狭窄的影响自动化Vehicle-Exclusive巷15号州际公路上快速通道

文摘

本研究的主要目的是评估一个创新基础设施的安全性和操作影响车辆安全、高效集成的自动化解决方案(AV)作为一种新兴技术在现有的交通系统。填补空缺的研究在有限的AV技术基础设施标准的影响,本研究调查的影响添加一个狭窄的可逆AV-exclusive巷1现有配置的高速公路在圣迭戈,导致9英尺AV可逆的车道,在两个方向,两个12英尺高和FasTrak车辆的车道。鉴于AVs的操作之间的差异和人为车辆和依赖的AVs传感器相对于人类的能力,问题是我们是否应该提供窄AV-exclusive道路假设AVs更精确的横向和纵向车道保持行为呢?为了实现项目的目标,一个历史事故数据分析和交通进行了仿真分析。事故数据分析显示,不安全的速度,将不当,不安全的车道改变1碰撞是最反复出现的主要因素。AVs的自动纵向和横向控制系统可能会降低这些类型的碰撞在一个AV-exclusive巷为AV传感器提供适当的基础设施功能操作(例如,不同的车道标志)。微观分析结果表明一个AV-exclusive车道可能会增加交通流量和密度高达14%和24%,分别。它还表明,平均速度降低。然而,这可能导致之间的速度差增加车道和邻近专用车道需要仔细考虑是否需要额外的治疗或障碍。这项研究的结果有助于基础设施适应AV技术和未来AV-exclusive通道实现。

1。介绍

作为世界上发现自己在下一次工业革命的开始,自动车辆(AV)是一个关键的驱动程序。路上AVs的数量增加,越来越多的人拥抱新技术。美国国家公路交通安全管理局(NHTSA)事故2018年统计数据显示,汽车事故的关键原因是司机相关错误(94%),vehicle-related错误(2%),环境因素(2%),和其他因素(2%)(1]。司机相关错误包括识别错误,决策错误、性能错误、不履行错误,等。Vehicle-related错误包括轮胎,刹车,方向盘,和引擎错误,而环境因素包括光滑的道路,眩光,查看障碍物,标志和信号,等天气因素。AVs是一个可行的选择极大地提高道路安全,避免碰撞,一般司机诱导。然而,AVs的安全性和性能在实际条件需要仔细评估。

安全部署AVs在真实条件下需要修改现有的基础设施。今天的AVs在早期阶段的自主权,AVs的不断互动与传统车辆和交通中断可能导致安全问题。因此,引入一个AV-exclusive巷作为基础设施改造是一个实际的解决方案来减少AVs和传统车辆之间的相互作用。

本研究的目的是扩大知识库的安全性和操作的影响高速公路专用道住客,并调查影响的狭窄AV-exclusive可逆巷1在圣地亚哥县,加利福尼亚,作为一个案例研究。15号州际公路(1)快速通道(ELs)走廊,国家之间的163号公路(sr - 163)和通过牧场百汇,目前提供模式4和toll-paying FasTrak车道除以可移动的障碍。可以提供的车道组合,根据峰的方向和位置可移动的障碍,将向北(NB)和南行(某人)EL交通2 NB和2某人,1 NB 3某人或某人(参见图3 NB和11(一))。加州运输局正在寻求有效的方法来处理更多的流量等效弹目视线的,特别是在高峰期间或当船向所有人开放交通重大事故。之间的可用宽度固定的混凝土障碍物的EL设施定期航线,有可能添加一个狭窄的可逆的车道只有住客使用。这个可逆的AV巷旅游高峰流量方向将9英尺宽,位于旁边的可移动的障碍。NB和某人EL的方向,会有两个模式12英尺宽车道和FasTrak车辆和旁边的肩膀外固定障碍将是8英尺宽(见图1 (b))。新配置,问题是什么是AV车道的交通的影响和注意事项和AVs能否安全运行在一个9英尺车道?

完成目标的研究,进行了以下任务。首先,进行了文献回顾与AV横向控制技术,车道宽度的影响,AVs的交通系统的影响。接下来,详细分析事故1 ELs的历史进行了解事故的类型和原因,至少部分归因于AV系统。最后,进行了交通微观仿真,模拟3-conditional自动化自动化水平,理解的影响有一个狭窄的AV-exclusive可逆巷1在隧道。

2。文献综述

本文献回顾探讨车辆横向控制系统、车道宽度安全、AV安全,在AV和高清的角色映射操作,建立科学的状态和相关的背景资料。了解当前技术的局限性,研究的方向是与AV操作必须被认为是本研究所得。鉴于AVs操作在公共道路上仍处于刚刚起步的阶段,缺乏可用的数据和充足的机会为未来的研究来解决住客的性能的操作和安全上下文。

2.1。横向控制系统

横向控制技术迭代开发,发展从车道偏离警告系统侧向辅助系统巷定心系统。车道偏离警告(LDW)系统只警告司机,他们的车辆偏离了车道。Amditis et al。2)避免了车道偏离系统能够处理不同的交通状况。通过使用环境感知传感器如摄像机、雷达、激光扫描仪,和GPS,输入数据进行收集和感知,决策制定和采取的行动是车辆控制器。Cualain et al。3]目前LDW系统利用多个光学相机图像处理方法。作者发现该系统比单相机系统更健壮的较高的检测率。拟议的系统使用一个车道分割策略修改减法聚类算法。Zhang et al。4)提出了一个基于相机支持LDW系统分析灰度分布。提前精简指令集计算机(手臂)基础平台被用来执行一个车道偏离风险评价模型基于持续时间和频率。产生了足够的车道检测的结果进行实地测试。

