Hvordan periodiske randbetingelser kan realiseres i trafikksimuleringer

Eksperimenter har vist at periodiske randbetingelser faktisk kan realiseres på åpne veier ved hjelp av V2X (Vehicle-to-Everything) tilkobling. Tenk deg N identiske kjøretøy med lengde $l$ plassert på en ring, som vist i figur 2.13. Omkretsen til ringen er $L + Nl$, hvor $L$ er den netto ringlengden. Dynamikken til kjøretøyene, $i = 1, 2, \dots, N$, kan beskrives ved de $2N$ skalar differensialligningene som gis av (2.21). Disse blir supplert med den periodiske randbetingelsen $h_{N+1} = h_1$ og $v_{N+1} = v_1$. Videre er summen av avstandene mellom kjøretøyene lik den netto ringlengden, $\sum_{i=1}^N h_i = L$.

For å oppfylle dette, er det to alternativer: (i) uttrykke en av avstandene $h_i$ fra (2.92) og se bort fra differensialligningen som styrer denne avstanden; (ii) bruke alle $2N$ differensialligninger og sørge for at de løses nøyaktig med initialbetingelser som tilfredsstiller (2.92). I vår analyse velger vi det siste alternativet. Figur 2.14 viser numeriske simuleringer for $N = 24$ identiske kjøretøy ved bruk av ringkonfigurasjonen. OVM-modellen (2.4) ble brukt med en trappeformet linjær rekkevidde-politikk (2.5), (2.6). To paneler vises for to forskjellige sett med sjåførparametere.

Den første panelen (a) viser et ustabilt tilfelle hvor hastigheten til kjøretøyene begynner å oscillere med økende amplituder, mens det andre (b) viser et stabilt tilfelle hvor systemet når en jevn hastighet og avstand i likevekt. Dette fenomenet kan forklares ved at vi her har to forskjellige sett med sjåførparametere, $\beta$ og $\alpha$, som gir et ustabilt og et stabilt scenario (henholdsvis punktene R og T i figur 2.15). Initialbetingelsene ble satt ulikt mellom kjøretøyene, og dette førte til vekstende oscillasjoner i det ustabile tilfellet.

Når det gjelder den stabile tilstanden, finner systemet en jevn løsning der alle kjøretøyene beveger seg med samme hastighet og avstand. I denne konfigurasjonen er ikke bevegelsen til det første kjøretøyet lenger avgjørende for systemets dynamikk. I stedet bestemmes likevekten av den netto ringlengden $L$ og antallet kjøretøy $N$. Dette innebærer at for å analysere systemets stabilitet, må vi se på lineariseringen av systemet rundt den jevne strømmen, som kan gjøres ved å introdusere forstyrrelser i bevegelsen til kjøretøyene.

Dynamikken til kjøretøyene kan beskrives med den linearisierte modellen $\dot{x}_i = a x_i + b c x_{i+1}$, der $a$ og $b$ representerer systemparametere, og $c$ er en konstant som beskriver hvordan påvirkningen fra ett kjøretøy påvirker det neste. Ved å bruke matrisen $A$ for systemet, kan stabiliteten til den uniforme strømmen bestemmes ved å analysere egenverdiene til denne matrisen. Den stabile løsningen kan eksistere dersom egenverdiene har negative reelle deler, hvilket er en betingelse for at systemet skal være stabilt.

Den spesielle strukturen til matrisen $A$ gjør det mulig å analysere systemets stabilitet ved hjelp av en koordinattransformasjon. Denne transformasjonen fører til et sett med uavhengige differensialligninger for hver mod, som representerer de ulike oscillasjonene i systemet. Stabiliteten til disse modene kan bestemmes gjennom de karakteristiske ligningene som er formulert i systemet. For de forskjellige modene, er stabilitetskriteriene avhengige av de spesifikke parametrene $\alpha$ og $\beta$, som påvirker hvordan kjøretøyene reagerer på endringer i hastighet og avstand.

Det er viktig å merke seg at den lineære stabiliteten til systemet ikke nødvendigvis er det samme som den faktiske stabiliteten under realistiske forhold. For eksempel, selv om en jevn strøm kan være stabil i teorien, kan små forstyrrelser eller variasjoner i kjøreforholdene føre til at systemet blir ustabilt i praksis. Derfor er det nødvendig å vurdere systemets stabilitet under både lineære og ikke-lineære forhold, og å inkludere effektene av sjåførens reaksjonstid og kjøreforhold i analysen.

