Применение моделей клеточных автоматов для моделирования взаимодействия пешеходов и транспортных средств

Введение в модели клеточных автоматов

Клеточные автоматы (CA) представляют собой дискретные математические модели, которые представляют пространство как регулярную сетку ячеек, каждая из которых содержит одно из конечного набора состояний. Время продвигается дискретными шагами, и каждая ячейка обновляет свое состояние в соответствии с фиксированным правилом, которое зависит только от состояний ее непосредственных соседей. Несмотря на простоту отдельных правил, системы CA могут генерировать удивительно сложные и возникающие поведения, что делает их идеальными для моделирования крупномасштабных динамических систем, где локальные взаимодействия производят глобальные модели. В модели городского движения и пешеходов модели CA обеспечивают вычислительно эффективный способ изучения взаимодействий, которые в противном случае потребовали бы вычислительно дорогостоящих агентных или жидкостно-динамических подходов.

Истоки клеточных автоматов восходят к Станиславу Уламу и Джону фон Нейману в 1940-х годах, но подход получил широкое признание с «Игрой жизни» Конвея. С тех пор CA были применены к физике, биологии и социальным наукам. В транспортной инженерии модели CA впервые получили тягу для однополосного моделирования движения в 1990-х годах с моделью Нагеля-Шрекенберга. Сегодня они распространяются на многополосные дороги, перекрестки, пешеходные толпы и смешанные среды, такие как общие пространства, где транспортные средства и пешеходы взаимодействуют напрямую.

В этой статье рассматривается, как модели клеточных автоматов применяются для моделирования взаимодействия пешеходов и транспортных средств, охватывая фундаментальные принципы моделирования, конкретные наборы правил для каждого типа агента и проблемы интеграции обоих в единую симуляцию. Основное внимание уделяется практическим идеям для исследователей и практиков, использующих CA в городском планировании, управлении движением и анализе безопасности.

Основы клеточной автоматики для моделирования трафика и толпы

Структура сети и государственное представительство

В типичной модели дорожного движения или пешеходной модели CA область моделирования разделена на двумерную сетку. Каждая ячейка может быть либо пустой, либо занятой агентом (транспортным средством или пешеходом). Дополнительная информация о состоянии может включать направление движения, скорость или намерение для будущего перемещения. Размер ячейки определяет разрешение: общие варианты для моделей транспортных средств используют ячейки длиной около 5 метров, чтобы представлять длину автомобиля, в то время как пешеходные модели часто используют ячейки размером 0,4-0,5 метра для захвата размера шага и личного пространства.

Обновление правил и синхронная эволюция

На каждом этапе (обычно представляющий 1 секунду для транспортных средств и 0,2-0,5 секунды для пешеходов) все агенты обновляются одновременно в соответствии с их правилами движения. Синхронные обновления предотвращают порядок обновления артефактов и обеспечивают справедливое разрешение взаимодействий. Правила обычно следуют двухэтапному процессу: во-первых, каждый агент определяет свою желаемую следующую ячейку (ы) на основе ее текущего состояния и местного окружения; во-вторых, конфликты (несколько агентов, желающих одну и ту же ячейку) разрешаются с использованием стохастической или приоритетной логики.

Определения соседства

Для транспортных средств окрестности обычно асимметричны: с видом вперед вдоль дороги (одномерный) для изменения полосы движения и движения автомобиля, плюс передняя и боковая область для обгона. Для пешеходов типично окрестности Мура (восемь окружающих ячеек) или фон Неймана (четыре ортогональные ячейки), иногда с большим радиусом для захвата предвосхищения препятствий.

Моделирование поведения пешеходов с помощью клеточных автоматов

Пешеходы представляют уникальные проблемы моделирования, потому что их движение менее ограничено, чем транспортные средства: они могут быстро менять направление, останавливаться и регулировать скорость, основываясь на плотности толпы и личных предпочтениях.

