Platooning bij geregelde kruispunten met V2V- en V2I-communicatie

Coöperatieve voertuigen kunnen de verkeersefficiëntie op stedelijke wegen fors verhogen – dat is tenminste de verwachting. Maar hoe bepaal je de ideale trajectoriën voor deze voertuigen? Hoe ga je om met verkeerslichten en wachtrijen? Onderzoekers van de TU Delft werken aan een nieuwe, ‘multi-objective’ aanpak voor het optimaliseren van de trajectoriën van coöperatieve voertuigen op geregelde kruispunten van een corridor.

 

 

De meeste kruispunten op het stedelijk netwerk regelen we met behulp van verkeerslichten. Dat is belangrijk om het verkeer veilig te kunnen afwikkelen, maar wat doorstroming en leefbaarheid betreft zijn die lichten vaak minder efficiënt. Al dat stoppen en weer gas geven bij verkeerslichten zorgt immers al snel voor een enorme reistijdvertraging en heel veel extra brandstofverbruik.

Tot nu toe hebben we die nadelen te slikken als ‘noodzakelijk kwaad’, maar dankzij de snelle ontwikkelingen op het gebied van ITS zou dat vlot kunnen veranderen. De hoop is daarbij gevestigd op connected and automative vehicles of CAV’s, ook wel coöperatieve voertuigen genoemd. Dankzij voertuig-voertuig- (V2V) en voertuig-wegkant- (V2I) communicatie hebben deze voertuigen een veel groter ‘blikveld’ en daarmee een veel groter anticiperend vermogen. Dat maakt het mogelijk om bijvoorbeeld met pelotons te werken (platooning, ‘in treintjes rijden’) en slimme keuzes te maken op het gebied van route, versnelling en snelheid – zó slim dat de doorstroming verbetert en het brandstofverbruik daalt bij een minstens even goede veiligheid.

Nieuwe aanpak
Voor het zover is, moet er nog wel het nodige ontwikkeld worden. Met het vormen van brandstofefficiënte pelotons op een snelweg zijn we goed op weg: er zijn al verschillende succesvolle praktijkproeven gehouden [1-2]. Maar platooning op stedelijke wegen met meerdere geregelde kruispunten is van een andere moeilijkheidsgraad. Er zijn wel algoritmes die geautomatiseerde voertuigen langs kruispunten loodsen, maar die kunnen niet met pelotons overweg, zijn gericht op enkele kruispunten in plaats van corridors en/of zijn niet in staat zich op meerdere doelen te richten [3-5].

Dat was reden voor ons als afdeling Transport en Planning van de TU Delft om een aanpak te ontwikkelen voor het vormen van slimme pelotons op stedelijke wegen. We hebben eerst een schetsontwerp gemaakt van een besturingssysteem voor pelotons in een stedelijke context. We hebben gekozen voor een ‘model-based’ aanpak – we gebruiken modellen om te voorspellen en te optimaliseren – en hebben daarom ook doelfuncties geformuleerd voor veiligheid, doorstroming, brandstofverbruik en rijcomfort. In het onderstaande beschrijven we kort de eerste resultaten van dit onderzoek.

De uitdaging
We zijn bij het ontwerp van het (concept) besturingssysteem uitgegaan van een 100% penetratie van coöperatieve voertuigen. Dat is weinig realistisch, maar het is wel een eerste stap om de werking van het systeem te kunnen onderzoeken. Andere uitgangspunten zijn dat we de versnelling (sneller rijden of juist vaart minderen) van de voertuigen centraal kunnen aansturen en dat alle informatie over groentijden via zogenaamde SPaT-berichten, Signal Phasing and Timing, met de voertuigen worden gedeeld.

Figuur 1 toont een typische situatie waar we ons op richten. Links in de figuur zien we een peloton coöperatieve voertuigen dat door het besturingssysteem wordt aangestuurd. Stroomafwaarts staan andere coöperatieve voertuigen voor een verkeerslicht.

Het systeem bepaalt de ideale trajectoriën van het peloton door de versnellingen te optimaliseren. Dat gaat in stapjes: eerst optimaliseert het systeem op doorstroming, waarna het rijcomfort wordt gemaximaliseerd (= de versnelling tot een minimum beperken) en de gemiddelde rijvertraging en het brandstofverbruik worden geminimaliseerd. Veiligheid is hierbij een harde randvoorwaarde. Het systeem voorkomt bijvoorbeeld kopstaartbotsingen door een veilige (minimale) volgafstand te hanteren.

Het systeem is flexibel opgezet. Zo kan een peloton bij rood licht in tweeën worden gesplitst. Eerst wordt bepaald welk deel nog groen kan halen, gelet op de maximumsnelheid en de eventuele wachtrij die al bij het kruispunt staat. Dit deel van het peloton zal het kruispunt zo snel mogelijk passeren. Het deel dat rood krijgt, zal juist vroegtijdig (rustig) afremmen – en splitst zich daarmee af van de eerste voertuigen van het peloton.