一些研究已经进行了使LDW系统更容易获得各种各样的消费者和汽车。萧et al。5)创建了一个手持LDW系统可以安装在汽车仪表盘。开发的算法使用一个峰发现方法和特征提取,确定车道边界。

随着LDW技术的成熟,研究开始关注系统的改进,以及使他们更健壮的耦合与其他技术。Clanton et al。6]探索与GPS技术耦合LDW LDW提高系统精度。控制器系统测量GPS误差利用LDW,使其开发调整措施。如果LDW系统失败,使用预先计算的修正措施,GPS会协助LDW功能直到LDW恢复功能。Enache et al。7提出积极转向援助系统,作为避免车道偏离和lane-keeping系统。作者的重点是lane-keeping转向援助系统的性能,而车辆的司机的控制。LDW技术的进步为更复杂的系统所必需的AV铺平了道路横向控制。

Lane-Keeping帮助(党的)系统警告,然后帮助司机回到车道,如果检测到漂流的中心。党的有关感知环境的挑战和处理速度不够快的信息助手在控制器决策。王等人。8]探索时间延迟的挑战与摄像机的图像处理在不同的采样率影响车辆横向控制。作者提出了一个结合视觉车辆模型来解决低采样频率和不同时间延迟的几何计算方法基于模型的状态。实地测试的方法表明,系统更新的横向位置高于当前车载测量系统。

赵et al。9)提出了一种两级车辆横向控制系统,上层开发所需的转向角基于从车辆传感器感知信息。multimodel模糊控制算法设计车道跟踪任务lane-keeping和换道控制器。低液位控制器利用转向角计算并生成转向执行机构的控制信号。随着党的系统成熟,更多关注的是针对他们的表现在所有条件。Mustaki et al。10]提出一个优化lane-centering辅助系统(lca)(注意,作者描述了lca,它的功能是一个党的系统),利用multiscenario方法考虑性能当系统受环境因素(风、曲线等),并进行仿真。

全自动的横向控制是AVs的最终状态,最近研究横向控制集中在车道中心(LC)。彭德尔顿et al。11)进行了广泛的文献回顾当前系统和算法与AVs的操作。特别感兴趣的,作者钻研细节的功效不同AV环境感知系统,如激光雷达、相机、INS /犬,和GPS。作者还探讨各种车辆控制策略,强调几何控制和基于模型的方法。车辆定位和缺乏更新地形图被确认为系统总体的挑战;然而,作者指出的进步同步定位和映射(大满贯)可能会解决这个问题。

环境感知是车道中心的一个关键方面不断增加和更复杂的研究主题。伊斯梅尔(12]讨论了BlueBox计算系统的设计与实现使自主车辆的实时感知能力。使用各种子系统和传感器,lane-centering辅助系统提供车道检测和跟踪和也能提供积极的指导让车辆自动居中。通过前置摄像头检测到外部环境,然后引导继续跟踪通过车道检测和跟踪算法。Berriel et al。13)提出了一个应用,实时ego-lane分析系统,能够估计ego-lane位置,分类车道标记类型和道路分段,执行车道偏离警告,并检测车道改变事件。该系统结合的环境检测系统(相机)使用一个算法。工作在一个时间序列,莱茵分段特性提取相机和最终的估计计算车道花键。

Broggi et al。14]试图解决的挑战是设计一个通用的路径规划和一个关联的低级控制自主车辆在未知的环境中进行操作。模型考虑的障碍检测、沟本地化、车道检测和全局路径规划。车辆环境感知传感器帮助生成成本地图重障碍,有助于确定可反驳的地区。解决与处理相关的时间延迟感知数据,像点坐标为动力传动系统,建立了考虑汽车动态和路径跟踪信息。模型表现出一个平均交叉跟踪误差自动测试和0.17米0.13米的领导人追随者模式。

这些横向控制系统主要是基于视觉的,不仅仅是车道检测和功能,特别是障碍检测。检测障碍物的能力是必不可少的AVs避免碎片的道路,以及帮助避免侧刷碰撞。为了解决动态驾驶条件的现实,一些研究人员试图使控制器更敏感。李和Litkouhi [15]讨论了自动车道=定心和改变控制算法,重点加强车辆的控制精度。该算法能够提供平稳和激进的车道中心/改变策略根据当前的交通状况和司机的偏好。生成的路径可以重新计算光滑或更激进的横向运动控制。

横向控制研究也被认为是汽车的动力传动系统的作用和处理特点,特别是当它属于主动转向保持车辆在车道的中心。大多数研究以前简化的车辆模型作为自行车,意味着每个轴被建模为一个车轮。Chebley et al。16)提出了纵向和横向动力学的耦合控制算法AV。与大多数模型简化汽车自行车模型,算法考虑车辆的所有部分和互联性。算法利用李雅普诺夫函数来确保鲁棒跟踪参考轨迹/路径的换道行为,以及避障和车道保持。侧向位移误差最小化的目标而保持期望的纵向速度是通过生成一个转向角、驱动/制动力矩,使成功跟踪参考轨迹。阿迪et al。17)提出一个自动转向基于非线性模型预测控制策略。同时这种策略被认为是力量训练动态管理纵向速度跟踪挑战为了提高控制相结合。未来状态的预测模型计算的动态系统固定有限的时间范围。测试模拟与一个预定义的GIS轨迹,车辆的横向位置误差从未超过6厘米,同时正确航向角是容许和纵向速度跟踪。

