Zum Thema Autonome Fahrzeuge werden verschiedenste Aspekte diskutiert, von Fragen zur Sicherheit, den Folgen für die Stadtplanung bis hin zur Entwicklung von neuen Geschäftsmodellen (Stichwort: Mobility as a Service). Dieser Beitrag beschränkt sich auf Möglichkeiten zur Auswirkung von autonomen Fahrzeugen auf den Verkehrsfluss. Ziel ist zu beschreiben, wie mit mikroskopischer Verkehrssimulation die Koexistenz von autonomen und konventionellen Fahrzeugen analysiert und ausgewertet werden kann. Die Ergebnisse zeigen, dass ein massives Kapazitätswachstum bei Strecken mit hohen Geschwindigkeiten, also z. B. Autobahnen, erreicht werden kann. Relevante Einflussgrößen sind hier der Abstand zwischen den Fahrzeugen und deren Geschwindigkeit. Im Stadtverkehr bleibt weiterhin die Kapazität der Kreuzungen entscheidend.

Der Fachvortrag zur Veranstaltung ist im Volltext verfügbar. Das PDF enthält alle Bilder und Formeln.

1 Einleitung

Autonome Fahrzeuge haben das Potenzial, die Mobilität in den kommenden Jahren positiv zu beeinflussen. Aktuelle Prognosen der Automobilindustrie [1] erwarten die Markteinführung autonomer Fahrzeuge innerhalb der nächsten fünf Jahre (Volkswagen 2019, General Motors 2020 oder früher, Ford 2020). Das US Secretary of Transportation geht davon aus, dass autonome Fahrzeuge im Jahr 2025 weltweit im Einsatz sein werden. Das Unternehmen UBER prognostiziert für das Jahr 2030 seine Fahrzeugflotte als vollständig fahrerlos.

Mit diesen Perspektiven erscheint der Zeitraum relativ kurz, in dem autonome Fahrzeuge auf der Straße auftauchen, mit der Zeit den Straßenverkehr dominieren und schließlich einen Anteil von bis zu 100 % der Fahrzeuge im gesamten Verkehr erreichen könnten. Wird zudem der Aspekt berücksichtigt, dass die typische Dauer von Infrastrukturplanungen einen Zeitraum von wenigen Jahren leicht überschreiten kann, gibt es aktuell relativ wenige Studien über die Auswirkungen autonomer Fahrzeuge. Dies gilt auch für den Bereich der Verkehrssimulation und der Verkehrsmodellierung. Ziel solcher Studien kann es sein, positive wie negative Auswirkungen in folgenden Bereichen zu untersuchen:

•    Verkehrssicherheit: Nach Angaben der WHO [2] sind für einen Großteil der Unfälle Fehler der Fahrzeugführer verantwortlich. Es kann deshalb davon ausgegangen werden, dass autonome Fahrzeuge ein großes Potenzial bieten, die Unfallraten zu verringern [3]. Dies bestätigen auch die bisherigen Erfahrungen: Beispielweise waren autonome Fahrzeuge von Google auf ca. 700.000 Meilen Strecke nur an zwei Unfällen beteiligt. In diesem Kontext müssen auch ethische Fragen betrachtet werden [4].

•    IT-Sicherheit: Die höhere Automation autonomer Fahrzeuge kann die Gefahr durch Hacker- Angriffe erhöhen [5]. Die Dimension solcher Angriffe steigt mit wachsendem Marktanteil autonomer Fahrzeuge.

•    Mobility sharing: Auch wenn die Idee des mobility sharing grundsätzlich unabhängig vor der Automation der Fahrzeuge ist, gibt es Zusammenhänge, die betrachtet werden müssen. Die Kombination autonomer Fahrzeuge mit mobility sharing (z.B. für Taxiflotten) könnte die Effizienz steigern und das Verkehrsangebot verbessern [6] [7]. Dies würde u.a. den Bedarf an Parkplätzen beeinflussen [8] und könnte in der Folge auch das Bild vieler Städte verändern [9].

•    Mobilitätsverhalten: Menschen könnten Fahrten in einem autonomen Fahrzeug attraktiver als konventionelles Autofahren empfinden, da beispielsweise die Fahrzeit anderweitig genutzt werden kann. Kosten können sich verändern, insbesondere in der Kombination mit mobility sharing. Dies wird Auswirkungen auf Ziel-, Modus- und Routenwahl haben [9] und muss in Verkehrsnachfragemodellen angemessen berücksichtigt werden.

•    Kapazität/Effektivität: Es wird häufig angenommen, dass autonome Fahrzeuge die Kapazität in Straßennetzen erhöhen können.

Einordnung dieses Beitrags

Der Fokus dieses Beitrags richtet sich auf die letzte der oben aufgeführten Fragestellungen: Er zeigt die potenziell höhere Kapazität und damit gesteigerte Effektivität auf, die im Verkehrsnetz durch autonome Fahrzeuge im Vergleich zu Kapazität und Effektivität konventioneller Fahrzeuge zu erreichen ist, und fasst die Untersuchungsergebnisse zusammen. Konkrete Aussagen sind hier aufgrund noch nicht final ausgereifter oder unbekannter Steuerungsalgorithmen nicht möglich. Sinnvolle Annahmen und deren Berücksichtigung in Modellen erlauben jedoch bestmögliche Aussagen zu treffen.

