Advertisement

Forschung im Ingenieurwesen

, Volume 82, Issue 1, pp 71–81 | Cite as

Energieoptimierte Fahrstrategie unter Berücksichtigung der Verkehrsteilnehmer an Kreuzungen ohne Lichtsignalanlage

  • Markus EisenbarthEmail author
  • Thorsten Plum
  • Jakob Andert
Originalarbeiten/Originals

Zusammenfassung

Die steigende Vernetzung und Automatisierung von Kraftfahrzeugen ermöglichen neue Freiheitsgrade insbesondere die urbane Mobilität effizienter zu gestalten. Um für ein einzelnes Fahrzeug den Energiebedarf für das Überfahren einer klassischen nicht lichtsignalgesteuerten Kreuzung zu reduzieren, können die über eine Vehicle-to-X-Kommunikationsschnittelle bereitgestellten aktuellen Fahrzustände relevanter Verkehrsteilnehmer in die Zukunft prädiziert und in einem Optimierungsproblem als Randbedingungen berücksichtigt werden. In diesem Beitrag wird hierfür ein modellbasierter Algorithmus vorgestellt, der die Zeiten, zu denen die Kreuzung durch ein Fahrzeug mit Vorrang blockiert wird, prädiziert. Diese Informationen fließen als Randbedingungen in eine lineare modellprädiktive Regelung zur Optimierung der eigenen Geschwindigkeitstrajektorie ein. Untersuchungen an einem auf Messdaten basierendem Fallbeispiel haben gezeigt, dass der Prädiktionshorizont einen wesentlichen Parameter zur Reduktion des Energiebedarfs am Rad darstellt. Jedoch führen stochastische Einflüsse des menschlichen Fahrverhaltens dazu, dass die Genauigkeit der Vorhersage der Zeiten, zu denen die Kreuzung nicht zu befahren ist, mit steigendem Vorausschauhorizont abnimmt. In einigen Situationen wirkt sich somit ein größerer Vorausschauhorizont negativ auf den Energiebedarf aus.

Energy optimized driving strategy in consideration of traffic participants at intersections without traffic lights

Abstract

The increasing interconnectivity and automatization of vehicles allows for new degrees of freedom, especially concerning shaping the urban mobility more efficiently. To reduce the energy demand of a single vehicle for the crossing of a classic intersection that is not controlled by traffic lights, the current traffic situation of relevant traffic participants, which is made available by a Vehicle-to-X communication interface, can be predicted into the future. Further, it can be considered as a boundary condition in an optimization problem. In this article, a model based prediction algorithm is introduced for this purpose, which predicts the times at which the intersection is blocked by a priority vehicle. This information is part of the boundary conditions of a linear, model predictive controller to optimize the vehicle’s own speed-trajectory. Investigations on a case study based on measurement data showed that the prediction horizon poses as a significant parameter to reduce the energy demand at the wheel. However, stochastic influences of the human driving behavior lead to a decrease in the accuracy of time-prediction concerning the navigability of intersections, while the horizon in forecast increases. In some situations, a greater horizon in forecast even causes an increased demand for energy.

Notes

Förderung

Diese Ergebnisse sind im Rahmen des Hy-Nets Projekts, gefördert durch den Europäischen Fonds für Regionale Entwicklung (EFRE) und das Land Nordrhein-Westfalen, entstanden. Darüber hinaus wurden die Arbeiten teilweise am Center for Mobile Propulsion, gefördert durch die Deutsche Forschungsgemeinschaft und den Wissenschaftsrat, durchgeführt.