徐et al。18和球场等。19]是关心保持忠诚的预定航迹的预测跟踪车道定心系统。许等人解决横向控制通过开发一个滑模控制来管理车辆动力学在高速度。驱动控制系统使用一个参数化的三次样条插值函数来计算所需的车辆轨迹。在实地测试,系统表现出最大横向位置误差为0.5米,与大多数错误低于0.2米相比对预定的GPS轨迹。球场等人提出了一个简化的控制系统更AVs的依赖减少了参数的数量,可以集。为了解决横向控制,三次贝塞尔曲线之间的轨迹是正确利用车辆的起源和所需的路径。在实地测试,大约零均值交叉跟踪误差和定位误差的观察−1.0397度至0.9225度。

方向的研究和科学的AV横向控制很重要,本研究确定,因为它必须理解车辆功能和限制当操作在空间受限的环境中。考虑到减少车道规模和潜在的车辆横向分离,住客必须能够维持一个课程没有偏差恐怕不安全的情况下发展与潜在的灾难性的后果。

2.2。车道宽度安全和功能的影响

公共机构对道路基础设施的影响非常敏感的修改。这些影响量化在崩溃修改因素(20.]。总值et al。21]研究/宽度组合的肩膀崩溃率的影响和发展相应的安全性能的因素。作者发现重新分配巷和肩膀宽度固定总路面宽度可以是一个具有成本效益的措施减少事故对农村,两车道的高速公路。格罗斯等人认为,狭窄的宽度,轻微的减少事故可以通过添加肩宽度与车道宽度相比,但只有在低交通场景。李等人。22)建立了一个综合安全模型与安全性能的因素。作者发现,一般来说,肩膀宽度更安全产生重大影响时,车道宽度窄。研究还表明,事故修改因素增加与减少车道或肩宽。Labi et al。23]提供了一个深入的讨论车道宽度、路肩宽度与崩溃和成本之间的关系和现在的决策支持图表可以使用公路机构来确定最优巷和肩膀宽度。

也很重要考虑的功能性影响车道宽度减少,特别是关于流量、速度、和的服务水平。一个供料的研究计划(24]提到,1985年的HCM发现道路的9英尺车道,没有肩膀可以只支持2/3容量的双车道公路12英尺的车道和6英寸的肩膀。这份报告没有发现流的好处在车道减少到10英尺或9英尺。Rosey et al。25]simulator-derived数据相比之前的野外研究关于车道宽度减少速度的影响。研究人员发现,模拟结果证实了先前的研究速度。他们发现,速度仍然不受车道变窄;然而,司机倾向于朝着缩小后的中心线和向右移动(lane的外边)会议之前迎面而来的车辆。多萝西和西亚肯(26]探索许多不同的公路设计变量之间的关系如速度、服务水平、物理特性设计的车辆,和能力的司机。在车道宽度,作者考虑2004年Greenbook的建议”的9英尺车道上适当的少量公路在农村和居民区,或在城市地区,内车道,以适应更广泛的共享使用外车道。“重要的是要注意,这些提到的注意事项都严重与人为因素有关,可能在专用的AV巷场景中无效。

鉴于该AV车道将减少到9英尺,这是值得研究之前研究操作减少车道宽度的影响。虽然这个研究属于AVs,常规非av汽车将运行多年。司机将接口与AVs在这些共享的道路环境中,诱导一些本文中描述的影响和注意事项。

2.3。AVs安全和功能的影响

关注安全,Giuffre et al。27)考虑收益和成本与AV技术在高速公路上的安全改进。作者认为自驾车辆有可能减少时间的进展,从而提高交通能力,改善汽车的安全边际。他们还发现网络攻击等安全因素,系统故障,数据库必须考虑的不足。最后,作者进行了微观分析传统和自主车辆的混合。推荐新的自治vehicle-centric事故修改因素。

维多利亚运输政策研究所(28)创建了一个报告,检查的主要风险,福利,和规划考虑自驾车辆部署到公共权利的方式。潜在风险识别包括:硬件和软件故障、恶意黑客,连(即风险。,increased crash severity due to higher vehicular densities and risks associated with human drivers entering platoons). The report cites/recommends that, for platooning of AVs to be safe and effective, dedicated AV lanes may be required. The European Road Assessment Programme [29日)开发了一种比较AVs和人力运营车辆的行为和反应在不同的安全场景。各种有影响力的AV崩溃配置/场景被认为,以及相应的基础设施的属性。作者提倡需要明确和一致的标识,维护,以及明确的和健壮的分段。此外,在连接的基础设施投资也强调。

最后,AV部署的功能影响也开始被考虑。汉密尔顿et al。30.)集中在识别和评估的机会,实现AV车道的约束和指导原则。利用一个基于仿真模型,研究人员发现敏感的参数和变量将车道AV用户和各种条件下确定预期的影响。车道划定基于AV市场渗透率(即。,percentage of vehicles in the traffic mix with AV capabilities/AV attributes) by using “lane friction,” speed differential between the dedicated lanes and adjacent general-purpose lanes, as a safety measure. The authors posit that AVs will benefit most from dedicated lanes (DL) when AV market penetration is low. Recommendations include (1) shared DL with HOVs at lower market penetration rates, (2) exclusive DLs at medium market penetration (20–45%), and (3) no DLs for higher market penetration.