Основные правила движения для пешеходов

Пешеходы обычно смоделированы как агенты, которые стремятся достичь пункта назначения (например, выхода, транзитной остановки), избегая препятствий и других пешеходов.

Расширения для комплексного поведения

Продвинутые пешеходные модели CA включают в себя поведение ожидания (например, на пешеходном переходе перед пересечением), групповую сплоченность (семьи или друзья, идущие вместе) и выбор маршрута с перепланировкой. Например, модель Кирхнера и Шадшнайдера использует поле пола и параметр трения для имитации динамики эвакуации, создавая реалистичное паническое поведение и засорение на выходах. Другой подход, модель пешехода [FLT: 2], включает в себя шопинг или извилистое поведение, где агенты не имеют сильной глобальной цели, вместо этого блуждая на основе местных достопримечательностей.

Проверка моделей Pedestrian CA

Валидация против эмпирических данных имеет важное значение. Траекторные наборы данных из видеонаблюдения или контролируемых экспериментов (например, из Пешеходная динамика ) позволяют сравнивать макроскопические величины (поток через коридор, отношения плотности и скорости) и микроскопические особенности (формирование полосы в двунаправленном потоке). Модели CA обычно хорошо воспроизводят фундаментальные диаграммы, хотя они могут недооценивать тонкие человеческие явления, такие как отступление, чтобы позволить более быстрым ходункам проходить.

Моделирование движения автомобиля с помощью Cellular Automata

Модели транспортных средств имеют более долгую историю и широко используются для моделирования транспортных потоков из-за их скорости и способности воспроизводить модели заторов.

Модель Нагель-Шрекенберг (NaSch)

Модель NaSch, представленная в 1992 году, является основой для многих моделей CA для транспортных средств. Она работает на одномерной решетке ячеек (каждая ячейка представляет собой сегмент дороги). На каждом этапе каждый автомобиль обновляет свою скорость и положение в соответствии с четырьмя правилами:

  1. Ускорение: Если скорость тока < v max, увеличьте скорость на 1 (если не ограничено следующим правилом).
  2. Замедление: Уменьшить скорость, чтобы избежать столкновения с впереди стоящим транспортным средством (скорость = разрыв с лидером минус 1).
  3. Рандомизация: С вероятностью p (обычно 0,1-0,3) уменьшите скорость на 1, представляя колебания водителя или шум.
  4. Движение: Обновить положение, добавив новую скорость в текущее положение.

Эта простая модель воспроизводит волны остановки и движения, метастабильный свободный поток и фундаментальную диаграмму транспортного потока.Расширения на двухполосные дороги позволяют менять полосы движения, обычно используя симметричные или асимметричные правила, основанные на порогах разрыва и желании скорости.

Моделирование пересечений и соединений

Для пересечений модели СА рассматривают точки пересечения как зоны конфликта: транспортные средства, приближающиеся к перекрестку, должны проверять, свободны ли ячейки на перекрестке и имеют ли они право прохода в соответствии с дорожными сигналами или знаками выхода. Многополосные перекрестки требуют тщательного разрешения поворотных путей, которые могут перекрываться. Общий подход делит перекресток на сетку с ячейками меньше стандартного автомобиля, позволяя транспортным средствам занимать несколько ячеек. Разрешение конфликтов может быть основано на правилах (например, приоритет справа) или основано на протоколах бронирования, которые имитируют фазы дорожного сигнала.

Проверка и калибровка

Модели CA транспортных средств калибруются с использованием данных детектора петли или траекторий GPS. Параметры модели NaSch (максимальная скорость, вероятность рандомизации) настроены на соответствие наблюдаемым возможностям и скоростям волн. Для более реалистичного поведения сложные модели включают в себя правила CA, основанные на предвосхищении торможения или интеллектуальной модели водителя (IDM), которые сглаживают нереалистичное жесткое торможение.