I den praktiske implementeringen av slike modeller er det også viktig å forstå at kjøretøyene ikke opererer i et vakuum. Reelle trafikkforhold innebærer interaksjoner med andre trafikantgrupper, som fotgjengere, syklister og andre biler. Dette kan skape ytterligere kompleksitet i analysen, da man ikke bare har å gjøre med kjøretøy som følger bestemte regler, men med et dynamisk og variert trafikklandskap.

Hvordan tidsforsinkelse påvirker stabiliteten i trafikkflyt og menneskets kjøreatferd

Egenverdiene er fremstilt i henhold til punktene merket P, T og V i Figur 2.17. Det er viktig å merke seg at det finnes uendelig mange egenverdier, men figuren viser kun de høyre eigenverdiene, som er beregnet numerisk ved hjelp av DDE-BIFTOOL [49, 194]. Punkt T er stabilt for plantene, mens punktene P og V er ustabile med et kompleks konjugert par av ustabile egenverdier, og en reell ustabil egenverdi, henholdsvis, da de befinner seg utenfor plantens stabilitetsgrense knyttet til .s = jΩ og .s = 0.

Nå vil vi diskutere detaljer om analysen av strengstabilitet. Strengstabilitetsbetingelsen er gitt av Teorem 2.2, som kan evalueres basert på størrelsen .|T (jω)| av overføringsfunksjonen (2.136) ved .s = jω: .T (jω) = jβω + ακ − . ω2 (cos(ωτ) + j sin(ωτ)) + j(α + β)ω + (2.140) ακ. Dermed må .|T (jω)| < 1 gjelde for alle .ω > 0 for å sikre strengstabilitet. Dette er illustrert i Figur 2.20c, som er den forsinkede motparten til Figur 2.10c.

Strengstabilitet kan gå tapt på to fundamentalt forskjellige måter: Når .|T (jω)| overskrider én ved.ω = 0, som i Figur 2.20a, b, eller ved.ω > 0, som illustrert i Figur 2.20d, e. Vi refererer kort til disse tilfellene som .ω = 0 og.ω > 0 strenginstabilitet, henholdsvis. Merk at for tilfeller uten forsinkelse i Figur 2.10, kan kun .ω = 0 strenginstabilitet forekomme, mens .ω > 0 strenginstabilitet skyldes forsinkelsen.

Videre kan vi uttrykke strengstabilitetsbetingelsen i enklere former, som følger:

|T (jω)| < 1 ⇐⇒ |T (jω)|² < 1 ⇐⇒ P(ω) > 0 , ∀ω > 0 , (2.141)

hvor P(ω) er definert slik:

P(ω) = ω² + α² + 2αβ − 2(α + β)ω sin(ωτ) − 2ακ cos(ωτ) . (2.143)

Den tilsvarende grafen for P(ω) som funksjon av ω er vist i Figur 2.21. Når vi vurderer strengstabilitet ved .ω = 0, ser vi at grafen for .|T (jω)| starter fra én med null stigning. Dette innebærer at egenskapene i (2.88) og (2.89) gjelder selv med forsinkelse, og strengstabilitetsbetingelsen ved .ω = 0 kan dermed skrives som:

P(0) > 0 . (2.144)

Substituering av uttrykket for P(ω) gir stabilitetsbetingelsen α > 0 , og α > 2(κ − β), som er den samme som i tilfelle uten forsinkelse, jf. (2.86). Disse grensene er vist i Figur 2.17 med blå rette linjer og er identiske med de i Figur 2.7 for tilfeller uten forsinkelse.

Selv om grensene for strengstabilitet ved .ω = 0 er de samme som i tilfelle uten forsinkelse, kan tidsforsinkelsen føre til .ω > 0 strenginstabilitet. For å analysere dette, ser vi på stabilitetsgrensene hvor følgende betingelser holder:

|| |T (jω̂)|| = 1 , d |T (jω̂)| / dω = 0 , (2.146)

for noen ω = ω̂ > 0, som er ekvivalent med P(ω̂) = 0, dP (ω̂)/dω = 0, jf. Figurene 2.20d og 2.21d.