Al met al stuurt het besturingssysteem voortdurend op de volgende doelen:

• Maximalisatie van het rijcomfort: Het harder rijden of juist vaart minderen gebeurt zo rustig en gelijkmatig mogelijk.
• Minimalisatie van de reistijdvertraging: Het systeem zal voertuigen die groen kunnen halen, vlot laten doorrijden.
• Maximalisatie van de doorstroming: Het aantal voertuigen dat groen kan halen, wordt gemaximaliseerd.
• Minimalisatie van het brandstofverbruik: Voertuigen die niet in staat zijn groen te halen, verlagen rustig hun snelheid.

Bovendien is het systeem zo ingesteld dat het de volgende restricties oplegt:

• Met het oog op het rijcomfort wordt de versnelling begrensd: er is een maximale versnelling en vertraging die voor de automobilist als comfortabel wordt ervaren.
• De snelheid mag nooit groter zijn dan de geldende maximumsnelheid.
• Voertuigen onderling moeten met het oog op de veiligheid een snelheidsafhankelijke minimale volgafstand respecteren.
• Het systeem interpreteert de roodfase als een ‘gebiedsbeperking’: de voertuigen mogen de stopstreep dan niet passeren.

Experimentontwerp
Om het nog theoretische systeem aan een eerste test te kunnen onderwerpen, hebben we in een simulatieomgeving twee scenario’s uitgewerkt en beproefd.

Scenario 1 is de situatie dat ons peloton een enkel kruispunt nadert waar geen wachtrij staat. Een deel van het peloton haalt groen en een deel krijgt rood. Dit simpele scenario gebruiken we om te kijken hoe ons optimalisatieraamwerk omgaat met een pelotonsplitsing en in hoeverre het systeem in staat is om op meerdere doelen te sturen.

Scenario 2 betreft een complexere situatie, namelijk een corridor van twee geregelde kruispunten waar wachtrijen staan – de situatie van figuur 1. Dat betekent dat de ‘gebiedsbeperking’ (tot waar mogen we rijden) verschilt van die in het vorige scenario. Door de relatief korte afstand tussen de twee kruispunten zullen de voertuigen bij het passeren van het eerste kruispunt ook rekening moeten houden met terugslag: het kruispunt moet altijd vrij blijven. Doel van deze setting is vooral de interactie te onderzoeken: het splitsen van het peloton, het reageren op wachtrijen enzovoort.

Resultaten
De resultaten van de simulatie met coöperatieve pelotons hebben we weergegeven in figuur 2 en 3. De horizontale rode lijnen geven een rood licht aan. Goed te zien is dat alle voertuigen de restricties in ons systeem respecteren: ze houden een veilige volgafstand aan (= afstand tussen de trajectoriën) en rijden niet harder dan is toegestaan. Ook de versnellingsbegrenzing doet z’n werk.

 

Analyse van scenario 1
Het systeem kan prima overweg met scenario 1, de situatie met slechts één kruispunt. Het peloton bestaat in eerste instantie uit tien voertuigen – zie figuur 2. Alleen de voertuigen 1-7 (geteld van boven af) krijgen groen op het eerste kruispunt. Deze accelereren tot aan de maximumsnelheid, die we op 15 m/s hebben gesteld, en houden vervolgens die snelheid aan. Merk op dat de voertuigen 2-7 iets langzamer versnellen dan voertuig 1, omdat zij zich aan de beperking van de minimale volgafstand moeten houden. De voertuigen 8-10 die geen groen krijgen, vertragen tijdig en naderen de stoplijn langzaam, vanwege de expliciete optimalisatiefunctie van het brandstofverbruik.
Deze resultaten laten duidelijk uitkomen dat we inderdaad meerdere criteria in de doelfunctie kunnen toepassen. Bovendien zijn die criteria goed per voertuig in het peloton toe te passen: de verschillende voertuigen reageren allemaal anders, afhankelijk van hun omstandigheden (wel/geen groen, wel/niet volgend etc.).

Analyse van scenario 2
Figuur 3 geeft de simulatie van scenario 2 weer. De voertuigen 5-10 (opnieuw tellen we van bovenaf) vormen het rijdende peloton. Dit splitst zich op het eerste kruispunt in tweeën; het eerste deel vormt daarna een nieuw peloton met de wachtrij bij kruispunt 2. De versnelling verloopt dankzij het maximaliseren van het rijcomfort, uiterst soepel: de trajectoriën zien er redelijk en natuurlijk uit.
De voertuigen 3-7 passeren alle het eerste kruispunt. De leider van het oorspronkelijke peloton, voertuig 5, begint met een acceleratie van 1,6 m/s2, de volgende twee voertuigen versnellen in het begin iets trager. Van de voertuigen 3-7 zou je wellicht verwachten dat ze versnellen tot de maximumsnelheid en die vervolgens aanhouden, maar dat gebeurt niet: de kruispunten zijn slechts 400 meter van elkaar verwijderd en de restrictie van een veilige volgafstand drukt dan ook de versnelling. De voertuigen 8-10 remmen af omdat zij rood krijgen, staan even stil en trekken met groen weer op.
De trajectoriën van de voertuigen in de wachtrijen kunnen we als volgt verklaren. De voertuigen 3 en 4 rijden vanuit stilstand weg van de eerste kruising zodra de groenfase begint. Ze rijden naar de tweede kruising met geleidelijk hogere snelheden, maar wel met een afnemende versnelling. De voertuigen 1 en 2 rijden weg wanneer zij groen krijgen. Voertuig 1 doet dat met de maximale versnelling: deze auto heeft immers geen auto voor zich en heeft dus geen ‘last’ van de restrictie van een veilige volgafstand.

