Sie sind auf Seite 1von 79

Bachelorarbeit

zum Thema
Social-Force-Modell zur Steuerung von Fahrzeugen
in Grid-Umgebungen
eingereicht bei
Erstgutachter:
Prof. Dr. rer. nat. Jörg Philipp Müller,

Zweitgutachter:
Prof. Dr. Jürgen Dix,

Betreuer:
Dipl.-Wirt.-Inf. Malte Aschermann

Institut für Informatik


Technische Universität Clausthal
von
Khac Dat Tran, Matrikelnummer: 410401,
Studienrichtung: Wirtschaftsinformatik

i
Ehrenwörtliche Erklärung

Hiermit versichere ich, dass ich die vorliegende Arbeit selbständig verfasst und keine anderen
als angegebene Quellen und Hilfsmittel benutzt habe und dass alle Stellen dieser Arbeit, die
wörtlich oder sinngemäße aus anderen Quellen übernommen wurden, als solche kenntlich ge-
macht wurden und dass die Arbeit in gleicher oder ähnlicher Form noch keiner anderen Prü-
fungsstelle vorgelegt wurde.

Des Weiteren erkläre ich, dass ich mit der öffentlichen Bereitstellung meiner Abschlussarbeit
in der Instituts- und/oder Univesitätsbibliothek einverstanden bin.

Datum und Unterschrift

Khac Dat Tran

ii
Abstrakt

Staus sind heutzutage ein allgemein bekanntes und relevantes Problem. Zum Lösen dieses Pro-
blems ist die Kenntnis über die Simulation der Verkehrsmodelle notwendig. In den verschie-
denen Verkehrsmodelle wie einspuriges Modell, zweispuriges Modell, 2+1-System-Modell
sind die Stau-Risiken auch unterschiedlich. Das Stau-Risiko im einspurigen Modell ist am
höchsten. Dagegen ist das Stau-Risiko im zweispurigen Modell am niedrigsten, aber es kostet
auch viel zum Konstruieren. Daher ist das 2+1-System-Modell eine ausbalancierte Lösung für
niedriges Stau-Risiko sowie geringen Bauaufwand.

Das Ziel dieser Bachelorarbeit ist es, ein theoretisches Verkehrsmodell zur Steuerung von Fahr-
zeugen in Grid-Umgebungen zu entwickeln. Das Nagel-Schreckenberg-Modell und das Social-
Force-Modell werden als Basismodelle zur Entwicklung ausgewählt. Die Arbeit fokussiert sich
auf die Überholverhalten der Fahrzeuge auf den 2+1-Strecken. Ein neuer Ansatz wird in dieser
Bachelorarbeit erarbeitet, um die Social-Forces zu berechnen. Anhand dieser Kräfte können
die relevanten Wahrscheinlichkeiten berechnet werden. Mit diesen Wahrscheinlichkeiten wer-
den die Fahrverhalten auf den 2+1-Strecken per Methode „Fitness Proportionate Selection“
entschieden, ob welches Fahrverhalten ausgewählt wird.

Durch die wichtigsten Szenarien des Modells werden die berechneten Ergebnisse eingeordnet
und bewertet. Sie zeigen, dass der vorgeschlagene Ansatz die Anforderungen sowie die Erwar-
tungen des Modells erfüllen kann.

Schlagwörter: Nagel-Schreckenberg-Modell, Social-Force-Modell, 2+1-System, Fitness Pro-


portionate Selection

iii
Danksagung

Hiermit möchte ich mich ganz herzlich bei Herrn Prof. Dr. rer. nat. Jörg Philipp Müller für die
Bereitstellung des Themas sowie für die angenehme Betreuung bedanken. Bei Herrn Prof. Dr.
Jürgen Dix möchte ich mich ganz herzlich für die bereitwillige Übernahme des Zweitgutach-
tens bedanken.

Des Weiteren möchte ich mich ganz herzlich bei meinen Betreuern, Herrn Dipl.-Wirt.-Inf.
Malte Aschermann und Herrn Dipl.-Inf. Philipp Kraus, für die ständige Unterstützung und die
vielen nützlichen Anregungen während der Anfertigung meiner Bachelorarbeit bedanken.

