Regeren is vooruitzien, ook in de verkeerswereld. Modellen kúnnen beleidsmakers hierbij helpen. Maar hoe vang je de steeds complexere werkelijkheid – met z’n nieuwe technologieën, transities en maatschappelijke trends – in een model? Gerdien Klunder en Marcel Meeuwissen van TNO vertellen in deze bijdrage over een veelbelovende innovatie: large scale micro simulations.
Is de veilige infrastructuur van vandaag ook nog veilig in de toekomst? Wat doen automatische voertuigen met ons verkeerssysteem? Met welke laadstrategieën ondersteunen we de transitie naar elektrisch rijden het best? Hoe krijgen we meer grip op vervoersarmoede? De vragen waarmee bestuurders en beleidsmakers zich vandaag de dag geconfronteerd zien, worden almaar breder en complexer.
Nu zetten we al jaren modellen in om vooruit te kijken, beleid te formuleren en dat ook te toetsen. Maar juist door die verbreding en complexiteit lopen de (simulatie)modellen van de huidige generatie wel tegen hun grenzen aan – en misschien zijn ze er zelfs al overheen. Gek is dat niet: we vragen meer en dan moeten de modellen ook meer kúnnen.
Nieuwe eisen
Met welke verbeterpunten zouden beleidsmakers geholpen zijn? We noemen er drie. Modellen moeten allereerst individueler en persoonsgerichter worden. Dat vereist veel meer variëteit: zeker als het gaat om brede welvaart en vervoersarmoede kunnen we niet zoveel met ‘gemiddelde reizigers’.
Een tweede eis is dat modellen nauwkeuriger worden en bijvoorbeeld beter de dynamiek en interacties tussen de verschillende verkeersdeelnemers en modaliteiten simuleren. Dat speelt bij onder meer onderzoeken naar veiligheid en emissies.
Een laatste punt is dat we meer functionaliteiten moeten toevoegen in onze modellen. Dit is belangrijk bij vraagstukken rondom automatisch rijden, elektrificatie van het wagenpark, de laadcapaciteit van het energienetwerk enzovoort.
Kortom, een modern (simulatie)model vraagt om meer detail, meer diversiteit, meer flexibiliteit en, dat volgt dan automatisch, ook om meer snelheid. Laten dat nou precies de beloften zijn van het zogenaamde Large Scale Micro Simulation-model, LSMS.
Een modern (simulatie)model vraagt om meer detail, meer diversiteit, meer flexibiliteit en, dat volgt dan automatisch, ook om meer snelheid.
Rekenkracht en compatibiliteit
LSMS is agent-based. Dit betekent dat er niet met ‘verkeersstromen’ wordt gerekend, maar met individuele agents: voertuigen of personen. Zo kan het gedrag van dat voertuig of die persoon realistischer en nauwkeuriger worden meegenomen.
Deze aanpak vergt heel veel rekencapaciteit, zeker als we verder willen kijken dan een enkel kruispunt of wegvak. Bij LSMS wordt die capaciteit geboden door parallel computing op de grafische kaart of GPU. De grote hoeveelheid parallelle kernen op GPU’s maken de simulatie van grotere netwerken mogelijk met veel meer agenten. Denk dan aan een groot stedelijk gebied of het landelijk snelwegennet met meer dan 100.000 agents tegelijkertijd.
Dan nog blijft het een klus. LSMS past daarom verschillende computationele methodes toe om de rekentijd te optimaliseren. Zo wordt gebruikgemaakt van een ruimtelijk sorteeralgoritme gebaseerd op Morton Spacefilling-curves om snel voertuigen in de buurt te kunnen vinden. Het gedrag wordt vervolgens gebaseerd op de interactie met de omliggende voertuigen en de kenmerken van de bestuurder.
Interessant is ook dat LSMS gebruikmaakt van standaarden voor netwerken en dus compatibel is met simulatiemodellen als CARLA en SUMO. Zo gebruikt het het OpenDRIVE-format, een open industriestandaard voor het modelleren van wegennetwerken op rijstrookniveau. Ook kan het netwerken importeren vanuit SUMO en kan de SUMO-interface gebruikt worden om netwerken te bewerken.
Mogelijkheden
Dan de mogelijkheden van LSMS. We noemen wat mogelijkheden en toepassingen waar we bij TNO al ervaring mee hebben kunnen opdoen.
Positie op de weg
De positie op de weg is in LSMS volledig vrij. Hierdoor kunnen ook laterale posities realistischer worden gesimuleerd om bijvoorbeeld effecten van lane keeping systems te bepalen of om spookrijden of uit de bocht vliegen mee te nemen. Voor het bepalen van de positie op de weg is een fysiek model geïmplementeerd dat afhankelijk van de snelheid een maximale bochtradius kan aanhouden. Ook strookwisselingen worden niet instantaan maar via een geleidelijke curve gemodelleerd. Met deze aanpak kan het model ook fietsers en voetgangers modelleren.