Vergelijking met menselijk rijden
Op grond van bovenstaande resultaten mogen we concluderen dat – in ieder geval in een simulatie – ons besturingssysteem met de verschillende gekozen doelfuncties prima functioneert. Maar hoe verhoudt de coöperatieve prestatie zich tot een systeem met normaal menselijk rijggedrag? Hoe groot is het potentieel van onze aanpak? Om daar een beeld van te krijgen, hebben we de scenario’s 1 en 2 ook gesimuleerd met het Intelligent Driver Model (IDM), dat menselijk rijgedrag nabootst.

Figuur 4 en 5 geven de simulatieresultaten weer. Het is duidelijk dat qua doorstroming ons coöperatieve model veel beter presteert dan het IDM-model. Ook wat brandstofverbruik betreft zijn de verschillen evident: de coöperatieve voertuigen rijden aanmerkelijk zuiniger dan de ‘intelligent drivers’. De brandstofbesparing van onze aanpak komt in scenario 2 bijvoorbeeld op 18,5 ml per scenario.

 

Discussie
We hebben een flexibele benadering besproken voor het aansturen van coöperatieve voertuigen op stedelijke wegen, waarbij de verkeersprestaties worden geoptimaliseerd op basis van de criteria doorstroming, rijcomfort, reistijdvertraging en brandstofverbruik, met veiligheid als voorwaarde. De aanpak houdt rekening met stroomafwaartse voertuigwachtrijen en is geschikt voor zowel geïsoleerde geregelde kruispunten als corridors.

De aanpak is beproefd in verschillende simulaties, onder meer in een scenario met meerdere kruispunten en stroomafwaartse wachtrijen van voertuigen. Tijdens deze proeven hebben we eenvoudig kunnen experimenteren met wijzigingen in de criteria van de doelfuncties – wat nog eens laat zien hoe flexibel de aanpak is. De simulatieresultaten tonen aan dat het voorgestelde besturingssysteem in staat is om de doelen te bereiken en de restricties te respecteren.

Hiermee hebben we een eerste stap gezet op weg naar coöperatieve pelotons in de stedelijke omgeving. Verder onderzoek zal zich richten op scenario’s met meerdere rijstroken en real-time aanpassing van de verkeersregelinstallaties op basis van voertuig-wegkant-informatie. Daarnaast zullen we in de toekomst onderzoek moeten doen naar een penetratiegraad van (veel) minder dan 100%, het schatten van wachtrijen (van ook niet-coöperatieve voertuigen) met behulp van informatie uit de coöperatieve voertuigen en het ontwerp van het besturingssysteem in een gemengde verkeersstroom van menselijke chauffeurs en coöperatieve voertuigen. Dat is nog heel veel werk – maar de basis om al platoonend over stedelijke wegen te zoeven, ligt er

____

De auteurs
Meiqi Liu is een PhD-onderzoeker aan de TU Delft.
Dr. Meng Wang is universitair docent aan de TU Delft.
Prof. dr. ir. Serge Hoogendoorn is hoogleraar aan de TU Delft.

____

Referenties

[1]
Wang, M., W. Daamen, S. P. Hoogendoorn, and B. van Arem. Rolling horizon control framework for driver assistance systems. Part I: Mathematical formulation and non-cooperative systems. Transportation Research Part C: Emerging Technologies, Vol. 40, 2014, pp. 271-289.

[2]
Wang, M., W. Daamen, S. P. Hoogendoorn, and B. van Arem. Rolling horizon control framework for driver assistance systems. Part II: Cooperative sensing and cooperative control. Transportation Research Part C: Emerging Technologies, Vol. 40, 2014, pp. 290-311.

[3]
Kamalanathsharma, R. K., H. A. Rakha, and H. Yang. Networkwide impacts of vehicle ecospeed control in the vicinity of traffic signalized intersections. Transportation Research Record: Journal of the Transportation Research Board, No. 2503, 2015, pp. 91-99.

[4]
Lee, J., and B. Park. Development and evaluation of a cooperative vehicle intersection control algorithm under the connected vehicles environment. IEEE Transactions on Intelligent Transportation Systems, Vol. 13, No. 1, 2012, pp. 81-90.

[5]
Stebbins, S., M. Hickman, J. Kim, and H. L. Vu. Characterising Green Light Optimal Speed Advisory trajectories for platoon-based optimisation. Transportation Research Part C: Emerging Technologies, Vol. 82, 2017, pp. 43-62.