Detailergebnis zu DOK-Nr. 82055
Charakterisierung der Interaktion zwischen Mensch und automatisiertem Fahrzeug: Eine Untersuchung des Fahrzeugfolgeverhaltens (Orig. engl: Characterizing human-automated vehicle interactions: An investigation into car-following behavior)
| Autoren |
Y. Zhang A. Talebpour |
|---|---|
| Sachgebiete |
6.7.3 Automatisiertes und Autonomes Fahren 6.2 Verkehrsberechnungen, Verkehrsmodelle 5.15 Verkehrsablauf (Verkehrsfluss, Leistungsfähigkeit, Bemessung) |
Transportation Research Record (TRR): Journal of the Transportation Research Board Vol. 2678, H. 5, 2024, S. 812-826, 12 B, 2 T, zahlr. Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Es ist zu erwarten, dass automatisierte Fahrzeuge das Verhalten der fahrenden Menschen beeinflussen werden. Dementsprechend ist die Erfassung solcher Veränderungen für die Planung und den Betrieb von entscheidender Bedeutung. Im Hinblick auf das Fahrzeugfolgeverhalten stellt sich die Frage, ob bestehende Fahrzeugfolgemodelle diese Veränderungen im menschlichen Verhalten abbilden können. Anhand eines Datensatzes, der aus dem Fahrverhalten von Fahrenden bei der Verfolgung automatisierter Fahrzeuge gewonnen wurde, wird in dem Beitrag der University of Illinois at Urbana-Champaign in den USA eine robuste Methodik auf der Grundlage des Konzepts der dynamischen Zeitverzerrung vorgestellt, um die kritischen Parameter zu untersuchen, die zur Erfassung von Veränderungen im menschlichen Verhalten verwendet werden können. Die Ergebnisse deuten darauf hin, dass der Abstand am besten geeignet ist, solche Veränderungen zu erfassen. Darüber hinaus legen Kalibrierung und Validierung des intelligenten Fahrmodells (intelligent driver model, IDM) nahe, dass dieses nicht in der Lage ist, Veränderungen im menschlichen Verhalten als Reaktion auf automatisierte Fahrzeuge zu erfassen. Daher wird eine Erweiterung des IDM angewandt, die explizit die Stochastik im Verhalten der einzelnen Fahrerin oder des einzelnen Fahrers modelliert, und die Ergebnisse zeigen, dass ein solches Modell eine Verringerung der Unsicherheit beim Folgen eines automatisierten Fahrzeugs erkennen kann. Die Ergebnisse zeigen, dass ein solches Modell die Unsicherheit beim Folgen eines automatisierten Fahrzeugs verringern kann. Diese Erkenntnis hat auch Auswirkungen auf eine stochastische Erweiterung anderer Modelle bei der Analyse und Simulation eines gemischt-autonomen Verkehrsflusses.