In bisherigen Untersuchungen aus der Literatur hat Friedrich [10] eine Studie auf Basis von makroskopischen Analysen vorgestellt. In dieser werden als Einflussgrößen für die Kapazitätssteigerung insbesondere die verringerten Zeitlücken sowie mögliche, höhere Geschwindigkeiten bei konstanter Dichte ermittelt. Ambühl et al. [8] haben auf Basis einer mesoskopischen Simulation ein Fundamentaldiagramm für autonome Fahrzeuge ermittelt.

Im Gegensatz zu derartigen makro- und mesoskopischen Studien diskutiert der vorliegende Beitrag die Möglichkeiten der mikroskopischen Simulation von autonomen Fahrzeugen und wendet diese Möglichkeiten anschließend exemplarisch auf ausgewählte Innerorts- und Außerortsszenarien an.

Der weitere Beitrag gliedert sich wie folgt:

•    Kapitel 2 (Simulationsumgebung) beschreibt die Möglichkeiten und Ansätze zur Simulation autonomer Fahrzeuge zusammen mit konventionellen Fahrzeugen

•    Kapitel 3 (Simulationstudie) informiert über die durchgeführten Simulationstests und Auswertungen.

•    Kapitel 4 (Schlussfolgerungen) fasst die Ergebnisse und Empfehlungen zusammen.

2 Simulationsumgebung

Für die Verwendung autonomer Fahrzeuge sind in der mikroskopischen Verkehrsflusssimulation verschiedene Szenarien denkbar. Ein wesentlicher Kern jeder Mikrosimulation ist die Abbildung des menschlichen Fahrverhaltens. Dieses ersetzen die Hersteller autonomer Fahrzeuge durch eigene Steuerungsalgorithmen. Für den Zugriff und die Verwendung der Steuerungsalgorithmen bieten sich folgende drei Optionen an:

2.1 Option 1: Implementierung von echten Steuerungsalgorithmen

Es wäre ideal, wenn in der Mikrosimulation bereits reale Steuerungsalgorithmen eines oder mehrerer Hersteller implementiert wären. Dies ist aktuell nicht möglich, da die Steuerungsalgorithmen weder final vorliegen noch öffentlich verfügbar sind. Somit ist diese Option momentan weitgehend den Herstellern autonomer Fahrzeuge vorbehalten, die Ihre Steuerungsalgorithmen in der Mikrosimulation selbst testen und optimieren wollen. Die Implementierung von echten Steuerungsalgorithmen ist technisch über eine Programmierschnittstelle möglich. Über diese Schnittstelle werden dann ein oder mehrere Fahrzeuge direkt durch die externen Steuerungsalgorithmen gesteuert.

2.2 Option 2: Situative Implementierung von Steuerungsalgorithmen

Anstatt externe Steuerungsalgorithmen zu implementieren, können einzelne Komponenten des Fahrverhaltens der Mikrosimulation überschrieben werden. Abhängig von bestimmten Bedingungen sind dabei Einschränkungen auf spezifische Situationen möglich.

2.3 Option 3: Anpassung bestehender Fahrverhaltensmodelle

Als dritte Option können bestehende Fahrverhaltensmodelle in der Mikrosimulationssoftware so angepasst werden, dass sie dem erwarteten Verhalten autonomer Fahrzeuge möglichst gut entsprechen. Dies kann beispielsweise durch Reduzierung der beim Folgeverhalten typischen Oszillation des Folgeabstands [11] sowie der Reduzierung der Zeitlücken erreicht werden (vgl. [10]). Diese Option erscheint vielversprechend, da sie durch Veränderung von Parametern relativ einfach in der Mikrosimulationssoftware umgesetzt werden kann.

Die Analyse der Auswirkungen autonomer Fahrzeuge erfolgt mit Hilfe einer mikroskopischen Verkehrsflusssimulation. Während der Simulation wird das Verhalten einzelner Fahrzeuge gemäß den Algorithmen des Simulators berechnet.

Ein Kernelement der mikroskopischen Verkehrsflusssimulation ist die Modellierung des menschlichen Verhaltens im Straßenverkehr. Um autonome Fahrzeuge zu simulieren, müssen
die Algorithmen des Simulators mit Hilfe ihrer Parameter für die Simulation angepasst werden. Damit ist das Fahrverhalten für autonome Fahrzeuge in der Simulation implementiert und die Auswirkungen von autonomen Fahrzeuge können simuliert werden.

Es ist noch nicht bekannt, wie sich autonome Fahrzeuge tatsächlich im Verkehr verhalten werden. Dazu bestehen jedoch verschiedene Theorien, beispielsweise, dass sich das Fahrverhalten autonomer Fahrzeuge am menschlichen Fahrverhalten orientieren soll. So könnte es den Fahrzeugführern konventioneller Fahrzeuge leichter fallen, im gemischten Verkehr aus autonomen und konventionell geführten Fahrzeugen, mit den autonomen Fahrzeugen zu interagieren [12].

Abgrenzung und Einordung des betrachteten Fahrverhaltens

Es gibt bereits verschiedene Fahrverhalten autonomer Fahrzeuge mit dem Ziel den Verkehrsfluss [13, 14] oder die Fahrzeugemissionen [15] zu optimieren. Dabei gibt es viele Möglichkeiten, emissions- oder verkehrsflussoptimiertes Fahrzeugverhalten zu beschreiben. Es ist nicht Ziel dieses Beitrags, ein optimiertes Verhaltensmodell für autonome Fahrzeuge zu präsentieren. Ziel ist, zu beschreiben, wie verschiedene Fahrverhalten autonomer Fahrzeuge den Verkehr in unseren existierenden Netzen beeinflussen werden. Da diese Beeinflussung in der Zukunft liegt, müssen wir Annahmen über das Fahrverhalten autonomer Fahrzeuge treffen.

