Binnenkort zullen door mensen bestuurde voertuigen en zelfrijdende voertuigen gebruikmaken van hetzelfde wegennet. Wat kunnen we daarvan verwachten? En wat betekenen die ontmoetingen tussen mens en machine voor de doorstroming op de weg? In dit artikel bespreekt dr. Haneen Farah wat het NWO-onderzoeksproject SAMEN aan antwoorden heeft opgeleverd.
Het zal niet heel lang meer duren of autonome (zelfrijdende) auto’s worden toegelaten op de openbare weg. Omdat we niet met z’n allen tegelijk overstappen op autonoom, zullen we járenlang gemengd verkeer op onze wegen hebben, met een mix van zelfrijdende en door mensen bestuurde voertuigen. Hoe zal dat gaan? Hoe reageren de menselijke bestuurders op de net wat andere rijstijl van de autonome weggenoten? En wat heeft dat voor effect op het verkeersbeeld?
Sinds november 2019 houdt het onderzoeksproject Safe and Efficient Operation of Automated and Human Driven Vehicles in Mixed Traffic, kortweg SAMEN, zich met die vragen bezig. In het project werken tien publieke en private partijen samen. TU Delft is de trekker en heeft twee promovendi en een postdoctorale onderzoeker op het onderzoek gezet.1SAMEN is mogelijk gemaakt door Toegepaste en Technische Wetenschappen, een subdomein van het Nederlands Instituut voor Wetenschappelijk Onderzoek (NWO). De onderzoekers van TU Delft werken samen met Rijkswaterstaat, provincie Noord-Holland, Royal HaskoningDHV, 3M, TNO, SWOV, Nissan, CROW en Witteveen+Bos. Zie verder www.tudelft.nl/en/ceg/samen.
Modelleren van interacties
Een van de promovendi is Nagarjun Reddy. Hij ontwikkelt gedragstheorieën en wiskundige modellen om de interacties tussen menselijke bestuurders en autonome voertuigen te beschrijven. Daarmee kun je dan weer geschikte microsimulatiemodellen bouwen – en heb je een stevige basis om de implicaties van gemengd verkeer te onderzoeken.
De basis van dit alles is het begrijpen en doorgronden van het gedrag van menselijke bestuurders. Reddy heeft hiervoor een geavanceerde rijsimulator ingezet en experimenten op de openbare weg georganiseerd met zogenaamd automatische voertuigen.
Experiment met rijsimulator
Voor het experiment met de rijsimulator, zie de foto bovenaan, zijn 95 deelnemers geworven. Het verkeer in de simulator is gemengd, met 50 procent conventionele voertuigen en 50 procent autonome. Er zijn verschillende scenario’s beproefd: de autonome voertuigen waren wel of niet herkenbaar als zodanig en hun rijstijl was defensief dan wel agressief. Defensief wil zeggen dat het autonome voertuig z’n voorligger volgde op 3,5 seconden. Bij de ‘agressieve’ rijstijl was dat 1,5 seconde. Ter vergelijking: bij de conventionele, door mensen bestuurde voertuigen was de volgtijd tussen de 0,5 en 1,5 seconde. Zowel de defensieve als de agressieve autonome voertuigen hielden zich overigens steeds keurig aan de maximumsnelheid.
Tijdens hun rit werden de proefpersonen langs drie ongeregelde T-splitsingen geleid, waar ze voorrang moesten verlenen aan verkeer op de hoofdweg. De onderzoeksvraag hier was of de zichtbaarheid en de rijstijl van autonome voertuigen het invoeggedrag van de deelnemers beïnvloedde. Daartoe is steeds de geaccepteerde afstand bepaald: hoe groot moet de ruimte tot het volgende (naderende) voertuig op de hoofdweg zijn, wil de deelnemer vanaf de T-splitsing durven invoegen? Figuur 1 vat de belangrijkste resultaten van dit experiment samen.
Merk op dat wanneer een als autonoom herkend voertuig ‘agressief’ rijdt, deelnemers een duidelijk langere afstand aanhouden (rood in figuur 1) vergeleken met bijvoorbeeld het scenario waarin de autonome voertuigen defensief rijden (donkergroen) en het scenario van deels defensief en deels agressief rijdende autonome voertuigen (donkerblauw). Anders gezegd: een agressieve rijstijl van autonome voertuigen leidt tot defensief rijgedrag van de menselijke bestuurders.