利用计算机模拟,你们et al。31日)检查在不同配置的专用AV车道交通流的吞吐量三车道公路。研究人员发现,最有利于交通流吞吐量与一个骑兵DL当骑兵市场普及率超过40%,两个骑兵DLs当骑兵市场占有率超过60%。同时也发现,在利率更低的市场渗透力,骑兵DLs整体吞吐量带来负面的影响,然而在骑兵普及率很高,积极影响流量和密度也降低。

AVs仍新巷道系统,有一个缺乏数据测量和分析它们的功能和安全对交通系统的影响。有明显的局限性,基于模拟预测模型。毫无疑问,随着AVs变得更普遍,输入数据的可用性和质量为未来的研究将会提高,从而提高员工的研究结果。

2.4。AVs和高清映射

GPS区位软件和高清晰度(HD)地图是不可或缺的许多AV发展项目和研究;赛义夫和胡32]探索科学和研究,上下文和含义的高清地图帮助自主车辆导航。鲍尔et al。33]演示集成高清地图的好处,GPS定位数据,并通过一个粒子车辆里程表数据基于过滤器定位算法。刘等人。34]探索高清地图AV的潜在功能操作,分析高清地图车辆定位。郑、王(35)发展定位系统利用高清地图作为传感器,同时探索几何作为区位影响因素的影响精度。库恩et al。36)认为,车辆需要详细的先验知识(高清地图的形式)的计划路线之前一段旅程的开始。车辆定位会出现更快,更准确地说,汽车导航系统比较地图和传感器数据来自周围环境。是否高清地图导航的主要或者备份手段还有待观察,它可能会在AV发展发挥重要作用。

3所示。方法

3.1。1调查快速通道崩溃的历史

事故数据提供重要信息,如类型、严重程度、事故的潜在原因,可以照亮操作AVs物外的潜在缺点。采用描述性研究的方法观察主要因素在这个特定事故物外的一部分。这些因素可以作为未来的基础研究如何减轻这些因素通过AVs(可用的真实数据依赖)。崩溃的研究还指出,关键设计规范(例如,不同的车道标记),需要考虑而设计专用的AV线,因为它与住客的安全运行。历史事故数据1船检查。数据对传统的事故信息的主要来源是加州公路巡警的全州交通记录系统(SWITRS)数据库集成。

数据选择基于位置、管辖权和年。十年(2009 - 2018)的数据收集了物外走廊包括三个csv文件:碰撞数据,数据,数据受害者。三个文件是结合基于相同的事故事件的数量在每个这些文件。每个事故事件数量有时观察到有多个与之关联的车辆或损伤或死亡。在这项研究中,所有参与一个特定的车辆碰撞事件被认为是在分析。来自加州运输局巷道shapefile只用于过滤那些数据点(即。,crash locations) that were in the designated area of interest (I-15 ELs from SR 52 to SR 78). The filtered data points with their associated attributes were exported and used for further analysis. A total of 717 crash events were observed from 2009–2018 on the study site. When considering all vehicles involved in each crash event, 1473 crashes were analysed. Some of the attributes considered in this study are as follows: primary collision factor, type of collision, and collision severity. Figure2显示了研究区域崩溃点(SR 52 SR 78)。每个地图上的蓝点代表一个崩溃。ELs的一部分是在放大窗口,碰撞是清晰可见。

3.2。使用微观影响分析

微观分析模拟被用来评价实施的影响提出AV专用车道在州际(1)船。为了最好地理解项目的交通影响,进行灵敏度分析为三个场景如下表示。微观分析模拟模型的开发与卡尺TransModeler SE 5.0版本的软件包。以下部分将讨论,详细,微观分析模拟输入假设和输出指标用于评估。场景1 - EX:基线与现有的卷/网络/校准方案场景2 - AV:现有卷/网络采用AV场景3 - AVL:现有卷提出AV-exclusive巷和采用

仿真研究和安全操作方面考察指标,如平均速度(安全和操作测量),速度差(安全措施),平均密度(操作测量)和流程(操作测量)。

3.2.1之上。走廊网络

物外的微观仿真评估部分ELs走廊,大约7英里长,特德威廉姆斯之间高速公路(56)路由到国家163号公路。船在仿真建模环境包括所有物理特性如合并和分叉点,加速/减速车道,直接访问坡道(DAR)车道/肩配置和宽度。数据3(一个)和3 (b)说明的范围和配置网络。网络分为12部分图上的编号。中间的微观仿真输出收集每段一个车道的基础上。

图3 (c)说明了车道配置在场景3南行方向在高峰时间。是高峰时间场景被选中,因为它是最保守的时期更关键的交通状况发生在下午高峰小时相比。

3.2.2。输入假设

除了网络的物理特征,微观参数被修改,以反映现场条件。重型车辆没有建模假设他们不允许在隧道。非av与修改后的通用汽车(General Motors)车辆模型进行了评估软件的默认设置。每个软件开发人员的指导,AVs评估车辆模型常数时间的差距。

