Verbesserung der Koordination von vernetzten und autonomen Fahrzeugen

Verbunde und autonome Fahrzeuge (CAVs) können in Gruppen fahren, die man Platoons nennt. Diese Methode verbessert den Verkehrsfluss und spart Sprit. Allerdings brauchen die meisten aktuellen Systeme feste Pläne, die sich nicht an Echtzeitbedingungen anpassen können, was in stark frequentierten Netzwerken ein Problem ist. In diesem Papier schauen wir uns an, wie man diese Systeme besser machen kann, wenn der Verkehr unregelmässig ist.

#Vorteile des Platoonings

Platooning ermöglicht es Fahrzeugen, nah beieinander zu fahren, was den Luftwiderstand verringert und die Strassenkapazität verbessert. Das ist besonders nützlich für grössere Fahrzeuge, die oft mehr Sprit verbrauchen. Die aktuellen Managementsysteme für Platooning bestehen aus drei Ebenen: den Fahrzeugen selbst, den Verkehrsknotenpunkten und dem gesamten Strassennetz. Während frühere Forschungen sich meist auf das Verhalten der Fahrzeuge konzentrierten, haben neuere Studien begonnen, zu untersuchen, wie verschiedene Fahrzeuge an Knotenpunkten und im gesamten Netzwerk zusammenarbeiten.

#Herausforderungen bei aktuellen Systemen

Ein häufiges Problem in der bestehenden Forschung ist die Idee, dass Pläne fest sind und sich nicht an Verkehrsänderungen anpassen können. Das System an Echtzeitbedingungen anpassungsfähig zu machen, könnte zu besserem Ressourcengebrauch und insgesamt besserer Leistung führen.

#Unser Ansatz

Diese Studie konzentriert sich darauf, wie man CAVs in stark frequentierten Netzwerken koordiniert, indem man eine Methode namens approximative dynamische Programmierung verwendet. Dieser Ansatz ermöglicht flexiblere Entscheidungen an jedem Knotenpunkt basierend auf Echtzeitinformationen.

#Koordination an Knotenpunkten

An einer Autobahnkreuzung gibt es Geräte namens Detektoren, die Informationen über Fahrzeuge sammeln, einschliesslich deren Ziele und erwarteten Ankunftszeiten. Diese Informationen gehen an einen virtuellen Controller an der Kreuzung, der entscheidet, ob ein Fahrzeug dem bereits fahrenden Platoon beitreten soll.

Wenn Fahrzeuge die Kreuzung verlassen, können sie in einem Platoon fahren, was hilft, Sprit zu sparen, weil sie nah beieinander sind. Die Strategie, die für das Platooning verwendet wird, hängt von einem Gleichgewicht zwischen Minimierung der Reisezeit und des Spritverbrauchs ab, und unsere Methode hilft den Controllern, Entscheidungen zu treffen, die dieses Gleichgewicht verbessern.

#Frühere Forschung

Die meisten früheren Studien zum Platooning konzentrierten sich darauf, Routen im Voraus zu planen, wobei alle Fahrzeugbewegungen im Voraus bekannt sein müssen. Einige Forscher haben Methoden entwickelt, die eine Koordination zwischen verschiedenen Fahrzeugen durch verteilte Controller in einem Netzwerk ermöglichen. Allerdings erforderten diese Studien oft, dass alle Fahrzeugfahrten vor der Planung bekannt waren.

In dieser Arbeit konzentrieren wir uns darauf, Entscheidungen zu treffen, während Fahrzeuge bereits unterwegs sind, was bedeutet, dass wir uns an das anpassen, was in Echtzeit passiert.

#Markov-Entscheidungsprozess

Um Fahrzeuge an Knotenpunkten zu koordinieren, verwenden wir ein mathematisches Modell namens Markov-Entscheidungsprozess. Dieses Modell hilft dabei, welche Massnahmen je nach verschiedenen Zuständen zu ergreifen sind, wie etwa wie weit die Fahrzeuge auseinander sind und wohin sie wollen. Das Ziel ist es, Kosten wie Reisezeit und Spritverbrauch zu minimieren.

