Hvordan ikke-lineariteter påvirker trafikkdynamikk og dannelse av phantom-køer

Ved å repetere grenseverdiberegningene fra Figur 2.32b for ulike verdier av α, identifiserte vi et stort bistabilt område i parameterrommet (β, α), som indikert med rød skyggelegging i Figur 2.32a. I denne figuren er den eneste kilden til ikke-lineariteter den menneskelige sjåførens rekkeviddepolicy i OVM-modellen. Dette innebærer at ikke-lineære førermodeller med tidsforsinkelse kan fange dannelsen av phantom-køer uten å ta hensyn til andre ikke-lineariteter. Andre ikke-lineariteter kan imidlertid kvantitativt påvirke dannelsen av phantom-køer.

Når antallet kjøretøy øker, vokser det bistabile området ytterligere, som vist i Figur 2.34. Større kjøretøykjeder, eller såkalte "ringer", blir mer utsatt for dannelsen av phantom-køer. Dette har blitt demonstrert ved å bruke en ringkonfigurasjon med et variabelt antall kjøretøy, fra 6 til 24. Økningen i antall kjøretøy fører til at den bistabile regionen vokser, noe som betyr at større systemer er mer utsatt for dannelse av køer. En tilsvarende trend er observert i åpne kjeder av kjøretøy, som vi diskuterte i Seksjon 2.3.3. Det er også mulig å bruke store ringer som et verktøy for å fange opp de ikke-lineære dynamikkene i åpne kjøretøykjeder.

I lys av dette bør man vurdere hvordan man kan redusere risikoen for kødannelse ved å implementere teknologier som adaptiv cruisekontroll, der kjøretøyene er utstyrt med systemer som automatisk justerer hastigheten basert på avstand til forankjørende kjøretøy. Dette kan redusere hastighetsfluktuasjoner og bidra til en jevnere trafikkflyt, spesielt i tette trafikkforhold.

For å oppnå en bedre forståelse av hvordan slike teknologier kan anvendes for å forebygge trafikkproblemer, er det viktig å vurdere hvordan interaksjonen mellom menneskelige førere og automatiserte systemer kan optimaliseres. Trafikkmodeller som tar hensyn til både menneskelig atferd og teknologiske fremgang kan gi oss innsikt i hvordan vi kan skape et mer effektivt og stabilt transportsystem.

Hvordan Kontrollsystemer for Automatiserte Kjøretøy Påvirkes av Stabilitetskriterier og Tidsforsinkelse

Den teoretiske løsningen som er satt i balanse fører til at endringene i kontrollsystemet, under tilstedeværelse av forstyrrelser, kan modelleres ved en serie differensialligninger. Når de relevante parameterne for kjøretøyene (både AV og HV) er definert, kan lineariseringen av systemet gi en form for tilpasset dynamikk som kan analyseres ved hjelp av stabile overføringsfunksjoner. Dette fører til evalueringen av både plant- og stringstabilitet på det lineære nivået.

En viktig del av stabilitetsanalysen er vurderingen av hvordan systemets karakteristiske røtter (fra den karakteristiske ligningen) påvirkes av de forskjellige dynamiske parameterne i systemet. For at systemet skal være stabilt, må alle røttene befinne seg i den venstre halvdelen av det komplekse planet, som i praksis betyr at de reelle delene av disse røttene må være negative.

Videre, når det er forsinkelser i responsen til kontrollsystemet, for eksempel i form av tidsforsinkelse (σ), kan dette komplisere stabilitetsbetingelsene ytterligere. I systemet med tidsforsinkelse blir karakteristikkene til de lineære dynamikkene påvirket av forsinkelsen, og de nødvendige stabilitetskriteriene må også ta hensyn til disse tidsforsinkelsene. Dette innebærer at responsen på en endring ikke er umiddelbar, og må vurderes ved hjelp av komplekse overføringsfunksjoner som inkluderer eksponentielle funksjoner og sinus-kosinus-termer relatert til forsinkelsen.

I praksis vil dette bety at både plant- og stringstabiliteten kan påvirkes av forsinkelsen i systemet. For å sikre at stabiliteten opprettholdes under slike forhold, er det nødvendig å vurdere hvordan forsinkelsen påvirker systemets egenverdier og derigjennom stabilitetens grenser. For eksempel, i tilfelle av en systemforsinkelse som påvirker akselerasjonen til det automatiserte kjøretøyet, kan forsinkelsen føre til at systemet blir ustabilt på visse frekvenser.

En annen viktig aspekt er hvordan forskjellige verdier av parametrene, som motstandstermene (η), påvirker stabilitetsgrensene for systemet. Økte verdier av motstand kan føre til at systemets stabile område krymper, hvilket igjen øker risikoen for ustabilitet i systemet.

Leseren må derfor forstå at kontrollsystemene for automatiserte kjøretøy er svært følsomme for endringer i både modellparametrene og systemdynamikken. Når systemet er optimalisert for et sett med forhold, kan selv små endringer i parameterverdier (som hastighet, avstand, eller motstand) føre til betydelige endringer i stabiliteten, både på plantnivå og på stringnivå.

Den adaptive cruise control-modellen er et eksempel på hvordan kontroll kan tilpasses i sanntid for å opprettholde stabilitet under varierende forhold, men det er viktig å merke seg at dette systemet er avhengig av presis styring og rask respons for å være effektivt. Når forsinkelsene blir for store, kan systemet miste evnen til å tilpasse seg raskt nok til å opprettholde ønsket stabilitet, noe som kan føre til farlige situasjoner på veien.