2.4 Eingesetzte Software für die Mikrosimulation

Die mikroskopische Verkehrsflusssimulation kann mit PTV Vissim durchgeführt werden ([16], [17]). PTV Vissim wird weltweit für die Verkehrssimulation im städtischen und ländlichen Raum sowie auf Autobahnen und Schnellstraßen eingesetzt. Die Simulation erfolgt auf Basis des Fahrzeugfolgemodells nach Wiedemann [11]. Dieses psycho-physische Fahrzeugfolgemodell bildet die menschliche Wahrnehmung und Entscheidungsfindung beim Führen eines Fahrzeugs ab. Es basiert auf der Annahme, dass der Fahrer keinen exakten Abstand zum Vorderfahrzeug einhalten kann. In der Folge oszilliert der Abstand des Fahrzeugs um den Wunschabstand zum Vorderfahrzeug. Da der Fahrer die Wunschgeschwindigkeit auch bei freier Fahrt nicht über einen längeren Zeitraum exakt einhalten kann, oszilliert die Geschwindigkeit seines Fahrzeugs stets um die eigene Wunschgeschwindigkeit. Diese Oszillation kann in den Fahrverhaltensparametern des Wiedemann-Modells in PTV Vissim deaktiviert werden. Damit halten autonome Fahrzeuge in der Simulation ihre Geschwindigkeit dem gewünschten Fahrverhalten entsprechend exakt ein. Da zudem weitere Fahrverhaltensparameter einstellbar sind, kann mit PTV Vissim das Fahrverhalten autonomer Fahrzeuge simuliert und ausgewertet werden.

Zusätzlich zum Fahrzeugfolgemodell nach Wiedemann erlaubt PTV Vissim weitere Fahrverhaltensalgorithmen zu implementieren. Dies können auch Fahrverhalten für autonome Fahrzeuge sein. PTV Vissim bietet drei APIs für die Implementierung externer Fahrverhalten an: die COM-Schnittstelle, die „DriverModel“-Schnittstelle sowie die „DrivingSimulator“-Schnittstelle.

COM-Schnittstelle

Die COM-Schnittstelle von Microsoft erlaubt, externe Anwendungen innerhalb eines Microsoft- Betriebssystems zu steuern [18]. Sie ermöglicht, auf alle Attribute des Simulators zuzugreifen. Darüber hinaus gibt es spezielle Funktionen für die Fahrzeugsimulation, die über die COM- Schnittstelle gesteuert werden können. So ist es beispielsweise möglich, die Position und Geschwindigkeit eines Fahrzeugs während der Simulation zu ändern. Mit dieser Funktionalität können eigene, autonome Fahrverhalten modelliert werden.

DriverModel API

Die DriverModel API ist eine Schnittstelle zur Implementierung eines externen Fahrverhaltens. Der Simulator übergibt zu jedem Zeitschritt Informationen über die Umgebung eines Fahrzeugs an die Schnittstelle. Diese Informationen enthalten beispielsweise die Position, die Geschwindigkeit und die Beschleunigung der umliegenden Fahrzeuge, den bevorstehenden Signalzustand und den Zustand einer Querverkehrsstörung (Vorfahrtsregelung). Zudem berechnet der Simulator einen Vorschlag, wie das Fahrzeug in dieser Situation simuliert würde und sendet diesen Vorschlag an die Schnittstelle. Der Simulator setzt voraus, dass bestimmte Daten wie Beschleunigung, Spurwechselinformation usw. zurück zum Fahrzeug gesendet und von diesem empfangen werden können [19]. Die DriverModel API stellt über die Schnittstelle nur die relevanten Informationen über die Umgebung eines einzelnen Fahrzeugs zur Verfügung.

DrivingSimulator API

Die DrivingSimulator API liefert die Informationen von allen Fahrzeugen im Verkehrsnetz sowie weitere Informationen, beispielsweise alle Signalzustände, in einem Paket an die Schnittstelle [20]. Für extern simulierte Fahrzeuge durch die DrivingSimulator API müssen Position, Orientierung und Geschwindigkeit an PTV Vissim zurückgegeben werden. Mit dieser Schnittstelle muss nicht unbedingt ein realer Fahrsimulator verwendet werden, stattdessen ist es möglich, den eigenen autonomen Fahrzeugalgorithmus über die Schnittstelle einzubinden.

Für die vorliegende Studie wurden nicht die Möglichkeiten genutzt, die APIs zur Modellierung eines autonomen Fahrzeugverhaltens bieten. Über die COM-Schnittstelle oder die DrivingSimulator-API ist es möglich, eine hochgenaue Fahrdynamiksimulation an den mikroskopischen Simulator anzubinden und so eine Ko-Simulation aus mikroskopischer Verkehrssimulation und detaillierter Fahrzeugsimulation mit dem Antriebsstrang durchzuführen [21].