在场景2和3,AVs 3-conditional自动化建模和自动化水平。级别1和2自动化并不认为他们代表司机支持而不是真正的车辆自动化。在场景1和2,AVs被假定拥有相同的非av偏离速度极限。这假设大约30%的司机在速度限制旅行。在场景3下,三级AVs不受非av旅游独家巷。因此,AVs认为旅行的速度限制。

AV市场普及率(MPR)以来基线场景假设零三级AV车辆目前不可用。场景2和3假定不同三级mpr的15%,30%,45%。这种方法提供了敏感性分析由于其困难预测MPR与确定性。

每个微观运行60分钟使用高峰卷。最大预热段10分钟也认为预加载网络。

3.2.3。基线卷

收到加州运输局基线数量和速度。早上7点到8点提取的数据表示早上高峰()数量和速度共乘车道从周二10月15日,2019年,2019年10月17日,星期四。

3.2.4。校准

现有字段卷被输入到软件验证微观精确代表现场条件。veh /卷,人力资源,和速度,在英里,产生了从模型相比,然后可用字段数据。此外,Geoffery e .废话(GEH)值是用来校准过程和评估微观仿真输出匹配字段的条件。低GEH, 5岁以下,表明一个精确校准模型。0.40和0.77的平均GEH实现向北和向南行进的方向,分别为(见表1)。

4所示。结果与讨论

4.1。1调查快速通道崩溃的历史

物外ELs崩溃违反数据集包含许多不同的类别称为主要碰撞因素(PCF)表示的主要原因(图4(一))。进一步了解车祸的细节,类型的碰撞和碰撞严重程度进行分析与PCF(数据4(一)- - - - - -4 (c))。PCF图,超过一半的交通事故都是由于不安全的速度(55%,数:814崩溃),19%(数:279崩溃)是由于不当的转动,和13%(数:196崩溃)是由于不安全的车道改变。碰撞类型的图,这是观察到追尾的主导,所有事故记录(814崩溃)的55%,其次是擦边撞击(22%,每317崩溃)和hit-object(16%, 234年崩溃)。在碰撞严重程度图,虽然有很少的病例病死率(0.5%,8人死亡),许多人类伤亡报告从痛苦的抱怨到严重伤害(36%)。财产损失占36%的事故后果只留下没有损伤病例的27%。应该注意的是,在这项研究中,每个车辆参与危机事件映射到最高程度的碰撞严重程度所经历过的任何乘客。

三个主要pcf进一步分析结合类型的碰撞和碰撞严重程度素描原因,效果,结果关系(见图5)。

不安全的速度是最重要的PCF导致事故总数的55%左右。它可以观察到,大多数事故涉及追尾事故,占总额的87.1%不安全的速度崩溃(数:709崩溃),其中人类的伤害,从投诉的疼痛严重受伤,和财产损失估计为33%和34%,分别。然而,没有观察到死亡。第二个和第三个最高的类别是打击对象(总额的6.1%不安全的速度崩溃,数:50崩溃)和侧击(总额的4.2%不安全的速度崩溃,数:34崩溃)碰撞。总数的3人死亡,打击对象和侧击碰撞占每一例死亡。

事故造成由于不安全的速度可以减少使用AVs,他们应该完全遵守速度限制。AVs遵循良好的速度与更少的可变性和纪律维持接近准确的保险杠保险杠间距,提供环境传感器是准确和可靠的性能。即使一个或多个传感器失败,应该有足够的冗余系统中显著减轻性能下降。

第二PCF分析不当将导致约19%的总崩溃1船。打击对象碰撞(总额的41.9%将崩溃,不当数:117崩溃)这类主要导致财产损失和痛苦的人类的伤害从投诉严重受伤。这也导致了一例死亡。第二高的碰撞类型侧击碰撞(总额的38.3%将崩溃,不当数:107崩溃)碰撞严重程度从痛苦的抱怨人类伤害和财产损失严重。除了hit-object和侧击,少量的后端(总额的8%将崩溃,不当数:22崩溃),推翻(总额的4%将崩溃,不当数:10崩溃),和侧向碰撞(总额的6%将崩溃,不当数:16崩溃)被观察到。

AV属性,如车道保持辅助(党的)系统有能力防止汽车漂移从其所需的路径,从而避免不当。此外,车道的基础设施需要精心设计,这种障碍/中值检测和解释的AV传感器正确几乎没有犯错的余地。精心设计和运作环境传感器、招牌和标志所需安全旅行AVs AV-exclusive巷。然而,AVs容易把错误当天气条件不利或者适当的传感器失败;因此,在设计时应该谨慎选择投票制和AV-exclusive巷促进适当的转变。

1下一个重要的PCF观察EL是不安全的车道变化1 ELs占总事故的13%。崩溃由于不安全的车道变化导致主要在横击碰撞(总额的72%不安全的车道改变崩溃,数:142崩溃)造成财产损失和人类受伤从痛苦的抱怨到可见的损伤。一些不安全的车道改变崩溃导致后端和侧向碰撞(总额的10%和5%不安全的车道改变崩溃,数:20 - 10崩溃,分别),导致财产损失和人类伤害从痛苦的抱怨到可见的损伤。打击对象,并推翻了碰撞造成的财产损失和痛苦的人类的伤害从投诉严重受伤。没有死亡事故期间观察到的不安全的车道改变崩溃。