Substituering av uttrykket for P(ω) inn i (2.146) og uttrykk for α og β gir strengstabilitetsgrensene som:

ω̂ α = a ± (κτ − 1) ( τ c a² + + κ sin ω̂ ) b , (2.148)

der disse grensene er parametrisert med ω̂ > 0. Grafene for strengstabilitetens grenser er vist i Figur 2.17 med blå kurver, hvor den strengstabile regionen er skygget mørkt grått. Tidsforsinkelsen reduserer den strengstabile regionen, og et økt forsinkelse krymper denne sonen, som vist i Figur 2.22. Hvis den kritiske verdien for forsinkelse, .τcr, overskrides, forsvinner den strengstabile regionen. Ved den kritiske forsinkelsen, .τ = τcr, blir den strengstabile regionen til et enkelt punkt, hvor punktene A, B og C, merket i Figur 2.17, sammenfaller.

Den kritiske forsinkelsen kan finnes ved å bestemme punktene A, B og C, hvor A er skjæringspunktet for grensene ved .ω = 0, mens B og C er startpunktene for grensene ved .ω > 0. For .τ > τcr finnes det ingen kombinasjon av α og β som kan sikre strengstabilitet.

Dette viser at reaksjonstiden til føreren er en kritisk faktor som påvirker stabiliteten i trafikkflyt bestående av menneskedrevne kjøretøy. Menneskelige sjåfører kan ofte opptre i en strenginstabil måte som kan føre til dannelsen av trafikkork på motorveier.

Hva forårsaker phantom-korker i menneskedrevet trafikk? Bistabilitet og ikke-lineær dynamikk

I dynamiske systemer som trafikkflyt er ikke-lineære effekter fundamentale for å forstå uvanlige trafikkfenomener som phantom-korker. Slike fenomener kan ikke forutses ved hjelp av lineær analyse, som kun tar hensyn til små forstyrrelser. I kontrast til dette er ikke-lineære systemer i stand til å vise komplekse og uforutsigbare oppføringer som bistabilitet, der både stabile og ustabile tilstander kan sameksistere og påvirke trafikkflyten. Dette fenomenet er viktig for å forstå de store variasjonene i trafikkmønstre, fra jevn flyt til plutselige stopp og køer, og krever en dypere utforskning av de underliggende mekanismene.

En enkel, men effektiv modell for trafikkdynamikk kan skapes ved å se på kjøretøy på en ringvei, som gjør det lettere å analysere systemet. Her er kjøretøyene koblet sammen med periodiske randbetingelser, og avstandene mellom kjøretøyene må tilpasses den totale lengden på ringen. Når vi analyserer stabiliteten til slike systemer, kan vi observere at trafikkflyten kan være enten jevn og stabil eller preget av ustabile forstyrrelser som vokser over tid. I tilfelle av et stabilt likevekt, vil små forstyrrelser, som en bils plutselige bremsing, bli dempet, og trafikken vender tilbake til en jevn flyt. Derimot, i et ustabilt likevekt, vil forstyrrelsene vokse, noe som kan føre til større trafikkområder som blir sakte og til slutt stopper opp.

Det som er spesielt ved ikke-lineære dynamiske systemer, er muligheten for periodiske løsninger, kjent som grensekretser. Disse representerer et fenomen hvor kjøretøyene går gjennom store svingninger i hastigheter og avstander til tross for at systemet ellers er i en stabil tilstand. Disse svingningene kan repetere seg over tid, og i trafikkens tilfelle kan dette manifestere seg som det såkalte phantom-korkene, hvor trafikken står stille i perioder for deretter å akselerere til en viss hastighet, før den stopper igjen. Dette er en form for stans-og-gå-bevegelse som gjentar seg med en høy amplitudefrekvens.

En spesiell type bifurkasjon som kan føre til slike periodiske bevegelser er Hopf bifurkasjon. Denne skjer når de karakteristiske røttene til systemet krysser den imaginære aksen og skaper en gren av stabile grensekretser. I dette tilfellet vil et periodisk bevegelsesmønster, som et phantom-jam, oppstå. Denne bifurkasjonen kan bidra til at systemet går over fra jevn flyt til en ustabil periodisk bevegelse, og tilbake igjen, avhengig av parametrene for kjøretøyenes akselerasjon og bremsing.