I tillegg er det viktig å vurdere hvordan systemet reagerer på eksterne forstyrrelser, som kan komme fra værforhold eller andre trafikksituasjoner. For eksempel, under regn, snø eller tung trafikk, kan reaksjonstiden for kontrollsystemet være for høy, og dette kan føre til en forverring av stabiliteten. Slike faktorer kan kreve ytterligere justeringer av systemets kontrollparametre for å sikre at stabilitet opprettholdes under ulike kjøreforhold.

Hvordan Tilkoblede Kjøretøy kan Redusere Trafikkbelastning og Forbedre Trafikkflyt

I simuleringene som er utført på kjøretøykjeder med både menneskedrevne kjøretøy og CAV-er, er det tydelig at CAV-er kan redusere hastighetsforstyrrelser, spesielt når de har høy penetrasjon i trafikken. Når CAV-ene reagerer på informasjon fra de tilkoblede kjøretøyene foran dem, skjer det en betydelig reduksjon i hastighetsvariasjonene langs hele kjøretøyrekken. Dette skaper en jevnere og mer stabil trafikkflyt. I sammenligning med automatiserte kjøretøy (AV-er) som kun utfører Adaptive Cruise Control (ACC), er CCC-systemene langt mer effektive i å holde kjøretøykjeden stabil, selv ved lave penetrasjonsnivåer av CAV-er.

Resultatene av simuleringene viser at en CAV-penetrasjon på bare 33,33% (hvor hvert tredje kjøretøy er et CAV) allerede kan bidra til å dempe de negative effektene av string instability. Ved høyere penetrasjonsnivåer, som 50%, blir denne effekten enda mer uttalt. Tilkoblede kjøretøy har et klart fortrinn i forhold til ACC-systemer, ettersom de tidlig kan begynne å bremse og på den måten unngå store hastighetsnedsettelser i køen.

Videre viser simuleringene at når CAV-ene er godt integrert i en blandet trafikkflyt, kan de oppnå det som kalles "head-to-tail string stability". Dette betyr at bilen bakerst i rekken reduserer hastigheten sin i mindre grad enn bilen foran, selv om det er flere menneskedrevne kjøretøy i kjeden. Denne stabiliteten i køen er avgjørende for å unngå alvorlige trafikkbelastninger, da det reduserer risikoen for plutselige stopp eller brå hastighetsendringer som ellers kunne føre til trafikkork.

I den numeriske simuleringen med forskjellige penetrasjonsnivåer av CAV-er (16,67%, 33,33% og 50%) vises en betydelig forbedring i trafikkflyten når CAV-ene begynner å respondere på informasjonen fra de tilkoblede kjøretøyene foran seg. Dette fører til en jevnere og mer forutsigbar trafikk, noe som reduserer behovet for hyppige bremsingene som kan oppstå i en helt menneskedrevet trafikkstrøm.

Det er viktig å merke seg at disse fordelene ikke nødvendigvis er avhengige av at alle kjøretøy i kjeden er CAV-er. Selv ved lavere penetrasjon kan CAV-ene bidra til å stabilisere trafikken betydelig, noe som er en viktig forskjell fra tidligere systemer som bare benyttet ACC. Spesielt ved lav penetrasjon (for eksempel 16,67%) kan CAV-er fortsatt redusere hastighetsforstyrrelsene i de menneskedrevne delene av trafikkstrømmen, og dermed forbedre den generelle stabiliteten i systemet.

I et mer omfattende perspektiv kan det å implementere CCC i blandede trafikkmiljøer gi store gevinster for trafikksikkerhet og effektivitet. Kjøretøy som er i stand til å kommunisere og koordinere med de andre kjøretøyene på veien, kan ikke bare bidra til å redusere trafikkbelastning, men også forbedre fremkommeligheten og redusere risikoen for ulykker. For å oppnå dette på en praktisk og effektiv måte, er det nødvendig å utvikle og implementere algoritmer som kan håndtere de dynamiske forholdene i ekte trafikkflyt.

De neste trinnene i utviklingen av CCC-teknologi vil innebære å teste systemene på større skala, både i simulerte og virkelige trafikkforhold. Dette vil kreve omfattende testing og justering av parametere, for eksempel responsen på hastighetsendringer og kommunikasjon mellom kjøretøyene. Videre er det nødvendig å fokusere på å gjøre teknologien tilgjengelig for et bredt spekter av kjøretøy, inkludert eldre biler som kan kreve ekstra tilpasning for å fungere optimalt med CAV-er i blandede trafikkstrømmer.

I tillegg til dette er det viktig å forstå hvordan samspillet mellom CAV-er og menneskedrevne kjøretøy kan påvirke trafikkflyt under ulike forhold. Selv om CAV-er kan bidra til stabilitet, er det fortsatt en utfordring å integrere dem sømløst i et trafikksystem som hovedsakelig består av tradisjonelle kjøretøy. For at CAV-er skal fungere optimalt, er det derfor nødvendig å sørge for at alle kjøretøyene kan kommunisere og samhandle effektivt, samtidig som man tar hensyn til de forskjellige egenskapene ved menneskelige sjåfører og deres reaksjon på trafikksituasjoner.