Improving the Intelligent Driver Model by Incorporating Vehicle Dynamics: Microscopic Calibration and Macroscopic Validation

要約

微細な交通シミュレーションは、インフラストラクチャの変更や、コネクテッド運転や自動運転などの進化する車両テクノロジーの影響を評価するために使用されます。
シミュレートされた車両は、人間の運転行動を模倣するように設計された車追従モデル、車線変更モデル、ジャンクション モデルによって制御されます。
ただし、物理ベースの車両追従モデル (CFM) では、測定された車両の軌跡を完全に再現することはできません。
したがって、キャリブレーションと検証の結果を向上させるために、インテリジェント ドライバー モデル (IDM) のモデル拡張を紹介します。その一部はすでに拡張インテリジェント ドライバー モデル (EIDM) に含まれています。
これらは、車両のダイナミクスと発進手順に基づいた方程式で構成されています。
さらに、パラメータの選択も決定的な役割を果たします。
そこで、ドイツのシュトゥットガルトの信号交差点でキャプチャされたドローン データを使用して CFM を校正するフレームワークを紹介します。
Krauss Model のキャリブレーション誤差を IDM および EIDM と比較します。
この設定では、現実世界の車両とシミュレートされた車両の間の距離の差に基づいて、EIDM は IDM よりも 17.78% 低い平均誤差を達成します。
車両動力学方程式を EIDM に追加すると、結果がさらに 18.97 % 改善されます。
次に、元の交差点、閉ループ、およびストップ アンド ゴー ウェーブの 3 つの異なるシナリオで交通をシミュレートすることにより、調整された車両とドライバーの組み合わせが調査されます。
このデータは、https://www.github.com/stepeos/pycarmodel_calibration で公開されている、個々の車両の改良されたキャリブレーション プロセスによっても、より正確な巨視的結果が得られることを示しています。

要約(オリジナル)

Microscopic traffic simulations are used to evaluate the impact of infrastructure modifications and evolving vehicle technologies, such as connected and automated driving. Simulated vehicles are controlled via car-following, lane-changing and junction models, which are designed to imitate human driving behavior. However, physics-based car-following models (CFMs) cannot fully replicate measured vehicle trajectories. Therefore, we present model extensions for the Intelligent Driver Model (IDM), of which some are already included in the Extended Intelligent Driver Model (EIDM), to improve calibration and validation results. They consist of equations based on vehicle dynamics and drive off procedures. In addition, parameter selection plays a decisive role. Thus, we introduce a framework to calibrate CFMs using drone data captured at a signalized intersection in Stuttgart, Germany. We compare the calibration error of the Krauss Model with the IDM and EIDM. In this setup, the EIDM achieves a 17.78 % lower mean error than the IDM, based on the distance difference between real world and simulated vehicles. Adding vehicle dynamics equations to the EIDM further improves the results by an additional 18.97 %. The calibrated vehicle-driver combinations are then investigated by simulating the traffic in three different scenarios: at the original intersection, in a closed loop and in a stop-and-go wave. The data shows that the improved calibration process of individual vehicles, openly available at https://www.github.com/stepeos/pycarmodel_calibration, also provides more accurate macroscopic results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google