AV属性,如车道偏离预警系统(LDW)党的系统,车道中心可以帮助减少不安全的车道离职导致安全交通隧道。正如前面提到的,在设计时仍应小心AVs和AV-exclusive车道,避免不安全的车道变化由于不利天气条件和/或传感器故障。限制进入的AV-exclusive巷GPL也可以防止不安全的车道变化。点的访问从/到AV-exclusive巷/ GPL需要精心设计和监控。考虑适当的基础设施设计在这些接入点将防止崩溃由于不安全的车道离职,以及将不当。

4.2。使用微观影响分析

微观分析模拟结果综述了四个选择的指标包括交通流量、平均密度、平均速度、速度差。

4.2.1。准备交通流

veh /人力资源,交通流量,在所有通道的每一段网络上收集。表2所示,详细,每个段的交通流量变化百分比相比,场景1(基线场景)。在场景2,三级AVs的引入到现有的网络交通流量不显示任何可测量的变化。在场景3下,然而,三级AVs的介绍一个AV-exclusive巷导致交通流量增加14%取决于走廊位置和AV MPR。

4.2.2。平均密度

平均密度计算出段的长度在汽车每英里每车道。图6展示了平均密度沿走廊。类似于交通流量、平均密度变化是微不足道的场景2。发现大多数段的平均密度增加24%在场景3中。

还应该指出,45%的MPR场景观察10段显著增加密度。怀疑这是与现有的复合效应曲线,高斜坡卷,和更高的AV-exclusive车道饱和。

4.2.3。平均速度

每一段的平均速度也评估(图6)。与交通流量和密度一致,在场景2,没有可衡量的差异观察平均速度。在场景3下,平均速度下降了2 - 8英里取决于位置和AV MPR。的下降速度将考虑到AVs旅行被认为在限速模型。显示在“输入假设”部分,相比之下,只有30%的非av和AVs在场景2中,都假定旅行的速度限制。

4.2.4。速度差

车道之间的速度差1(左肩旁)和2确定每段。重要的是要注意,在场景2中,通道1和2(即有相似的特征。ELs)。场景3巷1(即引入了一个区别。,AV-exclusive胡同间)和2(即。EL)。表3显示了两个场景之间的速度差范围。图7包括额外的图表来显示所有三个车道之间的速度差。

在场景2,速度变化由0.2到2.2英里每小时(绝对值)。在场景3下,速度变化由1.9到14.3英里每小时(绝对值)。一系列的速度变化(例如,0.2到2.2英里每小时在场景(2)段和mpr之间的差异。最低速度AV专用道观察10段密度最高的地方,交通流量低、较低的平均速度记录。

先前的研究已经表明,高速微分,例如,多座客车之间的通道和通用的车道(GPL)可能需要安装两个通道之间的壁垒(30.,37]。研究表明,非av司机可能会感到更舒适驾驶的最大速度微分车道之间没有超过15英里每小时。他们还表明,10至15英里每小时的速度差异,虽然不需要物理分离,可能受益于两行的标记等buffer-separated车道。

4.2.5。关键的微观分析模拟结果

从走廊能力的角度来看,一个三级自动化AV-exclusive巷提供了实实在在的利益。观察交通流量增加14%取决于走廊位置和AV MPR。同样,观察密度增加24%。这可以归因于较低的车辆进展和更稳定的流动提供了AVs。额外的容量可以归因于AV驾驶动力学变化和技术而不是添加一个车道。应该注意的是,额外的车道在场景3添加到北行的,不影响本文提供的南行流量分析的结果。

从安全的角度来看,一个AV-exclusive车道不确定任何重大缺陷,显示了潜在的好处。尽管容量和密度增加,平均速度是观察2到8英里取决于位置和AV MPR低。一般来说,较低的速度可以归因于降低事故严重程度。

本研究并揭示的重要性理解改变巷道的影响特点,特别车道之间的速度差1(左肩旁)和2。AV-exclusive胡同间引入了一个区别特征,需要仔细考虑是否需要额外的治疗或障碍。

此外,AV车辆可能提供额外的安全好处不是量化的微观仿真模型。AVs有可能消除人为错误的碰撞方程,大多数事故的根源。

5。结论和建议

本研究旨在评估一个狭窄的安全性和操作的影响AV-exclusive可逆巷1现有的高速公路上。本研究确定了重大风险因素在1和执行安全事故和操作使用模拟交通影响分析。以下结论和建议从上述任务。

根据事故数据分析、碰撞速度是最反复出现的主要不安全因素(PCF) 1、大多数导致追尾事故。AV-exclusive巷的实现可能会减少这种类型的崩溃以来AVs将遵循适当的速度纪律首尾相接,用更少的可变性和保持足够的间距。把不当和不安全的车道改变是接下来的两个最经常性PCF,大多数导致hit-object和侧击碰撞。AVs的自动横向控制系统(例如,党的)可能会减少这些碰撞AV-exclusive巷。然而,高度反光的,清晰可见,和不同的车道标记,障碍,和标识需要适当的AV传感器操作。同时,访问点从/到AV-exclusive车道需要精心设计和监控。这项研究的结果可以扩大在未来的研究与统计建模方法来识别重要的因素当事故数据可用AV-exclusive车道。

微观分析结果表明,一个AV-exclusive车道可能会增加交通流量和密度高达14%和24%,分别。这是实现较低的车辆提供进展和更稳定的流AV-driving动态和技术。微观分析模拟结果也表明AV-exclusive巷有更好的速度限制的依从性,因此,平均速度会降低。较低的速度可能有助于降低事故严重程度。然而,这项研究揭示了理解巷道特征的影响的重要性,特别是专属车道之间的速度差和相邻车道上。AV-exclusive胡同间引入了一个区别特征,可能导致增加速度微分这需要仔细考虑是否需要额外的治疗或障碍。