#Analyse der Koordination ohne Routing

Zunächst schauen wir uns an, wie Platooning koordiniert werden kann, ohne Routen zu berücksichtigen. Diese Analyse hilft uns zu verstehen, wie Controller effektiv zusammenarbeiten können. Allerdings ist es ziemlich komplex, präzise Lösungen dafür zu finden, wie Controller handeln sollten.

Um das anzugehen, schlagen wir zwei allgemeine Methoden auf Basis dynamischer Programmierung vor, die sich darauf konzentrieren, nahezu optimale Strategien zu finden, ohne jedes Detail zu kennen.

#Koordiniertes Platooning über mehrere Knotenpunkte

Als Nächstes untersuchen wir, wie man Platooning über mehrere Knotenpunkte koordinieren kann. Jeder Knotenpunkt wird weiterhin einen eigenen virtuellen Controller haben, und wir werden die gleichen Prinzipien verwenden, um zu verwalten, wie Fahrzeuge zusammenkommen oder sich aufteilen.

#Mikroskopisches Fahrzeugfolgemodell

Für dieses Papier verwenden wir ein spezifisches Fahrzeugfolgemodell, das betrachtet, wie Fahrzeuge auf der Strasse aufeinander reagieren. Das hilft uns zu verstehen, wie Fahrzeuge sichere Abstände einhalten und ihre Geschwindigkeit anpassen, insbesondere wenn sie Teil eines Platoons sind.

#Problemdefinition

Wir betrachten, wie man die Koordination an jedem Knotenpunkt in Bezug auf Zustände (wie Abstände zwischen Fahrzeugen) und Aktionen (wie die Wahl einer Route oder Geschwindigkeit) einrichtet. Damit können wir einen Weg finden, die Gesamtreisekosten zu senken.

#Echtzeit-Koordination

Dann richten wir unseren Fokus auf die Koordination von Fahrzeugen in Echtzeit. Das beinhaltet, wie man Routing-Entscheidungen priorisiert, die die effektivsten Wege basierend auf den aktuellen Verkehrsbedingungen berücksichtigen.

Durch das Aufteilen des Entscheidungsfindungsprozesses in kleinere Komponenten ermöglichen wir es den Controllern, sich an laufende Veränderungen anzupassen.

#Simulationsergebnisse

Mit einer Simulationsplattform testen wir unsere vorgeschlagenen Ansätze in einem komplexen Strassennetz. Wir generieren eine grosse Anzahl von Fahrzeugen, um zu sehen, wie gut unsere Methoden im Vergleich zu traditionellen Ansätzen abschneiden.

Die Ergebnisse zeigen, dass Fahrzeuge, die in Platoons fahren, zu erheblichen Senkungen der Reisekosten führen können, insbesondere während starker Verkehrszeiten.

#Anpassungsfähiges Routing und Belastbarkeit

Wir untersuchen auch, wie unser Koordinationssystem auf Veränderungen reagiert, wie z.B. wenn ein Strassenabschnitt vorübergehend gesperrt ist. Unser Ansatz erweist sich als effizient, selbst wenn Störungen auftreten, und zeigt seine Anpassungsfähigkeit.

#Fazit

Zusammenfassend präsentiert diese Studie einen Weg, CAVs unter wechselnden Verkehrsbedingungen durch flexible Planung zu koordinieren. Durch die Kombination traditioneller Methoden mit Echtzeitdaten glauben wir, dass es möglich ist, sowohl die Kraftstoffeffizienz als auch den Verkehrsfluss auf unseren Strassen zu verbessern.

Diese Arbeit eröffnet mehrere potenzielle Bereiche für zukünftige Untersuchungen, wie die Integration zusätzlicher Verkehrsinformationen in Entscheidungsprozesse und die Erforschung, wie menschlich gesteuerte Fahrzeuge in gemeinsam genutzten Umgebungen mit CAVs interagieren. Diese Erkenntnisse werden zu einem effektiveren und effizienteren Verkehrssystem beitragen.