Voronezh, Voronezh, Russian Federation
from 01.01.2015 until now
Voronezh, Russian Federation
656.09
656.021
The characteristics of connected vehicles mainly include real time, security and stability, but there are some defects and unstable factors affecting vehicle-to-vehicle communication (communication freeze, time delay, packet loss, interruption, malicious network attacks, etc.). Studying and modeling the instability factors of vehicle-to-vehicle communication can help to improve the safety of connected vehicles and the accuracy of traffic simulation.
ITS, MATLAB, C-V2X, FOLLOWING MODEL, SIGNAL ATTENUATION
1 Состояние вопроса исследования и актуальность работы
Современная организация дорожного движения требует особой степени осведомленности. Развитие технологий интеллектуальных транспортных систем (ИТС) приводит к тому, что внимание уделяется не транспортному потоку в его нынешнем виде, а отдельному водителю (транспортному средству). Необходимо отслеживать не только действия самого автомобиля, но и окружающую дорожную обстановку.
Подсистема Кооперативной ИТС, основанная на технологии V2X обеспечивает выполнение функций взаимодействия [1]:
- транспортное средство – транспортное средство (V2V);
- транспортное средство – инфраструктура кооперативной ИТС (V2I);
- транспортное средство – сеть электронных коммуникаций (V2N);
- транспортное средство – пешеход (V2P)
- транспортное средство – устройство (V2D);
- транспортное средство – электрическая сеть для подзарядки автомобиля (V2G).
Данный список не является исчерпывающим и может быть расширен с появлением новых технологических и технических решений, которые определяют функциональные возможности ИТС.
Выделяются группы потребностей пользователей ИТС во взаимосвязи с функциями взаимодействия транспортных средств в условиях подсистемы V2X, представленные в табл. 1.
Таблица 1 – Группы потребностей пользователей
|
№ |
Группа потребностей пользователей |
Функции взаимодействия транспортного средства |
|
|
Управление дорожным движением |
V2V, V2I, V2N, V2P, V2D, V2G |
|
|
Управление общественным транспортом |
V2V, V2I, V2N, V2P, V2D, V2G |
|
|
Управление дорожным движением в условиях |
V2V, V2I, V2N, V2D |
|
|
Транспортное информирование |
V2V, V2I, V2N, V2P, V2D, V2G |
|
|
Планирование развития инфраструктуры |
V2I, V2N, V2G |
|
|
Нормативно-правовое регулирование |
V2V, V2I, V2N, V2P, V2D, V2G |
|
|
Финансовое регулирование |
V2I, V2N, V2D, V2G |
|
|
Интеллектуальные транспортные средства |
V2V, V2I, V2N, V2P, V2D, V2G |
|
|
Грузовые операции |
V2V, V2I, V2N, V2D, V2G |
Требования к подсистеме V2X разделяются с точки зрения потребностей пользователей к функциям прямого исполнения действий на основании анализа полученных данных и исполнение действий, основанных на прогнозировании ситуаций на основании анализа полученных и исторических данных.
Требования к подсистеме кооперативных ИТС, основанных на технологии V2X, с точки зрения подключенных автомобилей обуславливаются уровнем развития технологий и технических решений и заключаются в том, что подсистема должна:
- быть способна предупреждать водителя при обнаружении отсутствия бдительности;
- быть способна информировать другое транспортное средство, когда принимающее транспортное средство обнаруживает, что столкновение неизбежно;
- обеспечивать поддержку для автоматического управления боковым динамическим поведением транспортного средства и удержания транспортного средства в пределах его текущей полосы движения на проезжей части;
- обеспечивать водителю информационную поддержку или активную поддержку рулевого управления, чтобы помочь ему/ей оставаться в пределах текущей полосы движения проезжей части;
- обеспечивать поддержку для предупреждения водителя, если принимающее транспортное средство движется в направлении объема дорожного пространства, который будет занят или уже занят другим участником дорожного движения.