Моделирование взаимодействия пешеходов и транспортных средств

Критическая задача состоит в объединении моделей пешеходов и транспортных средств в единую симуляцию, где оба типа агентов сосуществуют и влияют друг на друга. Это важно для моделирования пешеходных переходов, общих улиц, парковок и автобусных остановок.

Зоны конфликтов и приоритетные правила

Взаимодействия обычно происходят в обозначенных (например, пешеходных переходах) или не обозначенных (например, бредущих по сетке) зонах конфликта. В общей сетке как транспортные средства, так и пешеходы занимают ячейки. Набор правил взаимодействия должен определять, какой агент дает. Например:

Включение поведения пешеходов в движение транспортных средств

Транспортные средства должны предвидеть пешеходные движения. Продвинутые модели CA хранят намерение пешехода (например, приближаясь к бордюру) и соответственно уменьшают скорость транспортного средства. Аналогичным образом, пешеходы могут ждать дольше, если они видят быстро приближающееся транспортное средство, которое не дало. Это двунаправленное влияние может быть реализовано через пороги, основанные на правилах: например, пешеход начнет пересекать только если следующее транспортное средство находится по крайней мере на определенном расстоянии, и транспортное средство будет двигаться только в том случае, если пешеход не находится в определенном радиусе ячейки перехода в следующие несколько шагов времени.

Тематические исследования и реальные приложения

Исследователи использовали комбинированные модели CA для оценки безопасности и эффективности конструкций пешеходных переходов, таких как повышенные переходы или острова-убежища. В исследовании в Наука о безопасности (см. пример]] использовался двухмерный CA с приоритетом пешехода для сравнения различных стратегий синхронизации сигналов на пешеходных переходах в середине квартала, обнаружив, что более длительное время прохождения пешеходов уменьшает конфликты, но увеличивает задержку транспортного средства. Другое приложение модели взаимодействия на круговых развязках, где пешеходы должны пересекать несколько потоков транспортных средств; подход CA помогает определить точки конфликта высокого риска и оптимальное размещение пешеходных переходов.

Преимущества клеточной автоматики для смешанного моделирования трафика

Вычислительная эффективность

Модели CA по своей сути являются параллелизируемыми и легковесными с точки зрения вычислений. Моделирование тысяч агентов в большой городской зоне в течение многих временных этапов может быть выполнено на стандартном оборудовании за считанные минуты, в отличие от микро-симуляции с использованием моделей на основе непрерывных агентов, которые могут потребовать часов. Это делает CA пригодным для систем управления онлайн-трафиком или крупномасштабного анализа сценариев (например, планирование эвакуации).

Простота и прозрачность

Принципиальная природа CA делает модель легкой для понимания, отладки и модификации. Заинтересованные стороны, такие как градостроители, могут понять логику без глубокого математического опыта. Прозрачность также помогает в передаче допущений и ограничений модели.

Репродукция недвижимости Emergent

Несмотря на использование только местных правил, модели CA создают возникающие явления, такие как формирование полосы движения в пешеходных толпах, фантомные пробки и самоорганизующиеся чередующиеся потоки в узких узких местах. Эти возникающие модели представляют собой именно то поведение, которое представляет интерес для анализа безопасности и эффективности в городах.

Ограничения и вызовы

Спациальная дискретизация и разрешение

Конечный размер ячейки накладывает компромисс между разрешением и вычислительной стоимостью. Для пешеходов 0,5 м ячейки могут не захватывать тонкие движения ног или отступать; модели, использующие такие ячейки, могут создавать неестественные ступенчатые шаблоны или нереалистичную блокировку. Тонкие сетки значительно увеличивают время моделирования.

Чрезмерное упрощение человеческого поведения

Модели CA часто предполагают, что агенты следуют детерминированным или случайным наборам правил без обучения, памяти или стратегического планирования. Реальные водители и пешеходы демонстрируют адаптацию, принятие рисков и социальные нормы. Например, водитель может постепенно продвигаться на пешеходном переходе, чтобы оказывать давление на пешеходов, поведение, не захваченное простыми правилами уступки. Более реалистичные поведенческие модели доступны, но увеличивают сложность.