Tabelle 1: Für die Simulation autonomer Fahrzeuge relevante Anwendungsfälle und APIs von PTV Vissim

3 Simulationstudie

3.1 Aufbau der Simulationsstudie

Es werden zwei Untersuchungsfälle, nämlicher ein städtischer und ein außerörtlicher Streckenabschnitt simuliert. Beide werden als eben und einspurig ohne Kreuzung angenommen. Relevante Fahrverhaltensparameter werden mit Hilfe eines Python-Skripts variiert. Für jede Parameterkombination werden so viele Simulationsläufe durchgeführt, dass aussagekräftige Analysen möglich sind. Mit den Simulationsläufen wird die Startzufallszahl variiert (vgl. dazu auch [22]). Die wesentlichen Ergebnisse werden in lesbare Auswertungsdateien gespeichert.

Zur Abbildung verschiedener Fahrverhalten der autonomen Fahrzeuge in der Mikrosimulation werden wie oben beschrieben einzelne Fahrverhaltensparameter variiert. Dies sind u. a. die Zeitlücken, Stillstands- und Sicherheitsabstände. Zudem werden variiert: der Anteil, den autonome Fahrzeuge am gesamten Verkehr im Netz haben sowie der Lkw-Anteil und die Wunschgeschwindigkeit. Als Ergebnis wird die Kapazität je Fahrstreifen betrachtet. Im Anschluss werden ausgewählte Ergebnisse präsentiert und erläutert.

Das PTV Vissim-Modell enthält eine verbesserte Version des Fahrzeugfolgemodells von Wiedemann 1974 (W74), das über drei einstellbare Parameter verfügt:

•    Mittlerer Stillstandsabstand (ax): Definiert die mittlere Wunschdistanz zwischen zwei Fahrzeugen. Die Toleranz liegt im Bereich von –1,0 m und +1,0 m und ist normalverteilt um 0,0 m mit einer Standardabweichung von 0,3 m.

•    Additiver Einfluss Sicherheitsabstand (bxadd): Wert für die Ermittlung des Wunschsicherheitsabstandes d. Ermöglicht die Anpassung von Zeitbedarfswerten.

•    Multiplikativer Einfluss Sicherheitsabstand (bxmult): Wert für die Ermittlung des Wunschsicherheitsabstandes d. Ermöglicht die Anpassung von Zeitbedarfswerten. Größerer Wert = größere Verteilung (Standardabweichung) des Sicherheitsabstands.

Der Wunschsicherheitsabstand d wird berechnet aus: d = ax +bx wobei:

•    ax: Stillstandsabstand

•    Formel siehe PDF.

•    v: Fahrzeuggeschwindigkeit [m/s]

•    z: Wert aus dem Intervall [0,1], normalverteilt um 0,5 mit einer Standardabweichung von 0,15

PTV Vissim bietet zudem ein Fahrzeugfolgemodell, das auf dem Fahrzeugfolgemodell Wiedemann 1999 (W99) basiert. Dieses Modell erlaubt neun Fahrverhaltensparameter (CC0 bis CC9) einzustellen:

•    Stillstandsabstand: (CC0): Wunsch-Stillstandsabstand zweier Fahrzeuge. Es gibt keine Variationen.

•    Folgeabstand: (CC1): Abstand in Sekunden, den ein Fahrer bei einer bestimmten Geschwindigkeit beibehalten möchte. Mit steigendem Wert steigt die Vorsicht des Fahrers. Bei einer vorgegebenen Geschwindigkeit v [m/s] wird der mittlere Sicherheitsabstand berechnet aus: dxsafe = CC0 + CC1 · v

•    Die restlichen Parameter (CC2 bis CC9) wurden im Rahmen dieser Studie nicht variiert, sondern mit den Standardwerten verwendet ([16]).

•    Im Fahrzeugfolgemodell Wiedemann 1999 (W99) ist der Sicherheitsabstand definiert als der minimale Abstand, mit dem ein Fahrer dem Vorderfahrzeug folgt. Bei hoher Auslastung bestimmt dieser Wert maßgeblich die Kapazität.

In den Tests wurden folgende vereinfachte Annahmen für autonome Fahrzeuge getroffen. Die folgenden Fahrverhaltensparameter beeinflussen das Fahrverhalten der Fahrzeuge untereinander auf ihren Fahrbahnen und damit die Kapazität der Fahrstreifen. Für die Werte dieser Parameter wurden 50% des Defaultwerts konventioneller Fahrzeuge gewählt:

•    Standardwerte für konventionelle Fahrzeuge:

•    Stillstandsabstand: ax (W74) = 2, CC0 (W99) = 1,50 m

•    Additiver Teil des Sicherheitsabstandes (W74): bxadd= 2,0 [-]

•    Folgeabstand (W99): CC1 = 0,9 s

•    Angenommene Werte für autonome Fahrzeuge:

•    Stillstandsabstand: ax (W74) = 1, CC0 (W99) = 0,75 m

•    Additiver Teil des Sicherheitsabstandes (W74): bxadd= 1,0 [-]

•    Folgeabstand (W99): CC1 = 0,45 s

Darüber hinaus wurde in den Simulationen der Lkw-Anteil sowie der Anteil autonomer Fahrzeuge zwischen 0 und 100% variiert.

3.2 Städtischer Streckenabschnitt

3.2.1 Einfluss der Folgezeitlücken

Für diesen Anwendungsfall wurde der Einfluss des Folgeabstandes auf die Kapazität getestet. Der folgende Verlauf wurde durch die Parameter ax und bxadd variiert.