Besonders gilt mein Dank meinen Eltern sowie meinen Freunden für die bedingungslose Un-
terstützung während meines Studiums bedanken.

iv
Inhaltsverzeichnis

Inhaltsverzeichnis ...................................................................................................................... v
Abbildungsverzeichnis .............................................................................................................vii
Tabellenverzeichnis .................................................................................................................. ix
1 Einleitung ............................................................................................................................... 1
1.1 Motivation ....................................................................................................................... 1
1.2 Problemstellung und Lösungsansatz ............................................................................... 2
1.3 Gliederung der Arbeit ..................................................................................................... 3
2 Grundlagen ............................................................................................................................. 4
2.1 Allgemeines über Verkehrsmodelle ................................................................................. 4
2.1.1 Drei Arten von Verkehrsmodellen ............................................................................ 4
2.1.2 Die verschiedenen Ebenen zur Modellierung der Verhalten der Fahrzeuge ............. 5
2.2 Überblick über die Zellularautomaten.............................................................................. 5
2.3 Das Nagel-Schreckenberg-Modell ................................................................................... 6
2.4 Grid-Umgebung ............................................................................................................... 8
2.5 Fitness Proportionate Selection ........................................................................................ 9
2.6 Markov-Kette ................................................................................................................. 10
2.7 Relative Geschwindigkeit .............................................................................................. 10
2.8 Definition von 2+1-Strecken .......................................................................................... 11
3 Verwandte Arbeiten ............................................................................................................. 12
3.1 Eine Anwendung von Social Force-Ansatz für Motorrad-Dynamik (Nguyen et al.,
2011)..................................................................................................................................... 12
3.1.1 Beschleunigungskräfte............................................................................................. 12
3.1.2 Abstoßungskräfte zu anderen Fahrzeugen ............................................................... 12
3.1.3 Abstoßungskräfte zu den Rändern ........................................................................... 13
3.1.4 Berechnung der Kräfte............................................................................................. 14
3.2 Dynamische Pfadplanung und Bewegungssteuerung in der Fußgängersimulation
(Johora, 2017)....................................................................................................................... 14
3.2.1 Abstand zwischen zwei Fußgängern ....................................................................... 14
3.2.2 Abstand zwischen Fußgänger und Grenze .............................................................. 15
3.3 Überholverhalten auf 2+1-Strecken (Irzik, 2009) .......................................................... 15
3.3.1 Überholmanöver auf 2 + 1 Strecken ........................................................................ 15
3.3.2 Überholtypen ........................................................................................................... 16
3.4 Die mathematische Modellierung der Staubildung (Settgast, 2006) .............................. 17

v
3.5 Realistische mehrspurige Verkehrsregeln für zellulare Automaten (Nagel et al. 1997) 18
3.6 Diskussion über Forschungslücken ............................................................................... 19
4 Das Social-Force-Vehicle-Modell ....................................................................................... 22
4.1 Diagramm des Social-Force-Vehicle-Modells .............................................................. 23
4.2 Fahrverhalten auf der Hauptspur ................................................................................... 24
4.2.1 Sicherheitskriterium für Ausscheren ....................................................................... 24
4.2.2 Funktionen für Fahrzeuge auf der Hauptspur .......................................................... 26
4.3 Fahrverhalten auf der Überholspur ............................................................................... 28
4.3.1 Sicherheitskriterium für Einscheren ........................................................................ 28
4.3.2 Funktionen für Fahrzeuge auf der Überholspur ...................................................... 29
5 Evaluierung .......................................................................................................................... 32
5.1 Szenario 1 ....................................................................................................................... 32
5.2 Szenario 2 ....................................................................................................................... 39
5.3 Szenario 3 ....................................................................................................................... 43
5.4 Szenario 4 ....................................................................................................................... 54
5.5 Szenario 5 ....................................................................................................................... 57
5.6 Szenario 6 ....................................................................................................................... 60
5.6 Einige andere zufällige Input-Parameter für Fahrzeuge auf der Hauptspur................... 62
5.7 Einige andere zufällige Input-Parameter für Fahrzeuge auf der Überholspur ............... 63
5.8 Diskussion über Ergebnisse .......................................................................................... 64
6 Fazit und Ausblick ............................................................................................................... 65
6.1 Fazit ................................................................................................................................ 65
6.2 Ausblick ......................................................................................................................... 66
Literaturreferenzen .................................................................................................................... ix

vi
Abbildungsverzeichnis

Abbildung 1. Eine 2+1-Strecke.................................................................................................. 1