Для решения задачи повышения безопасного вождения в условиях развития кооперативных ИТС необходимо обеспечить предоставление ИТС следующих пакетов услуг, основанных на информационных процессах:
- системы безопасности автономных транспортных средств ‒ пакет услуг, повышающий безопасность автомобиля с помощью бортовых датчиков, контролирующих окружающую дорожную обстановку. Поддерживаются все уровни автоматизации вождения ‒ от базовых систем предупреждения, до полной автоматизации;
- ситуационной осведомленности ‒ пакета услуг ИТС, позволяющего подключенным автомобилям обмениваться информацией об обстановке даже в тех местах, где отсутствует придорожная инфраструктура связи, а также в случае востребованности уведомления за пределами диапазона связи Dedicated Short-Range Communications (DSRC);
- V2V базовой безопасности ‒ пакета услуг ИТС, в которых происходит обмен базовыми сообщениями безопасности с окружающими подключенными автомобилями для поддержки и дополнения функций предупреждения о безопасности и автоматизации управления. Этот обмен поддерживает приложения безопасности подключенных автомобилей: распознавание и предупреждение о включенных аварийных сигналах ведомого транспортного средства, предупреждение о столкновении при движении вперед, предупреждение о слепых зонах/смене полосы движения, помощь при движении на перекрестке, помощь при повороте налево и другие.
В среде V2Х подключенные автомобили оснащены современными коммуникационными устройствами, и передача информации между автомобилями в режиме реального времени может осуществляться посредством различных технологий связи, что помогает водителям или программе (в случае беспилотного автомобиля) принимать решения, и в определенной степени, повышает безопасность движения.
Использование данных от подключенных автомобилей позволяет ускорить обмен информацией между водителями и остальными участниками дорожного движения, что также способствует повышению безопасности на дорогах [2]. В качестве примера можно привести китайскую технологию C-V2X (Cellular Vehicle-to-Everything), которая в настоящее время является предметом активных исследований. Это система беспроводной связи для транспортных средств, основанная на эволюции сотовых технологий, включая 4G и 5G. На ее основе могут быть разработаны сервисы интеллектуальной транспортной системы, обеспечивающие комплексную связь и оперативное информационное взаимодействие между транспортными средствами, дорожной инфраструктурой, базовыми станциями и облачными платформами [3-7].
Ожидается, что эта технология позволит устранить до 80 % текущих дорожно-транспортных происшествий, благодаря более точному и своевременному обмену данными между всеми элементами транспортной системы [8-10].
Сущность технологии связи между транспортным средством и автомобилем дает множество преимуществ для управления подключенными транспортными средствами, но нельзя игнорировать тот факт, что некоторые неопределенности (например, потеря пакетов или временная задержка) и характеристики канала связи (например, ограничение пропускной способности) существующей технологии связи DSRC (Dedicated Short-Range Communications) могут снизить точность управления подключенными к кооперативным ИТС транспортными средствами и повлиять на безопасность вождения. Поэтому необходимо изучить влияние задержки связи, потери пакетов и других факторов на поведение интеллектуальных транспортных средств [11-14].
2 Материалы и методы
Начальным этапом изучения является поиск и построение модели следования автомобиля за подключенным самоуправляемым автомобилем в кооперативных ИТС. Схема взаимодействия подключенных автомобилей для изучения модели следования представлена на рис. 1.
Рисунок 1 – Схема модели следования автомобиля с сетевым соединением
Чтобы изучить влияние потери и задержки пакетов данных на движение подключенного к кооперативным ИТС транспортного средства, была создана модель потери ускорения интеллектуальных транспортных средств AIDM, основанная на модели следования за лидером Intelligent driver model (IDM), учитывающая влияние ухудшения производительности передачи данных в реальной дорожной среде, и большей степени, соответствующая характеристикам движения транспортного средства в среде V2Х.
Первоначальная модель IDM [15, 16] представлена уравнением в виде:
|
(1) |
где 
– ускорение ведомых транспортных средств, м/с2; 
– максимальное ускорение автомобиля м/с2; 
– ожидаемая скорость, м/с; 
– скорость ведомых транспортных средств м/с; 
– индекс ускорения транспортного средства; 
– интервал времени между автомобилями от заднего бампера автомобиля лидера и переднего бампера ведомого автомобиля, с;
– безопасный интервал времени между автомобилями, измеренный по передним бамперам, с; 
– разница в скорости между соседними следующими автомобилями, м/с; 
– пройденное расстояние, м; 
– ожидаемое замедление, м/с2; l – длина автомобиля, м.
