Вступ до автономних транспортних засобів та потоку

Автономні транспортні засоби (АВС) вже не є далеким обіцянкою; вони активно розгортаються на дорогах загального користування в пілотних програмах та операціях з комерційним флотом. Оскільки ці транспортні засоби стають більш поширеними, розуміння їх впливу на потік руху та використання мереж стає критичним для транспортних інженерів, міських планувальників та політиків. Зрушення від людини до автономного водіння являє собою фундаментальну зміну, як вимірюється дорожня ємність, як виділяється застою, і як виділено простір пров. AVs спілкуються один з одним і з інфраструктурою, що дозволяє маневрувати, що людські водії не можуть безпечно або послідовно виконувати. Ця можливість різко змінювати традиційні візерунки трафіку.

Основним завданням є моделювання цієї нової реальності. Традиційні моделі руху трафіку, засновані на поведінці людини, не точно захоплюють можливості platooning, миттєві випадки реакції та координують прийняття рішень автономних систем. Тому нові обчислювальні моделі необхідні для імітації взаємодії AV з драйверами людини та прогнозування, як використання лежанки буде розвиватися як рівень прийняття. У статті досліджуються основні методи, які використовуються для моделювання впливу AV на неокупність, змінні, які приводять ці моделі, а отримані наслідки для проектування доріг та міської мобільності.

Моделювання утилізації трафіку в автономному середовищі

Для аналізу впливу АВ, дослідники розвивають обчислювальні моделі, що імітують сценарії руху з різним ступенем автоматизації. Ці моделі допомагають прогнозувати, як різні рівні використання АВ, пропускної здатності автомобіля, схеми застою, загальними ефективністю руху. Недолік цих імітацій залежить від точного представлення динаміки транспортних засобів, протоколів зв'язку, алгоритмів прийняття рішень.

Основні варіації в моделюванні трафіку

При моделюванні лежачи слід враховувати кілька критичних змінних. До найбільш впливових відносяться:

  • Процент автономних транспортних засобів в трафікі:. Нормальний рівень проникнення ринку AVs безпосередньо впливає на те, наскільки можливо координація. При низьких проникненнях AVs поважають як передові системи з водієм; при високих проникненнях, бордуванні та коопераційному зміні коліна стають лютим.
  • Lane-change поведінка: Зміни людини часто агресивні, затримані або ризик-авверс. AV lane зміни можуть бути оптимізовані для потоку трафіку, але вони також повинні бути з непередбачуваних драйверів людини. Моделі повинні параметризувати обидва типи.
  • Трафічна щільність та ставки потоку: Базова схема руху потоку (знижість проти потоку) змін з AVs. Вищі щільності можуть бути стійкими без розбиття, оскільки AVs підтримують коротші підголовки, потенційно збільшуючи місткість коліна до 20–80% залежно від моделі.
  • Драйверська реакція: Час реакції людини в середньому 1,5 секунди; час реакції AV в порядку мілісекундів. Це скорочення безпосередньо впливає на стійкість ударних хвиль і ефективний спрей між транспортними засобами.
  • Комунікаційний діапазон і надійність: Автомобіль-вехікул (V2V) і транспортно-інфраструктура (V2I) зв'язку дозволяє AVм очисувати дії. Охоплення та затримки цих мереж впливають на те, наскільки попереду рішення про використання лежачих може бути оптимізовано.

Технології моделювання

Деякі методології моделювання часто застосовуються для моделювання AV ефектів на використання ванну. Кожен має унікальні сильні та торговельні марки.

  • Cellular Automata: Цей дискретний підхід ділить дорогу в клітини. Кожна клітина може зайняти транспортним засобом, а прості правила регулюються змінами та прискоренням. Стількові моделі автомати є обчислювально ефективним, але може не мати фіделіалу для захоплення наголених AV-поведінок, як кооперативне з'єднання.
  • Agent-Based Моделі (ABMs): ABMs представляє кожен автомобіль як автономний агент з власними датчиками, логікою прийняття рішень та можливостями зв'язку. Цей підхід ідеально підходить для вивчення гетерогенного трафіку (змішування AVs та драйверів людини). Популярні платформи ABM включають SUMO (Симуляція урбаністичної MObility) та Aimsun.
  • Fluid Dynamics Models (Macrscopescope): Ці моделі лікують трафік як стислий рідина. Утилізація прокладки представлена як розподіл потоку по прокладках по прокладах. Макроскопічні моделі корисні для планування високого рівня, але не можуть вирішувати індивідуальні взаємодії автомобіля критично для аналізу безпеки.
  • Hybrid Підходи: Комбінація мікросимуляції для ключових перехрестя з макроскопічними моделями для артеріальної мережі дозволяє дослідникам збалансувати точність та обчислювальне навантаження. Гібридні моделі все частіше зустрічаються для досліджень в реальному часі руху.

Джерела даних та калібрування моделі

Точне моделювання вимагає міцних даних. Джерела включають в себе природні дослідження водіння, керовані експерименти з тестовими треками з AVs, дані GPS зонда з підключених транспортних засобів, і дані про петлю високого дозволу. Калібрація передбачає регулювання параметрів моделі, щоб імітувати комбінації промивання, що відповідає стандартам базисної (люда-вода) умов. Для AV-специфічних параметрів дослідники часто спираються на специфікації виробника або рецензовані бендикти з джерел, таких як Національна адміністрація безпеки дорожнього руху (NHTSA).