En viktig oppdagelse i slike systemer er fenomenet bistabilitet. Det innebærer at både stabile likevektstilstander og stabile grensekretser kan eksistere samtidig. Dette betyr at trafikkflyten kan være jevn og uproblematisk under små forstyrrelser, men kan raskt gå over til en congested tilstand, som et phantom-jam, dersom forstyrrelsene er sterke nok. Dette fenomenet er et karakteristisk trekk ved ikke-lineære dynamiske systemer, og det illustrerer at menneskets kjøreatferd kan føre til to fundamentalt forskjellige oppføringer i samme trafikkoppsett.

For å forstå disse fenomene på et dypere nivå, har numeriske simuleringer blitt benyttet for å studere de ikke-lineære dynamikkene til kjøretøy i trafikk. Bruken av verktøy som DDE-BIFTOOL gjør det mulig å beregne stabiliteten til likevektene, samt analysere periodiske løsninger og deres stabilitet. Ved å implementere en modell som inkluderer kjøretøyets akselerasjons- og bremsesystemer, kan vi undersøke hvordan trafikkflyten responderer på endringer i kjøretøyparametrene, og hvordan forskjellige typer dynamiske oppføringer kan oppstå.

En av de mest interessante oppdagelsene i denne typen analyser er hvordan bistabiliteten avhenger av parametrene som beskriver førernes kjøreatferd, som for eksempel reaksjonstid og ønsket avstand til det foranliggende kjøretøyet. Når systemet er nær et Hopf-bifurkasjonspunkt, vil små endringer i disse parametrene føre til betydelige endringer i trafikkens oppførsel, som kan resultere i at trafikken enten forblir stabil eller går over til en phantom-kork.

Det er viktig å merke seg at mens lineær stabilitetsanalyse kan gi innsikt i de generelle trendene i trafikkflyten, er det bare den ikke-lineære analysen som kan avsløre de mer subtile og komplekse fenomenene som oppstår i menneskedrevet trafikk. Phantom-korker, som kan se ut som en plutselig og uforutsigbar hendelse, er i virkeligheten et resultat av de underliggende ikke-lineære dynamikkene og bistabiliteten i trafikkssystemet.

Det er også verdt å forstå at det ikke er bare de individuelle kjøretøyenes akselerasjon og bremsing som spiller en rolle. Kollektive dynamikker som interaksjonen mellom flere biler og deres individuelle reaksjoner på forstyrrelser, skaper en kompleks dynamikk som kan lede til både stabil flyt og plutselige stopp. Dette må tas i betraktning når man utvikler modeller for trafikkstyring og forutsigelse av køer.

Hvordan Tidsforsinkelse på Virksomheten til Kjøretøy Kan Forstås og Analyseres

Menneskene har konstruert kjøretøy for å transportere mennesker og varer siden hjulets oppfinnelse. Den økende betydningen av motoriserte kjøretøy, særlig fra det 20. århundre, har endret landskapet for hvordan folk beveger seg, og i dag finnes det mer enn én milliard kjøretøy på veiene, som kjører millioner av kilometer hver dag. Teknologiens utvikling har gjort det mulig for disse kjøretøyene å bli mer automatiserte, og trenden mot høyere nivåer av autonomi er stadig mer fremtredende. Kjøretøy kan nå kommunisere trådløst, noe som åpner for potensialet til å forbedre sikkerhet og effektivitet i transportsektoren.

For å oppnå denne forbedringen, er det viktig å forstå hvordan kjøretøy beveger seg, enten de er manøvrert av mennesker eller automatiserte systemer. Hvordan systemene fungerer sammen, og hvilken innvirkning forsinkelser i tidsrespons har, er kritiske faktorer i utformingen av fremtidens transport. Når vi ser på trafikk og dens dynamikk, blir tidens rolle uunngåelig et tema som ikke kan overses. Dette gjelder både i forhold til menneskelig atferd bak rattet og i sammenheng med automatiserte kjøretøy som samhandler gjennom kommunikasjonsinfrastruktur.

En essensiell forståelse av trafikkdynamikk starter med modeller for bil-following, som beskriver hvordan kjøretøy oppfører seg i forhold til hverandre på en vei. Modeller som car-following benytter seg av begreper som stabilitet, både plante-stabilitet (relatert til selve kjøretøyet) og string-stabilitet (som refererer til stabiliteten i et kjede av kjøretøy). Disse konseptene hjelper med å beskrive hvordan kjøretøy reagerer på forstyrrelser, som for eksempel plutselige bremsing eller akselerasjon. Når tidsforsinkelse, som den menneskelige reaksjonstiden, inkluderes i modellene, får vi en mer realistisk beskrivelse av hvordan kjøretøyene beveger seg i virkelig trafikk. Menneskelige sjåfører tar tid på å reagere på endringer i trafikkflyt, og det er viktig å inkludere disse forsinkelsene i analysene for å forutsi og kontrollere trafikkflyt på en mer presis måte.