Учет эффекта потери пакетов данных и временной задержки представляется возможным вести через модель потери ускорения подключенного автомобиля.
Модель потери ускорения подключенного к кооперативным ИТС автомобиля имеет вид [1]:
|
(2) |
где 
– величина затухания сигнала ускорения от переднего транспортного средства к заднему транспортному средству на расстоянии, равном 
между передним транспортным средством и задним транспортным средством в момент времени t; 
– относительное расстояние до точки привязки, определяемое как минимальный следующий интервал, м;
– экспоненциальный коэффициент потери ускорения, который в основном зависит от продолжительности движения, типа транспортного средства и пространственной дорожной обстановки; 
– случайная ошибка (в калькуляции).
Подставляя 
в уравнение и игнорируя случайную ошибку, получаем адаптированную модель AIDM (Advanced Intelligent Driver Model) в виде:
|
|
(3) |
|
|
|
После усовершенствования модели следования IDM на основе модели AIDM, модель следования интеллектуального подключенного транспортного средства будет выглядеть следующим образом:
|
|
(4) |
где 
– значения ускорения, рассчитанные с помощью модели IDM, м/с2; 
– значение ускорения переднего автомобиля в момент времени t; – интервал обновления, с;
– обновленные значения ускорения движения для автомобилей, подключенных к сети связи в ИТС; 
– обновленные значения скорости движения для автомобилей, подключенных к сети связи в кооперативных ИТС.
В результате фактической калибровки γ (экспоненциального коэффициента потери ускорения) было установлено [17], что для транспортного средства с технологией C-V2X его значение составляет 1,9, в то время как для других транспортных средств с технологией DSRC и т. д. скорость потери пакетов данных и задержка данных значительно выше.
3 Результаты исследований
Для этого была использована программа MATLAB для расчета параметров модели AIDM. Основными изучаемыми параметрами организации и безопасности дорожного движения в условиях кооперативных ИТС с различными технологиями связи явились: скорость и ускорение ведомого автомобиля, вероятное время до столкновения (time to collision, TTC) [18] между подключенными по связи C-V2X или DSRC автомобилями.
Исходные данные для изучения модели AIDM приведены в табл. 2.
Таблица 2 – Исходные данные для изучения модели MAIDM
|
Параметр |
Значение |
|
Максимальное ускорение |
2 м/с² |
|
Ожидаемая скорость |
30 м/с |
|
Безопасная дистанция между автомобилями |
2 секунды |
|
Шаг времени |
0,1 секунды |
|
Общее время моделирования |
10 секунд |
|
Скорость переднего автомобиля |
30 м/с |
|
Начальное расстояние до переднего автомобиля |
10 м |
Определение изучаемых параметров организации и безопасности дорожного движения проводилось в условиях изменения экспоненциального коэффициента потери ускорения от начального, равного 1,9 в сторону увеличения его значений: 2,3, 2,7, 3,1, соответствующих продвинутым технологиям связи C-V2X, 5G, а также в сторону уменьшения его значений: 1,5, 1,1 и 0,7, соответствующих текущим технологиям связи DSRC.
В ходе моделирования на каждом временном шаге регистрировались скорость, ускорение и значения TTC автомобиля. Полученные результаты представлены на рис.2-4:
Рисунок 2 – Изменение ускорения ведомого автомобиля
в различных технологиях связи
Рисунок 3 – Изменение скорости движения ведомого автомобиля
в различных технологиях связи
Рисунок 4 – Изменения значений TTC в различных технологиях связи
Результаты моделирования показывают, что различные значения экспоненциального коэффициента потери ускорения γ существенно влияют на безопасность движения автомобиля. В случае значения коэффициента, равного 3,1 значение TTC для подключенного автомобиля выше, что указывает на сохранение более безопасной дистанции следования.
Также для оценки безопасности движения подсчитывалось количество конфликтов ‒ событий с TTC менее 2 секунд, указанное в табл. 3.