–   Rahmenbedingungen:

•    Nur Pkw

•    Wunschgeschwindigkeitsverteilung: 50 km/h

•    Standardfahrverhalten (abgesehen von Variablen)

–   Variablen:

•    Mittlerer Stillstandsabstand (ax): 0,5 bis 2,0

•    Additiver Einfluss Sicherheitsabstand (bxadd): 0,5 bis 2,0

Bild 1: Simulationsergebnisse der Variation von ax und bxadd

Die Kapazität eines Fahrstreifens liegt bei der Verwendung von Standardwerten (jeweils 2,0; rechte untere Ecke) bei ca. 2.350 Fahrzeugen pro Stunde. Mit verringerten Werten für ax und bxadd steigt die Kapazität. So führt beispielsweise eine Halbierung der Werte für ax und bxadd zu einer Kapazitätssteigerung von ca. 8 %. Eine weitere Reduzierung führt nur noch zu einem geringen Anstieg der Kapazitätswerte. Eine extreme Reduktion beider Parameter auf 0,50 führt zu einer Kapazität von 2.551 Fz/h. Dies entspricht einer Steigerung von 8,4 % gegenüber der Standardkapazität.

Dass im Rahmen dieser Studie höhere Kapazitäten erreicht werden konnten, sollte auch für die Realität gelten können. Die Simulationssoftware hat eine künstliche Grenze: Die Fahrzeuge werden in das modellierte Netz mit festen Vorgabeparametern eingesetzt, die die Folgeabstände beeinflussen. Dadurch bilden die Fahrzeuge Gruppen, wenn sie eine gewisse Strecke im Netz zurückgelegt haben. Innerhalb dieser Gruppen sind die Folgeabstände zwischen den Fahrzeugen geringer, zwischen den Gruppen größer. Bei diesem realistischen Verhalten lassen sich Parallelen zum Platooning-Konzept, dem Fahren im Pulk, erkennen. In der Realität zeigt sich ein solches Verhalten, wenn ein Fahrzeug mit einer geringeren Wunschgeschwindigkeit vor einer Gruppe von Fahrzeugen herfährt, deren Wunschgeschwindigkeit größer ist. Ein Blick aus der Vogelperspektive auf einen größeren Bereich einer zweistreifigen Strecke (ein Fahrstreifen pro Richtung) würden mehrere solcher Gruppen zeigen.

In Bereichen des Netzes, in denen Fahrzeuge mit relativ niedriger Geschwindigkeit fahren, scheint das Potenzial für die Zunahme der Kapazität auf Grundlage eines geringeren Folgeabstands relativ niedrig zu sein. Im Stadtgebiet wird für die Gesamtkapazität jedoch die Kapazität von Kreuzungen entscheidend sein.

3.2.2 Einfluss des Anteils autonomer Fahrzeuge auf die Kapazität

Dieser Fall untersucht den Einfluss auf die Fahrstreifen-Kapazität durch einen wachsenden Anteil autonomer Fahrzeuge am gesamten Verkehr.

–   Rahmenbedingungen:

•    ausschließlich Pkw

•    Wunschgeschwindigkeitsverteilung: 50 km/h

•    konventionelle Pkw: Standardfahrverhalten

•    autonome Fahrzeuge: ax und bxadd um 50 % reduziert

–   Variable:

•    Anteil der autonomen Fahrzeuge von allen Fahrzeugen

Bild 2: Simulationsergebnisse der Variation des Anteils autonomer Fahrzeuge

Mit wachsenden Anteil autonomer Fahrzeuge erhöht sich auch die Kapazität. Bild 2 zeigt zu Beginn einen steilen Anstieg, der sich ab einem Anteil von etwa 10 % abzuflachen beginnt und 108,4% der Basiskapazität ohne autonome Fahrzeuge erreicht. Insgesamt ist die Steigerung der Kapazität in Bereichen des Netzes mit niedriger Geschwindigkeit nicht sehr groß: Ein Anteil autonomer Fahrzeuge von 7% führt zu 3,1% mehr Fahrstreifen-Kapazität, ein Anteil von 100 % zu 8,4%. Wie die Beschreibung zu Bild 1 erläutert, werden die Ergebnisse durch eine künstliche Grenze der Mikrosimulationssoftware beeinflusst und zeigen nicht die theoretisch größtmöglichen Kapazitäten unter idealen Bedingungen, sondern unter Bedingungen, die auch im konventionellen Verkehrsfluss auftreten. Deshalb können die Ergebnisse nicht als präzise deterministisch betrachtet werden, sondern stellen vielmehr einen Beitrag zur Diskussion über die potenziellen Vorteile autonomer Fahrzeuge dar.

3.2.3 Einfluss des Anteils autonomer LKW am Verkehrsfluss

Dieser Fall untersucht den Einfluss auf die Fahrstreifen-Kapazität, den ein wachsender Anteil autonomer Lkw am gesamten Verkehrsfluss hat.

–   Rahmenbedingungen:

•    ausschließlich autonome Fahrzeuge

•    50 km/h Wunschgeschwindigkeit (lineare Verteilung zwischen 48 km/h und 52 km/h)

–   Variable:

•    Lkw-Anteil an allen Fahrzeugen im Verkehrsfluss (0 bis 100%)

Bild 3: Fahrstreifenkapazität in Abhängigkeit des Lkw-Anteils (senkrechte Achse links: Kapazität in Fz/h, senkrechte Achse rechts: Kapazität in %)

Wird davon ausgegangen, dass alle Fahrzeuge einschließlich Lkw autonome Fahrzeuge sind, beeinflusst der Lkw-Anteil die Kapazität eines Fahrstreifens nahezu linear. Ein Lkw-Anteil von 100% bedeutet einen Kapazitätsrückgang auf 77,1% der Pkw-Kapazität. Dies gilt in Bereichen des Netzes mit geringer Geschwindigkeit und entspricht dem Lkw-Faktor von 1,3.