Når man ser på automatiserte kjøretøy, må man inkludere de dynamiske egenskapene ved disse systemene, særlig hvordan de håndterer longitudinelle bevegelser, som for eksempel akselerasjon og bremsing. Prinsippene for cruise control og adaptiv cruise control spiller en viktig rolle her, ettersom de påvirker hvordan kjøretøyene reagerer på trafikk og hvordan systemene kan styre hastigheten basert på kjøretøyets omgivelser. Tidsforsinkelse er en kritisk komponent i kontrollsløyfene som styrer disse systemene. En feilaktig håndtering av forsinkelse kan føre til ustabilitet i trafikken, enten det er et menneskelig sjåfør som reagerer for sent, eller et automatisert system som ikke tar høyde for nødvendige justeringer raskt nok.

Videre, med utviklingen av "Vehicle-to-Everything" (V2X)-kommunikasjon, er det mulig å koble kjøretøy sammen og utveksle informasjon om kjøreforhold, hastigheter og andre relevante faktorer. Dette åpner for muligheter som kan forbedre stabiliteten i trafikken ved å tillate kjøretøy å reagere på endringer i sanntid, for eksempel ved å tilpasse hastighetene i et kjede av biler, eller ved å justere kjøremønstre for å forbedre trafikktetthet og sikkerhet. I disse systemene blir effekten av tidsforsinkelse og digital kontroll viktigere, ettersom hver handling må synkroniseres mellom kjøretøyene for å opprettholde stabiliteten.

Det er viktig å forstå hvordan tidens forsinkelse i både menneskelig og maskinstyrt kjøring kan påvirke trafikksystemene på en fundamental måte. For eksempel kan forsinkelser i reaksjon på endringer i trafikkmønstre forårsake forstyrrelser i kjøretøyets hastighet, noe som kan føre til opphopning av biler eller farlige situasjoner på veiene. Modellene som beskriver disse dynamikkene hjelper oss å forstå hvordan kjøretøy kan reagere på endringer i sine omgivelser og hvordan disse systemene kan koordineres for å oppnå et mer effektivt og trygt transportnettverk.

Ytterligere forskning og utvikling på dette området bør fokusere på mer presise modeller som inkluderer alle de variablene som påvirker kjøretøybevegelse, inkludert miljømessige faktorer, sensorfeil og uforutsette hendelser. På den måten kan vi bygge et mer robust system for både automatiserte og menneskestyrede kjøretøy, hvor tidsforsinkelse og interaksjon mellom enheter kan håndteres på en måte som maksimalt reduserer risikoen for feil og forbedrer den samlede trafikkflyten.

Hvordan tilpasse cruise-kontroll i blandet trafikk: Effektivisering av trafikkflyt ved hjelp av automatiserte kjøretøy

Adaptive cruise control (ACC) er en teknologi som er utformet for å gjøre kjøretøy mer autonome ved å justere hastigheten til et kjøretøy for å opprettholde en trygg avstand fra det foranliggende kjøretøyet. Denne teknologien har fått økt oppmerksomhet med fremveksten av automatiserte kjøretøy (AV-er) som opererer på de samme veiene som tradisjonelle menneskedrevne kjøretøy (HV-er). Bruken av ACC-teknologi i automatiserte kjøretøy kan redusere trafikkbelastning og øke trafikkflyten, spesielt når den integreres i blandede trafikksituasjoner der både AV-er og HV-er samhandler.

Modellen for automatiserte kjøretøy som benytter seg av ACC er basert på et sett av dynamiske ligninger som beskriver forholdene mellom ulike variabler, som hastighet, avstand, og kontrollinngang. For å forstå hvordan slike systemer fungerer, er det viktig å se på de spesifikke modellene som beskriver både den longitudinelle dynamikken i kjøretøyet og hvordan kjøretøyet reagerer på eksterne faktorer som førerens akselerasjon og veiens helning.