与圣地亚哥县的动态变化和增长,AVs将增加在该地区的交通系统。本研究发现的一些主要原因1表达车道上的车辆事故,导致的频率可以减轻潜在的安全处理AVs的出现。与地区经济增长和相应的交通,AVs将不断增加的市场渗透率,有助于与总体系统性能仿真演示;在独家车道情况下,网络实现了减少速度,以及增加吞吐量。安全AV-exclusive巷提供了一个机会,逐步将AV技术集成到更大的运输系统,同时,与此同时,实现更大的系统性能。

数据可用性

事故数据用于支持本研究的发现是公开的https://www.chp.ca.gov/programs-services/services-information/switrs-internet-statewide-integrated-traffic-records-system。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由安全通过中断(Safe-D)国立大学交通中心(UTC),美国交通部的资助的大学交通中心项目(联邦批准号69 a3551747115)。本文的内容反映了作者的意见,负责提供的事实和信息的准确性。

引用

1. 关键原因事故调查在全国机动车事故因果关系调查国家公路交通安全管理局,美国交通部,华盛顿特区,美国,2018年,https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/812506。
2. A . Amditis m . Bimpas g . Thomaidis et al .,”一个situation-adaptive lane-keeping支持系统:SAFELANE方法的概述,“IEEE智能交通系统,11卷,不。3、617 - 629年,2010页。视图:出版商的网站|谷歌学术搜索
3. d . o . Cualain m . Glavin和e·琼斯,“Multiple-camera汽车车道偏离警告系统环境,”专业智能运输系统》第六卷,没有。3,p。223年,2012年。视图:出版商的网站|谷歌学术搜索
4. 裴伟伟。张,X.-L。歌,G.-X。张,“实时车道偏离警告系统基于灰度分布的主成分分析和风险评价模型,”中南大学学报,21卷,不。4、1633 - 1642年,2014页。视图:出版商的网站|谷歌学术搜索
5. P.-Y。萧,C.-W。叶,s。黄,L.-C。傅”便携式应用实时车道偏离警告系统:,“IEEE车辆技术,卷。58岁的没有。4、2089 - 2094年,2009页。视图:出版商的网站|谷歌学术搜索
6. j . m . Clanton d . m .贝福,A . s .霍黛尔”低成本解决方案集成的多传感器车道偏离警告系统,”IEEE智能交通系统,10卷,不。1,47-59,2009页。视图:出版商的网站|谷歌学术搜索
7. n·m·Enache y Sebsadji, s . Mammar b . Lusetti和美国格拉泽,”司机的影响性能的一个集成的车道偏离回避和车道保持辅助系统,”《2009年IEEE国际会议控制应用程序,页119 - 124,圣彼得堡,俄罗斯,2009年7月。视图:出版商的网站|谷歌学术搜索
8. h . y, y . Liu藤本,y Hori,“建立横向集成控制的自动车辆状态估计考虑多重速率的和不均匀延迟测量,”IEEE / ASME举办,23卷,不。6,2619 - 2627年,2018页。视图:出版商的网站|谷歌学术搜索
9. j .赵、g . Lefranc和a . El Kamel“自主车辆的横向控制利用多模型和模糊方法,”IFAC诉讼卷,43卷,不。8,514 - 520年,2010页。视图:出版商的网站|谷歌学术搜索
10. s . Mustaki p .切弗里,m . Yagoubi和f . Fauvel”有效的多目标和multi-scenarios控制合成方法设计一个汽车车道定心援助系统,”学报2018年欧洲控制会议(ECC)利马索尔,页929 - 934年,塞浦路斯,2018年6月。视图:出版商的网站|谷歌学术搜索
11. 彭德尔顿,h·安德森,x Du et al .,“感知、规划、控制和协调自主汽车,”机器,5卷,不。1,p。2017。视图:出版商的网站|谷歌学术搜索
12. r·伊斯梅尔“下一代巷中心协助系统:车道定心辅助系统的设计和实现,使用NXP-BlueBox,”埃因霍温科技大学2017年,埃因霍温,荷兰,https://pure.tue.nl/ws/portalfiles/portal/91161739/2017_12_01_ASD_Ismail_R.pdf。视图:谷歌学术搜索
13. r·f·Berriel e·德•阿吉亚尔a . f . De Souza和t . oliveira santos,“Ego-lane分析系统(ela):数据集和算法,”图像和视觉计算卷,68年,第75 - 64页,2017年。视图:出版商的网站|谷歌学术搜索
14. a . Broggi·美第奇·Zani a .长鼻浣熊和m . Panciroli“自主车辆控制VisLab洲际自主挑战,”年度审核控制,36卷,不。1,第171 - 161页,2012。视图:出版商的网站|谷歌学术搜索
15. j·李和b Litkouhi”,一个统一的框架自动车道中心/改变控制运动平滑性适应,”《2012国际IEEE会议15日在智能交通系统安克雷奇,页282 - 287年,正义与发展党。美国,2012年9月。视图:出版商的网站|谷歌学术搜索