Нехватка данных калибровки и валидации

В то время как данные о траектории транспортного средства многочисленны, комбинированные наборы данных о взаимодействии пешеходов и транспортных средств редки, особенно для опасных или почти незамеченных событий. Это ограничивает возможность калибровать правила взаимодействия и проверять прогнозы моделей. Данные контролируемых экспериментов (например, в лабораторных условиях) могут не обобщаться на реальных улицах с различными культурными нормами.

Чувствительность и неопределенность параметров

Параметры взаимодействия (например, пороги пропуска, дающие вероятность) сильно влияют на результаты моделирования. Без надежной калибровки различные параметры выбора могут привести к противоположным выводам о безопасности пешеходного перехода или времени сигнала. Анализ чувствительности имеет важное значение, но часто используется недостаточно.

Будущие направления и расширенные возможности

Гибридные модели

Комбинирование CA с континуумными или агентно-ориентированными моделями может использовать сильные стороны каждой из них. Например, гибридная модель может использовать CA-фреймворк для пешеходов высокой плотности, но переключиться на непрерывную модель для свободного потока низкой плотности, где важны подробные траектории. Такие подходы разрабатываются в исследовательских группах, таких как Транспортные системы Беркли .

Интеграция с данными реального времени

Модели CA могут быть соединены с данными датчиков реального времени (например, с камер, лидаров или смартфонов) для создания симуляций в реальном времени текущих условий трафика. Это позволяет динамическую перенаправку агентов или адаптивное управление сигналом. Низкая вычислительная стоимость CA делает такие приложения возможными даже при ограниченных вычислительных ресурсах.

Машинное обучение Увеличение

Исследователи используют обучение с подкреплением для получения оптимальной политики доходности для транспортных средств в симуляции CA или для изучения принятия пешеходных пробелов из видеоданных. Это может заменить ручные правила моделями решений, основанными на данных, которые лучше отражают поведение в реальном мире. Исследование 2023 года показало, что нейронная сеть может предсказать решения о пешеходном переходе с высокой точностью при встраивании в правило обновления транспортного средства CA.

Интегрированность и разнообразие поведения

Будущие модели СА должны представлять более широкий спектр возможностей пешеходов (например, лиц, использующих инвалидные коляски или коляски) и возрастных групп, поскольку они влияют на скорость и модели взаимодействия. Аналогичным образом, транспортные средства с различными размерами (например, грузовики, велосипеды) требуют разных размеров ячеек и правил движения. Включение разнообразия приведет к более справедливым конструкциям инфраструктуры.

Заключение

Модели клеточных автоматов предлагают мощный, эффективный и прозрачный метод моделирования сложных взаимодействий между пешеходами и транспортными средствами в городских пространствах. Представляя пространство как сетку и агенты как клетки, соответствующие правилам, CA захватывает возникающие модели заторов, динамику конфликтов и явления потока, которые имеют решающее значение для управления движением и анализа безопасности. В то время как ограничения в поведенческом реализме и доступности данных остаются, продолжающиеся достижения в гибридном моделировании, интеграции данных в реальном времени и машинном обучении быстро расширяют применимость CA в транспортной инженерии.

Для практиков модели CA обеспечивают практический инструмент для первоначальных оценок дизайна, особенно для оценки размещения пешеходного перехода, времени сигнала и конфигурации общего пространства. Для исследователей они служат основополагающей платформой для проверки поведенческих гипотез и разработки более сложных интегрированных систем моделирования. По мере того, как городская среда становится все более сложной, способность моделировать взаимодействия пешеходов и транспортных средств с высоким пространственным и временным разрешением будет становиться все более важной для создания безопасных, эффективных и инклюзивных транспортных систем.