Таблица 3 – Количество конфликтов при различных значениях
|
Коэффициент потери ускорения (γ) |
Количество конфликтов |
|
3.10 |
18 |
|
2.70 |
19 |
|
2.30 |
19 |
|
1.90 |
20 |
|
1.50 |
20 |
|
1.10 |
21 |
|
0.70 |
22 |
Оценить эффективность использования технологии связи C-V2X в условиях движения нескольких транспортных средств представляется возможным посредством моделирования дорожного движения в программе SUMO. Так как SUMO ‒ это портативный пакет моделирования микроскопического и непрерывного мультимодального движения с открытым исходным кодом, то в алгоритмах программы необходимо прописать модели AIDM для беспилотных автомобилей, особенно в условиях их кооперативного движения. Для моделирования были выбраны места слияния основной магистрали и примыкающей автомобильной дороги магистрали Пекин-Шанхай в городе Цзинань общей протяженностью 12 километров, включающий 4 развязки. Изучаемый участок имеет расчетную скорость 60 км/ч, магистраль первого класса с четырьмя полосами для движения в одну сторону и примыкающую автомобильную дорогу с одной полосой движения (рис. 5).
Рисунок 5 – Рассматриваемый участок автомобильной дороги (снимок с экрана)
На сегодняшний день доля беспилотных автомобилей в составе транспортного потока на дорогах мира остается относительно низкой. В связи с чем рассматриваются сценарии моделирования дорожного движения, предусматривающие увеличение доли автономных транспортных средств в общем потоке: 0 %, 25 %, 30 %, 60 %, использующих связь в технологии C-V2X. Интенсивность движения транспортных средств на рампе в зоне контроля (250 метров) составляют 300 авт/ч.
Оценка изменения значений времени до столкновения, TTC, проводилось для транспортных средств, движущихся по рампе (рис. 6). Результаты моделирования по сценариям представлены в табл. 4.
Рисунок 6 – Рассматриваемый участок автомобильной дороги
в модели дорожного движения SUMO (снимок с экрана)
Таблица 4 – Результаты моделирования экспериментов по сценариям
|
|
Доля беспилотных автомобилей в потоке, % |
|||
|
Оцениваемый показатель |
0 |
25 |
30 |
60 |
|
TTC, с |
172 |
140 |
121 |
97 |
|
Среднее время проезда участка, с |
27 |
21 |
20 |
19 |
|
Плотность движения, ед/ч |
62 |
54 |
52 |
33 |
Анализ данных из табл. 4 показывает, что увеличение доли беспилотных транспортных средств в транспортном потоке значительно снижает число конфликтных ситуаций и уменьшает среднее время проезда участка.
4 Обсуждение и заключение
Результаты показывают, что потеря и задержка пакетов данных, вызванная различными технологиями связи в кооперативных ИТС, оказывает значительное влияние на безопасность движения подключенных автомобилей. Более высокое значение коэффициента потери ускорения γ, характерное для связи в технологии C-V2X, 5G, показывают эффективность поддержания безопасной дистанции между автомобилями, что снижает риск столкновения.
Тем не менее, на безопасность движения могут влиять и другие факторы, такие как поведение впереди идущего автомобиля, интенсивность дорожного движения и доля подключенных и беспилотных автомобилей в транспортном потоке [19, 20]. Поэтому в будущих исследованиях следует учитывать более сложные дорожные условия и поведение водителей, чтобы еще больше повысить точность и практичность моделирования дорожного движения для оценки влияния технологий связи подключенных транспортных средств как на безопасность, так и на эффективность дорожного движения.
1. GOST R 56829-2015. Intellektual'nye transportnye sistemy. Terminy i opredeleniya
2. Talebpour, A., Mahmassani, H., & Bustamante, F. (2016). Modeling Driver Behavior in a Connected Environment: Integrated Microscopic Simulation of Traffic and Mobile Wireless Telecom-munication Systems. TRB.
3. Mitra, P., Choudhury, A., Aparow, V. R., Kulandaivelu, G., & Dauwels, J. (2018). Towards Modeling of Perception Errors in Autonomous Vehicles. IEEE Xplore.
4. Wang, S., & Li, Z. (2019). Exploring the mechanism of crashes with automated vehicles us-ing statistical modeling approaches. PLOS One.
5. Sadid, H., Qurashi, M., & Antoniou, C. (2022). Simulation-based Optimization of Autono-mous Driving Behaviors. IEEE Xplore.