ADAS en automatische voertuigen
In LSMS kunnen voertuigen worden uitgerust met rijtaakondersteuning of zelfs automatisch rijden. Wij hebben bijvoorbeeld een gedetailleerd en gevalideerd model voor Adaptive Cruise Control (ACC) geïmplementeerd. De ACC-controller kan ook connected worden gemaakt (CACC) of worden uitgebreid met een Autonomous Emergency Braking-systeem.
Gedrag
Om toekomstige ontwikkelingen in te schatten en de effecten van eventuele interventies te bepalen, bijvoorbeeld ten aanzien van verkeersveiligheid, is nauwkeurigheid van groot belang. In bestaande modellen is de modellering van menselijke bestuurders vaak versimpeld en ‘statisch’, meer zoals automatische voertuigen. Maar dankzij de agent-based aanpak en het parallel rekenen kan LSMS meer variaties van bestuurders en meer gedetailleerde bestuurdersmodellen simuleren. We gebruiken hiervoor state-of-the-art bestuurdersmodellen, momenteel het IDM+ en LMRS, uitgebreid met menselijke eigenschappen zoals het effect van workload en afleiding. Voor die uitbreidingen baseren we ons op recent onderzoek uit de literatuur en van (onder meer) de TU Delft. De modellen worden gekalibreerd aan de hand van datasets gemeten met drones en rijsimulatoronderzoek.
Interessant is ook dat we een koppeling hebben kunnen realiseren tussen de TNO-rijsimulator en LSMS. Hierdoor is het mogelijk om een mens te laten rijden in de simulatiewereld van LSMS: alsof je in een videogame zit!
Dankzij de agent-based aanpak en het parallel rekenen kan LSMS meer variaties van bestuurders en meer gedetailleerde bestuurdersmodellen simuleren.
Emissies
Ook emissies kunnen we met LSMS met hoog detailniveau berekenen. In plaats van de gemiddelde uitstoot voor een groep auto’s te berekenen, werkt het model met emissies van individuele voertuigen, gebaseerd op hun individuele snelheidspatroon. LSMS houdt hierbij rekening met snelheden, acceleraties en koude startemissies. Dit verhoogt de nauwkeurigheid van de berekeningen aanzienlijk. Ook het effect van de elektrificatie van het wagenpark kan gedetailleerd worden meegenomen.
Logistiek
Een ander voorbeeld is de simulatie van logistieke knooppunten. LSMS kan de complete logistieke rit modelleren: eerst grotere vrachtwagens die een hub aandoen en daarna kleinere vrachtwagens van de hub naar bijvoorbeeld het stadscentrum, waarbij de lading per voertuig ook kan worden gesimuleerd. Andere parameters, zoals veranderingen in het voertuiggewicht en het gedrag van de bestuurder en routekeuze tijdens de reis, kunnen transparant gemaakt worden en eveneens individueel gemodelleerd.
Overig vervoer
Het is ook mogelijk om de effecten van de introductie van nieuwe vormen van mobiliteit te bepalen, zoals Mobiliteit-as-a-Service (MaaS), autonome voertuigen, gedeelde services en Connected Mobility (V2X).
In ontwikkeling
Momenteel zijn de modellen in LSMS vooral geschikt voor het simuleren van snelwegverkeer. Maar verkeerskundig gezien gebeurt er natuurlijk ook veel in steden – en daarom breiden we onze LSMS momenteel uit om ook stedelijk verkeer te simuleren. Het bevat al specifieke bestuurdersmodellen voor het naderen en passeren van kruispunten en een basis voor het simuleren van verkeerslichtcontrollers.
Voor het simuleren van stedelijk verkeer is het ook van belang dat fietsers en voetgangers gesimuleerd kunnen worden. Dat staat daarom in de planning voor de ontwikkeling de komende tijd. De technologie is er klaar voor, de details van gedrag en interactie moeten nog worden toegevoegd.
We zijn tot slot ook bezig activity based-modellen te ontwikkelen die aan de hand van een grootschalige populatie met individuen en hun kenmerken, individuele activiteitenpatronen kunnen bepalen. Deze activiteitenpatronen dienen dan als invoer voor de LSMS – wat ons in staat stelt de effecten te bepalen van interventies die individuele activiteitenpatronen beïnvloeden. Deze uitbreiding is erg nuttig met het oog op vraagstukken rond brede welvaart en vervoersarmoede.
Conclusies
Om te midden van alle innovaties, transities en maatschappelijke trends van het moment nog goed beleid uit te kunnen werken, hebben we bredere, meer gedetailleerde en complexere modellen nodig. LSMS lijkt hiervoor een prima oplossing. Het model opent nieuwe mogelijkheden voor gedegen en betrouwbaar onderzoek rond mobiliteit en transport: ‘wat als…’-vragen kunnen in al hun complexiteit en in grote diversiteit geanalyseerd worden. Hiermee geven we bestuurders en beleidsmakers handelingsperspectief en bieden we ze inzicht in de effecten.
____
De auteurs
Ir. Gerdien Klunder is senior scientist bij TNO Mobility and Built Environment.
Drs. Marcel Meeuwissen is senior consultant Safe and Smart Mobility bij TNO.