Alle hier beschriebenen Fälle sind auf einen Fahrstreifen vereinfacht. Nicht berücksichtigt werden andere Interaktionen wie Lichtsignale oder Parkmanöver, die jedoch signifikanten Einfluss auf die Gesamtkapazität haben können. An dieser Stelle sei nochmals darauf hingewiesen, dass abhängig von anderen Annahmen theoretisch auch höhere Kapazitäten erreicht werden könnten. Deshalb ist die Betrachtung des Trends, der sich aus den Ergebnissen erkennen lässt, interessanter als eine Bewertung absoluter Kapazitätswerte.

3.3 Außerortsverkehr

3.3.1 Einfluss von Folgezeitlücken

Dieser Fall untersucht den Einfluss des Folgeabstandes auf die Streckenkapazität. Der Folgeabstand wurde durch die beiden Parameter CC0 und CC1 variiert.

–   Rahmenbedingungen:

•    ausschließlich Pkw

•    Wunschgeschwindigkeitsverteilung: 100 km/h

•    Standardfahrverhalten (abgesehen von Variablen)

–   Variablen:

•    Wunsch-Stillstandsabstand zweier Fahrzeuge (CC0): 0,3 bis 0,9

•    Folgeabstand (CC1): 0,5 bis 1,5

Bild 4: Simulationsergebnisse bei der Variation von CC0 und CC1

Die Kapazität liegt bei der Verwendung von Standardwerten für die Parameter (CC0 = 1,5 und CC1 = 0,9) bei ca. 2.500 Fahrzeugen pro Fahrstreifen und Stunde. Vor allem die Reduktion des Folgeabstands CC1 führt zu einer deutlichen Erhöhung der Kapazität. Die Kapazität wird beispielweise um 60 % erhöht, wenn CC1 um 50 % reduziert wird. Dies gilt für die ausgewählte Wunschgeschwindigkeitsverteilung.

Im Bild 4 zeigt die Verringerung des zeitlichen Folgeabstands zuerst einen steilen Anstieg der Kapazität, gefolgt von schrittweisen Änderungen und im oberen Bereich schließlich einem flachen, blauen Teil. Den flachen Teil verursacht der Fahrzeug-Zufluss in das Netz, der in der Simulationssoftware als künstliche Grenzen wirkt. Diese künstlichen Grenzen werden in einer nächsten Version von PTV Vissim geändert, um auch extreme Werte bei der Konfiguration des zeitlichen Folgeabstands CC1 zu ermöglichen und den Vergleich zu Kapazitäten von konventionellen Fahrzeugen im realen Straßennetz zu erlauben.

Obwohl die Zunahme der Kapazität auf etwa 4.000 Fz/h eine sehr große Veränderung für das Verkehrsnetz darstellen würde, besteht theoretisch zudem das Potenzial für eine weitere Kapazitätserhöhung, als es Bild 4 für einen zeitlichen Abstand kleiner als 0,60 s zeigt.

3.3.2 Einfluss des Anteils autonomer Fahrzeuge und der Geschwindigkeit

Dieser Fall untersucht den Einfluss des Anteils der autonomen Fahrzeuge von allen Fahrzeugen bei drei verschiedene Sollgeschwindigkeiten.

–   Rahmenbedingungen:

•    Nur Pkw

•    konventionelle Pkw: Standardfahrverhalten

•    autonome Fahrzeuge: CC0 und CC1 um 50% reduziert

–   Variable:

•    Anteil autonomer Fahrzeuge

•    Wunschgeschwindigkeitsverteilung

Bild 5: Simulationsergebnisse bei Variation des Anteils und der Wunschgeschwindigkeit autonomer Fahrzeuge

Bild 5 zeigt, dass mit steigendem Anteil autonomer Fahrzeuge die Kapazität zunimmt. Dies entspricht den Ergebnissen für den städtischen Verkehr in Kapitel 3.2.2.
Ab einem Anteil von etwa 60 % und einer Wunschgeschwindigkeit von etwa 125 km/h bis etwa 135 km/h stagniert die Kapazität. Dies ist darauf zurückzuführen, dass die aktuelle Version der Simulationssoftware beim Einsetzen der Fahrzeuge Standardwerte für den Sicherheitsabstand verwendet, die größer sind als die Werte, die für autonome Fahrzeuge angenommen werden. Das gewünschte Verhalten kann über skriptbasierte Programmierung erreicht werden. Zukünftige Versionen von PTV Vissim werden diese Funktionalität als Standardfunktion berücksichtigen.

Die blaue Linie verbindet die Datenpunkte, die die Fahrstreifenkapazität bei einer Geschwindigkeit von 125 km/h bis 135 km/h darstellen. Der Linienverlauf zeigt eine Streuung der Datenpunkte, die auf die höhere Geschwindigkeit und das größere Verteilungsintervall zurückzuführen ist (125 km/h bis 135 km/h) als die anderen Linien (89 km/h bis 91 km/h und 48 km/h bis 52 km/h).

3.3.3 Einfluss des Anteils des autonomen LKW-Anteils und der Geschwindigkeit

Dieser Fall untersucht den Einfluss des Anteils autonomer Lkw im Verkehrsfluss.