6. Wang, J., Pant, Y., Zhao, L., Antkiewicz, M., & Czarnecki, K. (2024). Enhancing Safety in Mixed Traffic: Learning-Based Modeling and Efficient Control of Autonomous and Human-Driven Vehicles. IEEE Xplore.
7. Yan, X., Feng, S., Sun, H., & Liu, H. X. (2021). Distributionally Consistent Simulation of Naturalistic Driving Environment for Autonomous Vehicle Testing. arXiv.
8. B. Y. Yacheur, T. Ahmed and M. Mosbah, "Implementation and Assessment of IEEE 802.11BD for Improved Road Safety," 2021 IEEE 18th Annual Consumer Communications & Net-working Conference (CCNC), Las Vegas, NV, USA, 2021, pp. 1-6, doi:https://doi.org/10.1109/CCNC49032.2021.9369649.
9. M. Karoui, V. Mannoni, B. Denis and S. Mayrargue, "Performance Analysis of V2X-based Systems for Improved Vulnerable Road Users Safety," 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), Macau, China, 2022, pp. 3368-3373, doi:https://doi.org/10.1109/ITSC55140.2022.9921841.
10. K. M. Makinaci, T. Acarman and C. Yaman, "Resource Selection for C-V2X and Simula-tion Study for Performance Evaluation," 2021 IEEE 93rd Vehicular Technology Conference (VTC2021-Spring), Helsinki, Finland, 2021, pp. 1-6, doi:https://doi.org/10.1109/VTC2021-Spring51267.2021.9448905.
11. Miqdady, T., de Oña, R., Casas, J., & de Oña, J. (2023). Studying Traffic Safety During the Transition Period Between Manual Driving and Autonomous Driving: A Simulation-Based Approach. IEEE Xplore.
12. Abdeen, M. A. R., Yasar, A., Benaida, M., Sheltami, T., Zavantis, D., & El-Hansali, Y. (2022). Evaluating the Impacts of Autonomous Vehicles’ Market Penetration on a Complex Urban Freeway during Autonomous Vehicles’ Transition Period. Sustainability.
13. Wang, K., Qu, D.-Y., Meng, Y., Wang, T., & Yang, Z. (2024). Molecular Dynamics-Based Car-Following Safety Characteristics and Modeling for Connected Autonomous Vehicles. Sustainability.
14. Xu, W., Liu, Y., Yi, H., & Liu, G. (2023). Lane-changing decision model for autonomous vehicle under mixed traffic environment. SPIE.
15. Hayward, J.C. Near-miss determination through use of a scale of danger. Highw. Res. Rec. 1972, 384, 24–34pp.
16. Li Jiachen. Modeling and Simulation of Networked Vehicle Followership Considering Ac-celeration Fading under Unreliable Communication.2023.Beijing Jiaotong University, MA thesis. doihttps://doi.org/10.26944/d.cnki.gbfju.2023.002063.
17. Yang A-Ling. Simulation research on driving safety of driverless vehicles in urban envi-ronment [D]. Chongqing: Chongqing University, 2020
18. Liu, Chunguang, Vladimir Zyryanov, Ivan Topilin, Anastasia Feofilova, and Mengru Shao. 2024. "Investigating the Impacts of Autonomous Vehicles on the Efficiency of Road Network and Traffic Demand: A Case Study of Qingdao, China" Sensors 24, no. 16: 5110. https://doi.org/10.3390/s24165110
19. Feofilova, A. A. Telekommunikacionnye standarty v intellektual'noj dorozhno-transportnoj infrastrukture / A. A. Feofilova, O. YU. Bulatova // Transport: nauka, tekhnika, upravlenie. Nauchnyj informacionnyj sbornik. – 2022. – № 6. – S. 51-55. – DOIhttps://doi.org/10.36535/0236-1914-2022-06-8.
20. Huan, L. Tekhnologiya S-V2X dlya povysheniya bezopasnosti dorozhnogo dvizheniya v Kitae / L. Huan // Aktual'nye problemy nauki i tekhniki. 2024 : Materialy Vserossijskoj (nacional'noj) nauchno-prakticheskoj konferencii, Rostov-na-Donu, 19–21 marta 2024 goda. – Rostov-na-Donu: Donskoj gosudarstvennyj tekhnicheskij universitet, 2024. – S. 686-688.
