Введение в автономные транспортные средства и поток движения

Автономные транспортные средства (АВ) больше не являются отдаленной перспективой; они активно развертываются на дорогах общего пользования в пилотных программах и коммерческих операциях флота. По мере того, как эти транспортные средства становятся более распространенными, понимание их влияния на поток движения и использование полос становится критически важным для инженеров транспорта, градостроителей и политиков. Переход от управляемого человеком к автономному вождению представляет собой фундаментальное изменение в том, как измеряется пропускная способность дороги, как формируются заторы и как распределяется пространство полосы движения. АВ общаются друг с другом и с инфраструктурой, позволяя маневры, которые водители не могут безопасно или последовательно выполнять. Эта способность может резко изменить традиционные модели движения.

Основная задача заключается в моделировании этой новой реальности. Традиционные модели транспортных потоков, основанные на поведении водителя-человека, не точно отражают возможности взвода, мгновенное время реакции и скоординированное принятие решений автономными системами. Поэтому необходимы новые вычислительные модели для моделирования взаимодействия АВ с водителями-людьми и прогнозирования того, как будет развиваться использование полосы движения по мере роста скорости принятия. В этой статье рассматриваются ключевые методологии, используемые для моделирования АВ-эффектов на заполняемость полосы движения, переменные, которые управляют этими моделями, и вытекающие из этого последствия для проектирования дорог и городской мобильности.

Моделирование использования полосы движения в автономной среде

Для анализа эффектов АВ исследователи разрабатывают вычислительные модели, имитирующие сценарии движения с разной степенью автоматизации. Эти модели помогают предсказать, как различные уровни проникновения АВ влияют на использование полосы движения, пропускную способность транспортного средства, модели заторов и общую эффективность движения. Достоверность этих симуляций зависит от точного представления динамики транспортного средства, протоколов связи и алгоритмов принятия решений.

Ключевые переменные в моделировании трафика

При моделировании использования полосы необходимо учитывать несколько критических переменных. Наиболее влиятельными являются:

  • Процент автономных транспортных средств в движении: Процент проникновения на рынок АВ напрямую влияет на то, насколько возможна координация. При низких проникновениях АВ ведут себя как передовые системы помощи водителю; при высоких проникновениях становится возможным изменение полосы взвода и кооперативной полосы.
  • Перемена полосы движения: Изменения полосы движения человека часто агрессивны, задерживаются или не подвержены риску. Изменения полосы движения могут быть оптимизированы для движения, но они также должны бороться с непредсказуемыми водителями-людьми. Модели должны параметризировать оба типа.
  • Плотность и скорость потока: Фундаментальная диаграмма транспортного потока (плотность против потока) изменяется с AV. Более высокие плотности могут поддерживаться без поломки, потому что AV поддерживают более короткие траектории движения, потенциально увеличивая пропускную способность полосы на 20-80% в зависимости от модели.
  • Время реакции водителя: Время реакции человека в среднем 1,5 секунды; время реакции АВ в порядке миллисекунд. Это сокращение напрямую влияет на стабильность волн движения и эффективное расстояние между транспортными средствами.
  • Диапазон связи и надежность: Связь между транспортным средством (V2V) и транспортным средством с инфраструктурой (V2I) позволяет AV предвидеть действия. Покрытие и задержка этих сетей влияют на то, насколько далеко могут быть оптимизированы решения об использовании полосы движения.

Методы моделирования

Для моделирования воздействия АВ на использование полосы движения обычно используется несколько методологий моделирования.

  • Сотовая автоматика:] Этот дискретный подход делит дорогу на ячейки. Каждая ячейка может быть занята транспортным средством, и простые правила регулируют изменения полосы движения и ускорение. Модели клеточных автоматов являются вычислительно эффективными, но могут не хватать точности для захвата нюансов AV-поведения, таких как кооперативное слияние.
  • Модели на основе агентов (ABM): МП представляют каждое транспортное средство в качестве автономного агента со своими собственными датчиками, логикой принятия решений и возможностями связи. Этот подход идеально подходит для изучения разнородного трафика (смешивание AV и водителей-людей).Популярные платформы ABM включают SUMO (Симуляция городской мобильности) и Aimsun.
  • Модели динамики жидкости (Макроскопические): Эти модели рассматривают движение как сжимающуюся жидкость. Использование полосы движения представлено как распределение потока по полосам. Макроскопические модели полезны для планирования на высоком уровне, но не могут разрешать отдельные взаимодействия транспортных средств, критически важные для анализа безопасности.
  • Гибридные подходы: Комбинирование микросимуляции для ключевых пересечений с макроскопическими моделями для артериальной сети позволяет исследователям сбалансировать точность и вычислительную нагрузку. Гибридные модели все чаще используются для исследований управления трафиком в реальном времени.

Источники данных и калибровка моделей

Точное моделирование требует надежных данных. Источники включают натуралистические исследования вождения, контролируемые эксперименты с AV-треками, данные GPS-зондов от подключенных транспортных средств и данные детектора контуров высокого разрешения. Калибровка включает в себя корректировку параметров модели, чтобы моделированное использование полосы соответствовало наблюдаемым моделям в исходных (управляемых человеком) условиях. Для параметров AV исследователи часто полагаются на спецификации производителя или рецензируемые бенчмарки из таких источников, как Национальное управление безопасности дорожного движения (NHTSA) .