–   Rahmenbedingungen:

•    gewünschte Geschwindigkeiten (in km/h) 130 (125-135), 90 (89-91) und 50 (48-52)

•    nur AV

–   Variable:

•    Lkw-Durchdringungsrate (0 bis 100%)

Bild 6: Fahrstreifenkapazität in Abhängigkeit des Lkw-Anteils (Linke Achse: Kapazität in Kfz/h, rechte Achse nur für die Geschwindigkeit 125-135: Kapazität in [%])

Das Diagramm zeigt bei steigendem Lkw-Anteil eine nahezu lineare Abnahme der Kapazität. Erreicht der Lkw-Anteil 100 %, sinkt die Kapazität auf 82,2 %, von 4 695 auf 3 858 Kfz/h im höchsten angenommenen Wunschgeschwindigkeitsbereich um 130 km/h. Kleinere Wunschgeschwindigkeiten führen zu einer etwas höheren relativen Abnahme der Kapazität.

Dies entspricht dem Lkw-Faktor von:

•    1,22 für die Wunschgeschwindigkeit im Bereich um 130 km/h

•    1,24 für die Wunschgeschwindigkeit im Bereich um 90 km/h

•    1.30 für die Wunschgeschwindigkeit im Bereich um 50 km/h

Die zu erkennenden Trends haben einen höheren prädiktiven Wert als die absoluten Kapazitätswerte aufgrund der erwähnten Diskrepanz zwischen idealen theoretischen Bedingungen und Annahmen oder Berechnungsgrenzen.

4 Schlussfolgerungen

Es gibt mehrere Möglichkeiten, das Fahrverhalten autonomer Fahrzeuge zu simulieren und deren Auswirkungen auf die Kapazität des Straßennetzes zu untersuchen. Die wohl exakteste Möglichkeit basiert auf der Implementierung von echten Steuerungsalgorithmen über Schnittstellen. Dieser Ansatz eignet sich für Anwender, die die Steuerungslogik autonomer Fahrzeuge detailliert kennen und einen externen Simulator autonomer Fahrzeuge mit der Mikrosimulationssoftware verbinden können. Diesen Ansatz können in der Regel die Hersteller autonomer Fahrzeuge sowie Bereiche der Forschung verfolgen die über die notwendigen technischen Voraussetzungen verfügen.

Aber auch Planer und Berater im Verkehrswesen, die auf keine Steuerungslogik für autonome Fahrzeuge zugreifen können, können mikroskopische Simulationen durchführen. Die Simulationen basieren dann auf vereinfachten Annahmen über das Fahrverhalten autonomer Fahrzeuge. Dazu zählen beispielsweise Annahmen zum Fahrverhalten autonomer Fahrzeuge, beispielsweise der reduzierte Folgeabstand, der 50 % eines durchschnittlichen Folgeabstands konventioneller, personengeführter Fahrzeuge entspricht. Es ist voraussichtlich für einen größeren Anwenderkreis praktikabler, derartige Annahmen mit Hilfe der Änderung von Fahrverhaltensparametern in einer Simulationssoftware umzusetzen, als echte Steuerungsalgorithmen über eine Schnittstelle zu verwenden.

Alle Simulationsstudien in diesem Beitrag sind vereinfacht: Der Verkehr fließt auf einstreifigen Straßen ohne weitere Interaktionen durch Lichtsignalanlagen oder Parkmanöver, die einen wesentlich größeren Einfluss auf die Gesamtverkehrsleistung haben können. Alle Ergebnisse müssen als hypothetisch auf der Grundlage ausgewählter Annahmen betrachtet werden.

Im städtischen Raum ist der Anstieg der Anbindungskapazitäten auf der Basis kleinerer Folgeabstände bei niedrigeren Geschwindigkeiten relativ niedrig. Daher wird im Stadtgebiet die Kapazität der Kreuzung für die Gesamtkapazität entscheidend sein. Unter der Annahme, dass alle Fahrzeuge einschließlich Lkw autonom fahren, wird der Lkw-Anteil die Fahrstreifenkapazität fast linear beeinflussen. 100% Lkw-Anteil bedeutet einen Kapazitäts- abfall auf 77,1% der Kapazität, die erreicht würde, wenn ausschließlich Pkw den Fahrstreifen benutzen. Das entspricht einem relativ kleinen Lkw-Faktor von 1,3.

Auf Autobahnen oder anderen Bereichen, in denen hohe Geschwindigkeiten erreicht werden können, ist eine erhebliche größere Kapazitätssteigerung möglich, wenn die zeitlichen Folgeabstände zwischen den Fahrzeugen reduziert werden. Unter der Annahme, dass autonome Fahrzeuge im Vergleich zu konventionellen, personengeführten Fahrzeugen nur 50 % des Folgeabstands benötigen, könnte auf der Grundlage der Simulationsergebnisse ein Anstieg von 60 % von 2.505 Fz/h auf 4.008 Fz/h mit einer Wunschgeschwindigkeit von etwa 100 km/h erreicht werden. Diese Zunahme der Kapazität ist jedoch nicht linear zur Zunahme des Anteils autonomer Fahrzeuge am gesamten Verkehrsfluss. Unser Testfall zeigt, dass die theoretische Kapazität stagniert, wenn autonome Fahrzeuge bei einer Geschwindigkeit von 125-135 km/h etwa einen Anteil von 60 % erreichen und diesen in der Folge überschreiten. Dies verursachen interne Grenzen der Simulationssoftware, die Fahrzeugzuflüsse begrenzen, etwa die Art und Weise, wie die Fahrzeuge in das modellierte Verkehrsnetz eingesetzt werden. Diese Grenzen basieren auf Standardparametern des Modells von Wiedemann 74.