Praktijkonderzoek
Dan het praktijkonderzoek. Dat werd uitgevoerd op een drie kilometer lange rechte weg, de Noordzeeweg bij Rozenburg. Hier is onderzocht of de deelnemers hun rijgedrag veranderen wanneer ze te maken krijgen met een als autonoom herkenbaar voertuig en of het uitmaakt of ze vooraf positieve dan wel negatieve informatie over de capaciteiten van zo’n voertuig krijgen. Omdat er niet met echte autonome voertuigen kon worden gewerkt, heeft Reddy2Deze field test heeft Reddy samen met masterstudent Shubham Soni van TU Delft opgezet. Ze kregen hierbij ondersteuning van Royal HaskoningDHV. de Wizard of Oz-methode gebruikt: het gebruikte testvoertuig werd steeds handmatig bestuurd door dezelfde professionele chauffeur, maar in de autonome scenario’s werd er een nep-LiDAR op het dak van het voertuig geplaatst en was het voertuig aan de zijkant voorzien van een sticker met de tekst Self-driving. Ook hield de bestuurder in de autonome scenario’s het onderste deel van het stuur vast, terwijl hij in de ‘menselijke’ scenario’s het bovenste deel van het stuur vasthield, met zijn handen duidelijk zichtbaar.
Een belangrijke conclusie uit het rijsimulator- en praktijkonderzoek is dat menselijke bestuurders hun rijgedrag aanpassen wanneer ze te maken krijgen met autonome voertuigen. Dat is nieuwe kennis.
In totaal achttien mannelijke bestuurders namen deel aan het experiment en elk van hen reed tien ritten. In elke rit van het experiment interacteerde de deelnemer met het testvoertuig, en de interacties omvatten: geaccepteerde afstand bij invoegen op een ongeregelde T-splitsing, volggedrag en inhalen.
Een belangrijk verschil met het experiment in de rijsimulator was, dat er in het praktijkdeel geen verschil was in rijstijlen: het (zogenaamd) automatische voertuig werd immers door een en dezelfde chauffeur bestuurd.
Wat viel in dit praktijkdeel op? Bijvoorbeeld dat de deelnemers een kortere afstand accepteerden als ze op een T-splitsing vóór een herkenbaar autonoom voertuig invoegden op de hoofdweg. Ook de ruimte na een inhaalmanoeuvre (weer naar rechts voegen) was korter. De verklaring is dat autonome voertuigen zijn ontworpen om veilig te functioneren en defensief te rijden – en weggebruikers gebruiken die technologische eigenschap in hun voordeel. Het verstrekken van positieve informatie over de capaciteit van autonome voertuigen om risico’s te vermijden, leidde zelfs tot een nog kleinere geaccepteerde ruimte. Negatieve informatie daarentegen had geen invloed op het gedrag van de deelnemers. Dat kan zijn omdat er een bestuurder meereed in het testvoertuig: die kan immers ingrijpen bij mogelijk gevaar.
Conclusies over gedrag
Een belangrijke conclusie uit het rijsimulator- en praktijkonderzoek is dat menselijke bestuurders hun rijgedrag aanpassen wanneer ze te maken krijgen met autonome voertuigen. Dat is nieuwe kennis. Het beeld was juist dat menselijke bestuurders net zo op autonome voertuigen reageren als dat ze op ‘gewone’ voertuigen reageren – en eerdere microscopische simulaties waren ook op die veronderstelling gebaseerd. Die simulaties verdienen dus een update en moeten de waargenomen gedragsaanpassing meenemen. Dat is wat postdoctoraal onderzoeker Narayana Raju in zijn deel van het SAMEN-onderzoek heeft gedaan.
Effecten op verkeersbeeld?
Raju houdt zich bezig met de vervolgvraag: wat betekent de door Reddy aangetoonde gedragsaanpassing voor de efficiëntie in het verkeer?
Hiervoor is in SAMEN een nieuwe verkeersmicrosimulatie uitgevoerd. De usecase was een ongeregelde T-splitsing en verschillende penetratiegraden en rijstijlen van autonome voertuigen. Om de realiteit van het gedrag van de autonome en ‘gewone’ voertuigen goed weer te geven, implementeerde Raju de gedragsmodellen voor de geaccepteerde invoegafstand van Reddy in SUMO, een open source-platform voor verkeerssimulaties.
De resultaten van de simulaties laten zien dat het effect van gedragsaanpassing voornamelijk merkbaar is wanneer autonome voertuigen als zodanig herkenbaar zijn én ‘agressief’ rijden (kortere volgtijden). De wat defensievere rijstijl van de menselijke bestuurders leidt dan tot meer vertraging voor voertuigen op de secundaire weg. De toename in mediane vertragingen per voertuig zijn +63 procent (36,1 seconden), +49,24 procent (33,8 seconden) en +75,54 procent (71,7 seconden) bij penetratiegraden van respectievelijk 25, 50 en 75 procent. Zie figuur 2.
