Model voorspelt rijstrookwisselingen, kan rijhulpsystemen informeren

Het is een risico met hoge snelheden en hoge inzetten dat bekend is bij iedereen die tijd heeft doorgebracht met het rijden op de snelweg.

Een auto op de rechterrijstrook blijft hangen naast de opening tussen uw voertuig en de SUV direct voor u links. De geïmproviseerde karavaan vaart met dezelfde snelheid voort, de illusie van stilstand alleen verbroken door de wazigheid van de weg en de slaperige passage van het omringende terrein.

Nadat je deze scène eerder hebt gereden, houd je de rechter rijstrook in de gaten, klaar voor hen om op te gaan in het gat dat jou scheidt van de SUV. Maar naarmate de seconden verstrijken, neemt je waakzaamheid af. Als op het juiste moment schiet de treuzelende voorbijganger weg met de plotselingheid van een slalomskiër en dwingt je te remmen, anders wordt hun roekeloosheid een wrak.

Li Zhao en haar collega’s van het Nebraska Transportation Center kennen het gevaar ook. Daarom hebben de onderzoekers een nieuw model ontwikkeld dat tussen de witte lijnen kan lezen om te helpen voorspellen wanneer voertuigen van rijstrook veranderen. Hun inspanningen zouden uiteindelijk kunnen helpen om geavanceerde rijhulpsystemen – de technologie in het voertuig die is ontworpen om te anticiperen op bedreigingen en menselijke fouten te corrigeren – meer doorlooptijd te geven om te reageren en, idealiter, te beschermen.

“Als ik weet wat de bedoeling is, dat het voertuig abrupt zal ingrijpen, kan ik een overeenkomstige reactie hebben”, zegt Zhao, een postdoctoraal onderzoeker bij het centrum. “Misschien vertraag ik een beetje, of ik maak nog een andere rijstrook om een ​​mogelijke kop-staartbotsing te voorkomen.”

Het team bouwde zijn model op gegevens van ongeveer 3.000 voertuigen uitgerust met camera’s aan de voorzijde en verschillende sensoren. In het begin van de jaren 2010 reden de eigenaren van die voertuigen gedurende twee maanden hun reguliere routes als onderdeel van een project dat werd gefinancierd door het Amerikaanse ministerie van Transport, dat uiteindelijk de naturalistische rijgegevens beschikbaar maakte voor het publiek.

Om het model te informeren, begon Zhao gegevens te verzamelen van elk scenario waarin een van die voertuigen niet meer dan 400 voet of 3,5 seconden achter een ander reed op de snelweg. In sommige gevallen bevonden zowel het voorste als het volgende voertuig zich op dezelfde rijstrook voordat een invoegde in een aangrenzende rijstrook; in andere gevallen fuseerde één voertuig vanaf een aangrenzende rijstrook, zodat beide op dezelfde rijstrook terechtkwamen.

Zhao labelde meerdere variabelen die zouden kunnen fungeren als verklikkerlichtjes van een bestuurder die van plan is om van rijstrook te veranderen: de afstand tussen voertuigen, hun relatieve snelheid, hun zijdelingse posities, een subtiele draai van de neus van het voorste voertuig. Vervolgens trainde ze een model om de waarden van die variabelen elke tiende van een seconde gedurende een periode van zes seconden te analyseren, van vijf seconden voor het wisselen van rijstrook tot een seconde erna.

Bij elk van die 60 stappen vergelijkt het model de waarde van elke variabele, bijvoorbeeld een afname van 10 voet in de afstand tussen voertuigen, met de geschatte waarschijnlijkheid dat de waarde zal optreden vóór een rijstrookwisseling. Wanneer al deze variabelen waarden bereiken die de maximale waarschijnlijkheid van een rijstrookwisseling aangeven, markeert het model de rijstrookwisseling als dreigend.

Hoewel het een beetje varieert naargelang de omstandigheden, kan het model een verandering van rijstrook voorspellen ongeveer één seconde voordat het midden van een voertuig een scheidslijn kruist op weg naar een andere rijstrook.

“Een seconde van tevoren beginnen we er vertrouwen in te krijgen dat de bestuurder van rijstrook gaat wisselen”, zei Zhao. “Dat betekent misschien niet veel voor een menselijke bestuurder, maar we hebben het over geautomatiseerde voertuigen of geavanceerde rijhulpsystemen.

“Zo kunnen ze de doorlooptijd gebruiken om ofwel hun systeem te verbeteren, of ze kunnen extra veiligheidsmaatregelen ontwerpen – waarschuwingen of waarschuwingen, zoals een crashwaarschuwingssysteem – om het voertuig automatisch te vertragen of de bestuurder te helpen bij het nemen van beslissingen.”

Het team heeft ook enkele andere interessante trends opgepikt. Zo duurde de gemiddelde rijstrookwissel tussen 0,55 en 0,86 seconden. Automobilisten hadden de neiging om minder tijd te besteden aan het invoegen in een rijstrook achter een voertuig (de 0,55 seconden) dan bij het wisselen van rijstrook om er achter een voertuig uit te komen (de 0,86). Hoe sneller men van rijstrook verandert, hoe meer aanlooptijd een rijhulpsysteem nodig heeft om te compenseren, wat het onderscheid potentieel nuttig maakt.

Zhao zei dat toegang tot naturalistische rijgegevens haar meer vertrouwen geeft in de validiteit van het model, waarvan ze optimistisch is dat deze ook kan worden toegepast op andere, rijkere datasets van voertuigen die zijn uitgerust met meer sensoren en camera’s.

“Ik denk dat de bijdrage van deze resultaten is om wat achtergrondkennis, technische gegevens of ondersteuning te bieden aan de ontwikkelaars van deze geavanceerde rijhulpsystemen en geautomatiseerde voertuigtechnologieën”, zei ze. “Dat zou bestuurders in risicovolle situaties moeten helpen en de veiligheid van de bestuurder moeten verbeteren wanneer die extreme situaties zich voordoen.”

Zhao ontwikkelde het model samen met Laurence Rilett, directeur van het Nebraska Transportation Center en professor in civiele en milieutechniek, samen met Mm Shakiul Haque, doctoraalstudent in de techniek van transportsystemen. De onderzoekers hebben de ontwikkeling en resultaten van hun model beschreven in het tijdschrift Record voor transportonderzoek.