Подходы к валидации

Валидация необходима для обеспечения прогностической способности модели. Общие методы валидации включают:

  • Сравнение моделируемых кривых распределения полос с данными о полевых условиях из коридоров, которые уже имеют некоторое присутствие AV (например, Waymo в Фениксе, Cruise в Сан-Франциско).
  • Используя контролируемые эксперименты, где небольшой автопарк выполняет заранее определенные схемы изменения полосы движения, в то время как окружающие водители контролируются.
  • Перекрестная валидация против других платформ моделирования, чтобы гарантировать, что наблюдаемые тенденции использования полосы не являются артефактами единой парадигмы моделирования.

Влияние автономных транспортных средств на использование полосы движения

По мере увеличения проникновения АВ транспортные средства, как правило, самоорганизуются в более эффективные схемы использования полосы движения. Распределение полос становится более однородным по нескольким полосам, уменьшая поведение «передвижников», наблюдаемое у водителей-людей, которые размещаются на левой полосе или избегают слияния. Кроме того, АВ могут координировать изменения полосы движения далеко вперед, сглаживая ударные волны, которые вызывают остановку и движение.

Потенциальные выгоды

  • Сокращение заторов на дорогах: Поддерживая постоянную скорость и узкие расстояния, AV могут увеличить пропускную способность существующих полос на 30-60%, согласно многим исследованиям моделирования.
  • Немногие аварии из-за скоординированного вождения: Конфликты с переездом являются основной причиной аварий. Способность AV сообщать о намерениях и вести переговоры об использовании полосы движения практически исключает человеческую ошибку из этой категории риска. Министерство транспорта США выделило эти потенциалы безопасности в своей политике в области автоматизированных транспортных средств.
  • Повышение топливной эффективности: Плавное ускорение, снижение торможения и более короткие траки снижают аэродинамическое сопротивление для следующих транспортных средств, что приводит к экономии топлива на 10-20% для всего потока движения.
  • Усовершенствованное управление потоком трафика: Динамическое назначение полосы движения может быть реализовано в режиме реального времени. Например, выделенные полосы для AV могут быть активированы в часы пик на основе спроса, что максимизирует использование полосы движения по сети.

Вызовы и соображения

Несмотря на обещание, моделирование реалистичного проникновения АВ показывает значительные препятствия, которые необходимо устранить, прежде чем эти преимущества полностью материализуются.

  • Смешанный трафик с управляемыми человеком транспортными средствами:] До почти полного проникновения AV должны сосуществовать с непредсказуемыми водителями-людьми. Исследования показывают, что при низком проникновении AV (ниже 30%) улучшения использования полосы движения являются незначительными и могут даже ухудшиться из-за консервативного поведения AV, блокирующего движения человека.
  • Корректировка инфраструктуры: Оптимальное использование полосы с AV может потребовать выделенных полос, обновленных вывесок с электронными сигналами управления полосой и надежных сетей связи V2I. Эти обновления требуют значительных инвестиций и скоординированного планирования в разных юрисдикциях.
  • Этические вопросы и проблемы безопасности: В смешанном движении, как AV должен сбалансировать свою эффективность изменения полосы движения с безопасностью окружающих транспортных средств?
  • Правовые нормы и политика: Ответственность за неисправности при смене полосы движения, соблюдение правил дорожного движения для автотранспортных средств и проблемы конфиденциальности в отношении отслеживания позиций транспортных средств - все это создает юридические препятствия.
  • Риски кибербезопасности: Если злоумышленники мешают V2V связи, координация полосы может быть нарушена, что приведет к затору или сбоям. Модели должны включать тестирование на устойчивость.

Будущие направления и потребности в исследованиях

Моделирование влияния автономных транспортных средств на использование полосы движения по-прежнему является зарождающейся областью со многими открытыми вопросами. Одной из перспективных областей является использование обучения с подкреплением для обучения AV для максимизации эффективности полосы движения в реальных, мультиагентных средах. Другим направлением является интеграция микросимуляции с цифровыми двойниками целых городов, что позволяет градостроителям тестировать конфигурации полосы перед развертыванием.

В настоящее время результаты различных исследований трудно сравнивать из-за различных предположений о времени реакции, скорости проникновения и задержках связи. Такие организации, как Совет по исследованиям транспорта (TRB) работают над гармонизацией протоколов моделирования.

Кроме того, продольные исследования, которые отслеживают изменения использования полосы движения по мере роста автопарков от пилотных программ до внедрения в основной поток, обеспечат реальную проверку, которую нынешние модели не могут предложить. До тех пор тщательный анализ чувствительности имеет важное значение, прежде чем принимать политические решения, основанные исключительно на результатах моделирования.

Заключение

Моделирование влияния автономных транспортных средств на использование полос движения дает ценную информацию о будущем динамики транспорта. В то время как моделирование последовательно показывает значительные преимущества в пропускной способности, безопасности и эффективности при высоких темпах внедрения AV, переходный период требует тщательного планирования. Точные модели помогают политикам разрабатывать адаптивные системы управления полосами движения, расставлять приоритеты в инвестициях в инфраструктуру и правилах ремесла, которые уравновешивают инновации с общественной безопасностью. По мере развития автономных технологий эти инструменты моделирования станут незаменимыми для обеспечения того, чтобы дорожные сети оставались эффективными, справедливыми и безопасными для всех пользователей - как людей, так и машин.