Bij defensieve autonome voertuigen leidt een toename van hun penetratiegraad ook tot een toename van vertragingen op de secundaire weg. Zie figuur 3. Hier geldt dat bij een gelijke penetratiegraad het niet uitmaakt of de gedragsaanpassing (= de inzichten uit Reddy’s onderzoek) wel of niet wordt meegenomen.
Als we het conventionele verkeersscenario voor een secundaire weg ‘uitsluitend door mensen bestuurde voertuigen’ vergelijken met het scenario ‘gemengd verkeer met ook herkenbare autonome voertuigen met agressieve rijstijl’, dan neemt de mediane vertraging per voertuig sowieso toe. Rekening houdend met de door Reddy vastgestelde gedragsaanpassing komt die vertraging op +139 procent (54,2 seconden), +163 procent (63,5 seconden) en +327 procent (127,6 seconden) bij een penetratiegraad van respectievelijk 25, 50 en 75 procent.
Als we de gedragsaanpassing niet meenemen – en we als het ware zouden werken met de oude microsimulatiemodellen – zou de mediane vertraging per voertuig +46,4 procent (18 seconden), +76,2 procent (29,7 seconden) en +143,4 procent (55,9 seconden) groter zijn. Het scheelt dus nogal als we de in SAMEN vastgestelde gedragsaanpassing wél meenemen!
Conclusie
De aanwezigheid van autonome voertuigen in het verkeer heeft invloed op het gedrag van menselijke bestuurders. De richting van de impact hangt af van verschillende factoren, zoals het uiterlijk van de autonome voertuigen (zijn ze herkenbaar), de penetratiegraad en de rijstijl van deze voertuigen. De microscopische verkeerssimulatie toont aan dat deze gedragsveranderingen fors invloed hebben op de vertraging die weggebruikers ervaren. Wegbeheerders zouden deze effecten zorgvuldig moeten overwegen bij het nemen van beslissingen over het toestaan van autonome voertuigen op het wegennet.
SAMEN biedt dus nuttige inzichten over wat we kunnen verwachten van toekomstig gemengd verkeer op ongeregelde T-splitsingen. Maar er is behoefte aan onderzoek naar de implicaties van potentiële gedragsaanpassing bij andere soorten interacties, zoals volggedrag en het wisselen van rijstrook op de verkeersprestaties. Ook is meer onderzoek nodig naar de effecten die de gedragsaanpassing van mensen heeft op de verkeersveiligheid en naar kritieke situaties, waarin een autonoom voertuig bijvoorbeeld plotseling afremt. Een nuttige vervolgvraag is verder of en zo ja hoe deze gedragsaanpassing in de loop der tijd verandert: blijven de effecten zo groot of vlakken die mettertijd af? Deze onderzoeksrichtingen vormen de kern van onze komende studies binnen SAMEN.
_____
De auteur
Dr. ir. Haneen Farah is universitair hoofddocent en mededirecteur van het Traffic and Transportation Safety Lab van de TU Delft en trekker van het project SAMEN. Aan dit onderzoek hebben de volgende onderzoekers een bijdrage geleverd: Nagarjun Reddy, Yongqi Dong, Narayana Raju, Wouter Schakel, Shubham Soni, Serge Hoogendoorn en Bart van Arem.
Geraadpleegde bronnen
- Farah, H., Postigo, I., Reddy, N., Dong, Y., Rydergren, C., Raju, N., & Olstam, J.. Modeling Automated Driving in Microscopic Traffic Simulations for Traffic Performance Evaluations: Aspects to Consider and State of the Practice. IEEE Transactions on Intelligent Transportation Systems, 24 (6), pp. 6558-6574 (2023).
- Raju, N., & Farah, H. Evolution of traffic microsimulation and its use for modeling connected and automated vehicles. Journal of Advanced Transportation, 2021, 1-29 (2021).
- Raju, N., Schakel, W., Reddy, N., Dong, Y., & Farah, H. Car-following properties of a commercial adaptive cruise control system: a pilot field test. Transportation research record, 2676(7), 128-143 (2022).
- Reddy, N., Hoogendoorn, S. P., & Farah, H. How do the recognizability and driving styles of automated vehicles affect human drivers’ gap acceptance at T-Intersections? Transportation research part F: traffic psychology and behaviour, 90, 451-465 (2022).
- Soni, S., Reddy, N., Tsapi, A., van Arem, B., & Farah, H. Behavioral adaptations of human drivers interacting with automated vehicles. Transportation research part F: traffic psychology and behaviour, 86, 48-64 (2022).
