制御実験を使用して監視します。
  • 他のシミュレーションプラットフォームと横断して、観察されたレーン利用傾向が単一のモデリングパラダイムのアーティファクトではないことを確実にします。

レーン利用における自動車両への影響

AVの普及が進むにつれて、車両はより効率的な車線使用パターンに自己組織化する傾向があります。車線分布は複数の車線で均一になり、左車線でキャンプしたり、合併を回避する人的ドライバーで見られる「車線のホギング」動作を減らします。さらに、AVは、車線が前方で変化を調整し、ストップ・アンド・ゴー・トラフィックを引き起こす衝撃波を滑らかにすることができます。

潜在的な利点

課題と考察

約束にもかかわらず、現実的なAVの貫通をモデル化することは、これらの利点が完全に材料化する前に対処しなければならない重要な障害を明らかにします。

  • []人間主導車との交通の混入:[]] 近接貫通まで、AVは予測不可能な人的ドライバーで共存しなければなりません。 調査では、低AV侵入(30%未満)で、車線利用の改善は余白であり、人間の動きを妨げる有利なAV行動のために悪化する可能性があることを示しています。
  • [インフラ調整:[]] AVを用いた最適レーン利用は、専用のレーン、電子レーン制御信号で更新されたサイネージ、および強力なV2I通信ネットワークを必要とする場合があります。 これらのアップグレードは、管轄区域を横断して実質的な投資および調整された計画を必要とします。
  • []倫理的および安全上の懸念:[混合トラフィックでは、AVは、周囲の車両の安全と独自のレーンチェンジ効率のバランスを取るべきか?モデルは、透明で公正に許容される倫理的な決定フレームワークを埋め込む必要があります。
  • [ 法的規制とポリシー:] レーンチェンジ機能の信頼性、AVのトラフィックルールの執行、車両のポジションを追跡するためのプライバシーの問題は、法的ハードルをすべてポーズします。 政策立案者は、証拠に基づく規則を作成するために結果のモデリングに依存しています。
  • [サイバーセキュリティリスク:[]]]]悪質なアクターがV2V通信に干渉した場合、レーンの調整が中断され、グリッドロックやクラッシュを引き起こします。 モデルは、レジリエンステストを組み込む必要があります。

今後の方向性・研究ニーズ

レーン利用における自動運転車効果のモデリングは、まだ多くのオープンな質問を持つnascentフィールドです。 1つの有望な領域は、AVを訓練するための強化学習を使用して、現実世界、マルチエージェント環境で車線効率を最大化します。 もう1つの方向は、都市全体のデジタルツインと微小シミュレーションの統合であり、デプロイ前に都市プランナーがレーン構成をテストすることができます。

AVトラフィックモデルの標準化ベンチマークも必要です。 現在、さまざまな研究の結果は、反応時間、貫通速度、通信遅延の想定が異なるため比較が困難です。 輸送研究所(TRB)のような組織は、調和シミュレーションプロトコルの作業に取り組んでいます。

また、パイロットプログラムからメインストリームの採用まで、車線利用の変化を追跡する縦方向の学習により、現在のモデルが提供できない現実世界検証が提供されます。それまでは、シミュレーションの出力にのみ、ポリシー決定を行う前に、徹底した感度解析が不可欠です。

コンテンツ

トラフィックレーン利用における自動運転車の影響をモデル化することで、輸送の未来への価値ある洞察を得ることができます。シミュレーションは、高度のAV導入率における能力、安全性、効率性において重要な利点を一貫して示していますが、移行期間は慎重な計画を必要とします。正確なモデルは、政策立案者による適応車線管理システムの設計、インフラ投資の優先順位付け、および公共の安全と革新のバランスの技術を実証するのに役立ちます。自律的な技術が成熟するにつれて、これらのモデリングツールは、すべての人員が安全と同等の安全を確保するために不可欠になるでしょう。