Höhere Zuflusswerte könnten erreicht werden, wenn es möglich wäre, über die COM- Programmierschnittstelle Fahrzeuge direkt mit dem berechneten Fahrweg für die gewählte Sollgeschwindigkeit in das modellierte Verkehrsnetz einzusetzen. In zukünftigen Versionen der Mikrosimulationssoftware PTV Vissim werden Funktionen enthalten sein, die die Simulation autonomer Fahrzeuge stärker unterstützen und keine Steuerung mehr über eine Schnittstelle erfordern.

Eine Erhöhung des Lkw-Anteils zeigt eine lineare Abnahme der Kapazität. Bei einem LKW- Anteil von 100 % und einer Wunschgeschwindigkeit 130 km/h sinkt die Kapazität auf 82,2 %. Kleinere Wunschgeschwindigkeiten führen zu einer etwas höheren relativen Abnahme der Kapazität. Der Lkw-Faktor entspricht den Werten zwischen 1,22 und 1,30 in Abhängigkeit von der Wunschgeschwindigkeit.

5 Literatur

1.    Inventivio GmbH (2016): Driverless car market watch – Forecasts, available at http://www.driverless-future.com/?page_id=384, accessed 17 June 2016

2.    World Health Organization, (2013): WHO global status report on road safety 2013: supporting a decade of action. World Health Organization.

3.    Kumfer, W., Burgess, R. (2015): Investigation into the Role of Rational Ethics in Autonomous Vehicle Crashes. In Transportation Research Board 94th Annual Meeting (No. 15-4405).

4.    Goodall, N. (2014): Ethical decision making during automated vehicle crashes. Transportation Research Record: Journal of the Transportation Research Board, Issue 2424, pp. 58-65.

5.    Simonite, T. (2016): You Future Self-Driving Car Will Be Way More Hackable, MIT Technology Review, available at https://www.technologyreview.com/s/546086/your-future-self-driving-car-will-be-way-more-hackable/, accessed 17 June 2016.

6.    Fagnant, DJ., Kockelman, K., Bansal, P. (2015): Operations of Shared Autonomous Vehicle Fleet for Austin, Texas, Market, Transportation Research Record: Journal of the Transportation Research Board, Issue 2536, pp. 98-106.

7.    Brownell, C., Kornhauser, A. (2014): A Driverless Alternative: Fleet Size and Cost Requirements for a Statewide Autonomous Taxi Network in New Jersey. Transportation Research Record: Journal of the Transportation Research Board, issue 2416, pp. 73-81.

8.    Ambühl, L., Ciari, F., Menendez, M. (2016): What about space? A simulation based assessment of AVs impact on road space in urban areas, 16th Swiss Transport Research Conference.

9.    Levin, M. W., Boyles, S. D. (2015): Effects of Autonomous Vehicle Ownership on Trip, Mode, and Route Choice. In Transportation Research Board 94th Annual Meeting (No. 15-2147).

10.    Friedrich, B. (2015): Verkehrliche Wirkung autonomer Fahrzeuge. In Autonomes Fahren (pp. 331-350). Springer Berlin Heidelberg.

11.    Wiedemann, R. (1974): Simulation des Strassenverkehrsflusses. Schriftenreihe des Instituts für Verkehrswesen Heft 8, Universität Karlsruhe

12.    Davies, A. (2016): The Case for Making Self-Driving Cars Think Like Humans, WIRED article, available at https://www.wired.com/2016/02/the-case-for-making-self-driving- cars-think-like-humans/, accessed 25 July 2016.

13.    Fernandes, P., Nunes, U. (2012): Platooning with IVC-enabled autonomous vehicles: Strategies to mitigate communication delays, improve safety and traffic flow. IEEE Transactions on Intelligent Transportation Systems, 13(1), 91-106.

14.    Olia, A., Abdelgawad, H., Abdulhai, B., Razavi, S. N. (2015): Traffic-Flow Characteristics of Cooperative vs. Autonomous Automated Vehicles. In Transportation Research Board 94th Annual Meeting (No. 15-3225).

15.    Wu, C., Zhao, G., Ou, B. (2011): A fuel economy optimization system with applications in vehicles with human drivers and autonomous vehicles. Transportation Research Part D: Transport and Environment, 16(7), 515-524.

16.    PTV AG (2015): PTV Vissim 8 Manual, Karlsruhe.

17.    Fellendorf, M., Vortisch, P. (2010): Microscopic traffic flow simulator VISSIM. In Fundamentals of traffic simulation (pp. 63-93). Springer New York.

18.    Microsoft, What Is a COM Interface? available at https://msdn.microsoft.com/en- us//library/windows/desktop/ff485850(v=vs.85).aspx, accessed 25 July 2016.

19.    PTV AG (2016): PTV Vissim Drivermodel DLL – Interface Description, Karlsruhe.

20.    PTV AG (2016): PTV Vissim Driving Simulator Interface, Karlsruhe.

21.    Großkinsky, M. (2014): Simulation of the influence of road traffic on the operation of an electric city bus (co-simulation of TruckMaker - PTV VISSIM), Presented at apply & innovate 2014, Karlsruhe.

22.    FGSV (2006): Hinweise zur mikroskopischen Verkehrsflusssimulation: Grundlagen und Anwendung, FGSV Verlag, Köln.