Literatur

  1. 1.
    Hartenstein H, Laberteaux KPVANET (2010) Vehicular applications and inter-networking technologies. John Wiley & Sons, Ltd, ChichesterGoogle Scholar
  2. 2.
    Biswas S, Tatchikou R, Dion F (2006) Vehicle-to-vehicle wireless communication protocols for enhancing highway traffic safety. IEEE Commun Mag 44(1):74–82CrossRefGoogle Scholar
  3. 3.
    Ferreira M, Fernandes R, Conceição H, Viriyasitavat W, Tonguz OK (2010) “Self-organized traffic control”. Proceedings of the seventh ACM international workshop on VehiculAr InterNETworking – VANET ’10, New York. ACM Press, New York, S 85Google Scholar
  4. 4.
    Dresner K, Stone P (2008) A multiagent approach to autonomous intersection management. J Artif Intell Res 31:591–656Google Scholar
  5. 5.
    Chaaban Y, Hähner J, Müller-Schloer C (2009) Towards fault-tolerant robust self-organizing multi-agent systems in intersections without traffic lights. In: 2009 computation world: future computing, service computation, cognitive, adaptive, content, pattern. IEEE, New York, S 467–475Google Scholar
  6. 6.
    Helbing D (1997) Verkehrsdynamik. Springer, Berlin, HeidelbergCrossRefzbMATHGoogle Scholar
  7. 7.
    Wiedemann R (1973) Simulation des Strassenverkehrsflusses. Habilitationsschrift, Institut für Verkehrswesen, Universität Fridericiana KarlsruheGoogle Scholar
  8. 8.
    Treiber M, Hennecke A, Helbing D (2000) Congested traffic states in empirical observations and microscopic simulations. Phys Rev E Stat Phys Plasmas Fluids Relat Interdiscip Topics 62(2 Pt A):1805–1824zbMATHGoogle Scholar
  9. 9.
    Gipps PG (1981) A behavioural car-following model for computer simulation. Transp Res Part B Methodol 15(2):105–111CrossRefGoogle Scholar
  10. 10.
    Treiber M, Kesting A (2010) Verkehrsdynamik und -simulation. Springer, Berlin, HeidelbergCrossRefzbMATHGoogle Scholar
  11. 11.
    Intelligent Transport Systems (ITS) (2014) Vehicular Communications. Basic Set of Applications. Part 2: Specification of Cooperative Awareness Basic Service, ETSI EN 302 637-2Google Scholar
  12. 12.
    Schubert T (2010) Entwurf und Evaluierung einer prädiktiven Fahrstrategie auf Basis von Ampel-Fahrzeug-Kommunikationsdaten. Diplomarbeit, Institut für Automobiltechnik Dresden, Technische Universität DresdenGoogle Scholar
  13. 13.
    Themann P (2015) Automatisierte Fahrzeuglängsführung zur Optimierung der Energieeffizienz unter Nutzung kooperativer Informationen. Dissertation, Institut für Kraftfahrzeuge, RWTH Aachen UniversityGoogle Scholar
  14. 14.
    Asadi B, Vahidi A (2011) Predictive cruise control: utilizing upcoming traffic signal information for improving fuel economy and reducing trip time. IEEE Trans Control Syst Technol 19(3):707–714CrossRefGoogle Scholar
  15. 15.
    Kural E, Jones S, Parrilla AF, Grauers A (2014) Traffic light assistant system for optimized energy consumption in an electric vehicle. In: Traffic light assistant system for optimized energy consumption in an electric vehicle. IEEE, New York, S 604–611Google Scholar
  16. 16.
    Schmid C, Biegler LT (1994) Quadratic programming methods for reduced hessian SQP. Comput Chem Eng 18(9):817–832CrossRefGoogle Scholar
  17. 17.
    Grüne L, Pannek J (2011) Nonlinear model predictive control: theory and algorithms. Springer, LondonCrossRefzbMATHGoogle Scholar
  18. 18.
    Rawlings JB, Mayne DQ (2009) Model predictive control: theory and design. Nob Hill Publ, MadisonGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Mechatronische Systeme am VerbrennungsmotorRWTH Aachen UniversityAachenDeutschland
  2. 2.Lehrstuhl für VerbrennungskraftmaschinenRWTH Aachen UniversityAachenDeutschland

Personalised recommendations