For systemet som beskrives i (3.74), er kjøretøyets bevegelse og kontroll mekanismer uttrykt gjennom ligningene:

• $\dot{h} = v_1 - v$

• $\dot{v} = -p(v) + \text{sat}(u)$

• $\dot{u} = \frac{1}{F(h, v, v_1)} - u$
  Her representerer $h$ avstanden mellom kjøretøyene, $v$ hastigheten til kjøretøyet, $v_1$ hastigheten til det ledende kjøretøyet, og $u$ kontrollsignalet som justerer hastigheten for å opprettholde en ønsket avstand.

Videre kan tilpassede metoder for beregning av kontrollfrekvenser og -parametere tilpasse systemet etter trafikkforholdene. Dette kan inkludere dynamiske justeringer av parameterne som regulerer kjøretøyets akselerasjon og retardasjon, samt innstillingene som tar hensyn til påvirkningen fra eksterne forhold som veiens helning eller vindmotstand.

Effekten av automatiserte kjøretøy på trafikkflyt blir spesielt tydelig når man vurderer hvordan de kan bidra til å stabilisere trafikken i blandede trafikkflytsystemer. Ved å bruke en bestemt penetrasjonsrate for automatiserte kjøretøy, kan systemet bidra til å dempe effektene av "string instability" som ofte oppstår i menneskedrevet trafikk. For eksempel kan en penetrasjonsrate på 33% med AV-er bidra til å redusere de forstyrrende effektene som forplanter seg bakover i kjeden av menneskedrevne kjøretøy, og dermed gi en mer stabil trafikkflyt. Dette kalles "head-to-tail string stability," hvor stabilitet i kjøretøykjeden oppnås når kjøretøyene er tilstrekkelig tilpasset og harmoniserte i sine bevegelsesmønstre.

Resultatene fra numeriske simuleringer viser hvordan denne stabiliteten kan oppnås i praksis. Når penetrasjonen av AV-er når 33%, begynner forstyrrelsene som genereres av menneskedrevne kjøretøy å reduseres betydelig, og ved 50% penetrasjon oppnås en fullt string-stabil kjede. Dette viser at automatiserte kjøretøy, når de er tilstrekkelig integrert i trafikkflyten, kan ha en betydelig positiv innvirkning på trafikkbelastning og redusere risikoen for trafikkorker.

Når det gjelder trafikkstyring i blandet trafikk, er det viktig å merke seg at ACC-systemer i AV-er er utformet for å kompensere for den tidlige reaksjonstiden og de uforutsigbare akselerasjonene som ofte er til stede i HV-er. Den avanserte kontrollteknologien som brukes i AV-er gjør det mulig å reagere raskere og mer nøyaktig på endringer i trafikkflyten, noe som kan bidra til å unngå trafikkorker og ulykker som ofte skyldes menneskelige feil.

For å analysere string stability i blandede trafikksystemer, brukes et verktøy som kombinerer overføringsfunksjoner fra hver enkelt kjøretøy-modell. Denne analysen tar høyde for hvordan forstyrrelser fra et kjøretøy kan forplante seg gjennom en kjede av kjøretøy, og hvordan AV-er kan bidra til å dempe disse forstyrrelsene.

I tillegg til de tekniske aspektene ved ACC, er det viktig å forstå hvordan det kan implementeres i virkelige trafikkmiljøer. Selv om simuleringene viser lovende resultater, må den virkelige verden også ta hensyn til faktorer som trafikkregulering, føreradferd, og infrastrukturen som støtter automatisert kjøretøyoperasjon. En viktig faktor er hvordan infrastrukturen kan tilpasses for å støtte et større antall automatiserte kjøretøy, inkludert trafikksignaler, veimerking, og kommunikasjonssystemer mellom kjøretøyene.

For videre forskning kan det være nyttig å fokusere på hvordan systemer kan optimaliseres for forskjellige trafikksituasjoner og hvordan de kan tilpasses varierende trafikkforhold. Implementeringen av avanserte kommunikasjonsteknologier som V2X (Vehicle-to-Everything) kan gi AV-er mer presis informasjon om trafikksituasjonen rundt dem, noe som kan bidra til å forbedre stabiliteten ytterligere. En annen viktig aspekt er hvordan AV-er kan samarbeide med HV-er i trafikken for å skape et mer effektivt og trygt trafikkmiljø.