Дійсні підходи

Важення є важливим для забезпечення передбачуваної потужності моделі. Доведено загальні методи перевірки:

  • У порівнянні з імітованими криві розподілу провулків з польовими даними з коридорів, які вже мають деяку присутність AV (наприклад, Waymo в Феніксі, круїз в Сан-Франциско).
  • Використання керованих експериментів, де невеликий автопарк AV виконує заздалегідь визначені схеми з’єднання, в той час як навколишні людські водії контролюються.
  • Перехресне визначення інших симуляційних платформ для забезпечення, що спостерігали тенденції використання ланцюжок, не є артефактами одномодульної парадигми.

Вплив автономних транспортних засобів на утилізація провулків

Як AV-проникне підвищення, транспортні засоби, як правило, самоорганізують в більш ефективні схеми використання lane. Розподіл провулків стає більш рівномірним по всій декількох смугах, що зменшують поведінку «оббивання» в драйверах людини, які табору в лівому провулку або уникнути злиття. Крім того, AVs може скоординувати зміни провулку, що поліпшуються, згладжуючи ударні хвилі, які викликають зупинки-і-го руху.

Потенційні переваги

  • Вироблена ставка трафіку: Підтримуючи послідовні швидкості та щільної наступної відстані, AVs може збільшити пропускну здатність існуючих мереж на 30–60%, відповідно до багатьох імітаційних досліджень. Це ефективно додає потужності без розширення доріг.
  • ]Події єврій через координоване водіння:, що конфлікти з регулюваннями є провідною причиною аварійних ситуацій. Можливість підключення непристойних та обговорюваних мереж практично виключає помилки людини з цієї категорії ризику. . Відділ транспорту висвітлено ці потенціали безпеки в своїй автоматизованій політиці транспортних засобів.
  • Покращена ефективність палива: Плавний прискорення, зменшення гальмування та королів’я головок зменшують аеродинамічний перетягування для наступних транспортних засобів, що призводять до економії палива на 10-20% на весь потік руху.
  • Удосконалено управління рухомим рухом: Динаміка виконання проїзду може бути реалізовано в режимі реального часу. Наприклад, виділені смуги для AVs можуть бути активовані під час пікових годин на основі попиту, максимізуючи використання білизни через мережу.

Виклики та рекомендації

Незважаючи на обіцянку, моделювання реалістичного проникнення AV розкриває суттєві перешкоди, які повинні бути адресовані перед цими перевагами повністю матеріалізувати.

  • Mixed трафік з гуманними автомобілями: До тих пір, поки неповторне проникнення, AVs повинен співати з непередбачуваними людськими драйверами. Дослідження показують, що при низькому проникненні AV (повторінні 30%), поліпшення використання лежачих є маргінальним і навіть гіршим завдяки консервативному AV-ведучих блокує рухи людини.
  • Інфраструктурні налаштування: Оптимальне використання lane з AVs може вимагати виділених ланів, оновлений сигнал керування електронним провулком, а також надійні мережі зв'язку V2I. Ці оновлення вимагають суттєвих інвестицій та узгодження планування по юрисдикціях.
  • Етичні та безпечні проблеми: У змішаному трафікі, як повинен балансувати AV власними мережами з безпекою навколишнього транспорту? Моделі повинні вбудовуватися етичні рішення рамки, які прозорі та загальноприйняті.
  • Правові правила та політики: Відповідальність за порушення функцій, виконання правил дорожнього руху для AVs та конфіденційності щодо відстеження позицій транспортного засобу, всіх правових перешкод позики. Політики регуляції щодо моделювання результатів, що стосуються дотримання нормативних норм.
  • Кибербезпеки: Якщо шкідливі актори заважають V2V повідомлення, координація провулків може бути порушена, викликаючи сітки або аварійні ситуації. Моделі повинні включати тестування стійкості до резиденції.

Майбутні напрямки та наукові потреби

Моделювання автономних ефектів автомобіля на ламінації ще є настійним поле з багатьма відкритими питаннями. Один перспективний район - використання арматури, щоб навчати AVs для максимальної ефективності проїзду в реальному світі, багатоагентні середовища. Ще одним напрямком є інтеграція мікросимуляції з цифровими близками цілих міст, що дозволяє містобудівникам перевірити смуги прострочення перед розгортанням.

Також потрібні стандартизовані бендикти для моделей AV-трафіків. В даний час результати різних досліджень важко порівняти через різні припущення щодо час реакції, швидкості проникнення та затримки зв'язку. Організації, такі як , Науково-дослідна рада (TRB), працюють на гармонізацію протоколів моделювання.

Крім того, поздовжні дослідження, які слідують змінам використання мереж, як AV флоти виростають від пілотних програм до прийняття в основному потоку, забезпечують реальну перевірку світу, що не можуть запропонувати. До тих пір, ретельний аналіз чутливості є важливим до прийняття рішень політики на основі виключно на імітаційних виходів.

Висновок

Моделювання впливу автономних транспортних засобів на використання дорожніх мереж забезпечує цінні уявлення про майбутнє динаміки перевезення. Під час моделювання послідовно показують суттєві переваги в потужності, безпеці та ефективності при високих показниках прийняття AV, перехідний період вимагає ретельного планування. Точні моделі допомагають політикам адаптувати системи управління конями, апріоритетувати інфраструктурні інвестиції, а також правила ремесла, які балансують інновації з безпекою громадськості. Як автономна технологія зріла, ці методи моделювання стануть незамінними для забезпечення того, що Дорожні мережі залишаються ефективними, рівноважними та безпечними для всіх користувачів—як людський та машинний.