16. a .高效能、r . Talj和a . Charara”耦合的纵向和横向控制的自主车辆动力学建模使用机器人形式主义,”IFAC-PapersOnLine,50卷,不。1,第12532 - 12526页,2017。视图:出版商的网站|谷歌学术搜索
17. r·阿迪r . Orjuela, m·巴塞特”结合纵向和横向控制自动车辆指引,”车辆系统动力学,52卷,不。2、261 - 279年,2014页。视图:出版商的网站|谷歌学术搜索
18. h·l .徐y . Wang太阳,j .鑫和n .郑”集成的纵向和横向控制Kuafu-II自主车,”IEEE智能交通系统,17卷,不。7,2032 - 2041年,2016页。视图:出版商的网站|谷歌学术搜索
19. c . m .球场,d . f .狼诉格拉希和f·s·奥索里奥,“自主地面车辆纵向和横向控制,”学报2014年IEEE智能车辆研讨会迪尔伯恩,页588 - 593年,MI,美国,2014年6月。视图:出版商的网站|谷歌学术搜索
20. 国家公路合作研究项目和交通研究委员会、国家科学学院,工程,医学,交通工程事故修改因素及其改进交通研究委员会,华盛顿,美国,2008年。
21. f·格罗斯,p . p . Jovanis k·艾克尔斯,K.-Y。陈,安全性评价的车道和路肩宽度组合在农村,两车道的,不可分割的道路联邦高速公路管理局,华盛顿,美国,2009年,https://rosap.ntl.bts.gov/view/dot/816。
22. c . Lee m . Abdel-Aty j .公园和黄永发。王”,发展崩溃修改因素改变车道宽度巷道部分使用广义非线性模型,”事故分析和预防卷,76年,第91 - 83页,2015年。视图:出版商的网站|谷歌学术搜索
23. 美国Labi,陈,p . v . Preckel y俏,和w·Woldemariam”农村双车道公路的肩膀和车道宽度政策评估使用多目标优化,“Transportmetrica答:运输科学,13卷,不。7,631 - 656年,2017页。视图:出版商的网站|谷歌学术搜索
24. c . v . Zegeer r·斯图尔特f .理事会和t·r·纽曼“low-traffic-volume道路,道路宽度”砂浆材料报告,没有。362,交通研究委员会,华盛顿特区,美国,1994年,https://trid.trb.org/view/408237。视图:谷歌学术搜索
25. f . Rosey人类。o . Moisan Auberlet, g .身上“窄巷宽度的影响,”交通研究记录:《交通研究委员会,卷2138,不。1,第119 - 112页,2009。视图:出版商的网站|谷歌学术搜索
26. p·b·w·多萝西和s . l .西亚肯在公路几何设计权衡考虑交通研究委员会,华盛顿,美国,2011年。
27. t . Giuffre a . Canale a塞韦里诺,s . Trubia”自动车辆:回顾道路安全影响变革的动力,”美国27日CARSP会议卷。16日,多伦多,加拿大,2017年6月。视图:谷歌学术搜索
28. a·j·特纳和p E乡巴佬”,抑制醛还原酶的生物胺的酸性代谢产物,“生化药理学,24卷,不。18日,第1733 - 1731页,1975年。视图:出版商的网站|谷歌学术搜索
29. 欧洲道路评估项目,公路,汽车可以读III:解决过渡到自动化车辆英国贝辛斯托克,道路安全基金会,2018年。
30. b·a·汉密尔顿WSP: j . i技术的国家公路合作研究项目,和交通研究委员会和国家科学学院,工程,医学,致力于为优先级或专用车道连接和自动车辆交通研究委员会,华盛顿,美国,2018年。
31. 你们山本和t . .“影响连接的专用车道和自主车辆在交通流的吞吐量,”自然史答:统计力学及其应用卷,512年,第597 - 588页,2018年。视图:出版商的网站|谷歌学术搜索
32. h . g .胡赛义夫和x”的自主驾驶iCity-HD地图作为汽车行业的一个关键的挑战,”工程,卷2,不。2、159 - 162年,2016页。视图:出版商的网站|谷歌学术搜索
33. 美国鲍尔、y Alkhorshid和g . Wanielik”城市车辆定位准确,使用高清地图”学报2016年IEEE 19国际会议上智能交通系统(ITSC),页492 - 497,里约热内卢,巴西,2016年11月。视图:出版商的网站|谷歌学术搜索
34. j . r . Liu王,张,“高清地图自动驾驶:概述和分析,“期刊导航,卷73,不。2、324 - 341年,2020页。视图:出版商的网站|谷歌学术搜索
35. 郑s和j·王,“高清地图自动驾驶的车辆定位:几何分析,”《2017年国际会议上定位和GNSS (ICL-GNSS)英国诺丁汉,页1 - 8,2017年6月。视图:出版商的网站|谷歌学术搜索
36. w·库恩·m·穆勒,t . Hoppner”道路数据作为先验知识高度自动驾驶,”交通研究Procedia27卷,第229 - 222页,2017年。视图:出版商的网站|谷歌学术搜索
37. 即Hlavacek、m . Vitek和r . Machemehl最佳实践:分离设备收费车道和自由之间的通道德州交通部、奥斯汀、TX,美国,2007年,http://paper/Best-Practices%3A-Separation-Devices-between-Toll-and-Hlavacek-Vitek/86f3847f81f37e812b773178ee73891ce35802e8。

版权

版权©2021年萨哈尔Ghanipoor Machiani等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。