Abbildung 2. Beispiele für 1D/2D Zellräume............................................................................ 6
Abbildung 3. Anfangskonfiguration zur Zeit t .......................................................................... 6
Abbildung 4. Beschleunigung .................................................................................................... 7
Abbildung 5. Abbremsen ........................................................................................................... 7
Abbildung 6. Randomization ..................................................................................................... 7
Abbildung 7. Fortbewegung (Konfiguration zur Zeit t+1) ........................................................ 8
Abbildung 8. Grid-Repräsentation und Nachbarschaft in Grid-Umgebung .............................. 9
Abbildung 9. Äquipotentielle Linien ....................................................................................... 13
Abbildung 10. Abstand zwischen zwei Fußgängern u. zwischen Fußgängern und Grenzen .. 15
Abbildung 11. Einfachüberholung ........................................................................................... 16
Abbildung 12. Aktive Mehrfachüberholung ............................................................................ 17
Abbildung 13. Passive Mehrfachüberholung ........................................................................... 17
Abbildung 14. Doppelüberholung ........................................................................................... 17
Abbildung 15. Spurwechselregeln ........................................................................................... 18
Abbildung 16. Diagramm des klassischen Nagel-Schreckenberg-Modells ............................. 21
Abbildung 17. Social-Forces in Zellen .................................................................................... 22
Abbildung 18. Diagramm des Social-Force-Vehicle-Modells ................................................ 23
Abbildung 19. Relativer Sicherheitsabstand ............................................................................ 24
Abbildung 20. Ausscheren kann passieren .............................................................................. 26
Abbildung 21. Wegen Kollision kann Ausscheren nicht passieren ......................................... 26
Abbildung 22. Social-Forces für Fahrzeuge auf der Hauptspur .............................................. 27
Abbildung 23. Relativer Abstand a‘ ........................................................................................ 29
Abbildung 24. Social-Forces für Fahrzeuge auf der Überholspur ........................................... 30
Abbildung 25. Abstand zum Rand ........................................................................................... 31
Abbildung 26. Szenario 1A...................................................................................................... 32
Abbildung 27. Szenario 1B ...................................................................................................... 35
Abbildung 28. Szenario 1C ...................................................................................................... 37
Abbildung 29. Szenario 2A...................................................................................................... 39
Abbildung 30. Szenario 2B ...................................................................................................... 41
Abbildung 31. Szenario 2C ...................................................................................................... 42
Abbildung 32. Szenario 3A...................................................................................................... 43
Abbildung 33. Szenario 3B ...................................................................................................... 47
Abbildung 34. Szenario 3C ...................................................................................................... 50
Abbildung 35. Szenario 4A...................................................................................................... 54
Abbildung 36. Szenario 4B ...................................................................................................... 55
Abbildung 37. Szenario 4C ...................................................................................................... 56
Abbildung 38. Szenario 5A...................................................................................................... 57
Abbildung 39. Szenario 5B ...................................................................................................... 58
Abbildung 40. Szenario 5C ...................................................................................................... 59
Abbildung 41. Szenario 6 ........................................................................................................ 60
Abbildung 42. Klassendiagramm des Social-Force-Vehicle-Modells..................................... 67
Abbildung 43. Implementierung des Social-Force-Vehicle-Modells ...................................... 67

vii
Abbildung 44. Pseudocodes für die Überholverhalten ............................................................ 68

viii
Tabellenverzeichnis

Tabelle 1. Erwartung (Szenario 1A) ........................................................................................ 33


Tabelle 2. Die Social-Forces werden berechnet (Szenario 1A) ............................................... 34
Tabelle 3. Die Wahrscheinlichkeiten werden berechnet (Szenario 1A) .................................. 34
Tabelle 4. Erwartung (Szenario 1B) ........................................................................................ 35
Tabelle 5. Die Social-Forces werden berechnet (Szenario 1B) ............................................... 36
Tabelle 6. Die Wahrscheinlichkeiten werden berechnet (Szenario 1B) .................................. 36
Tabelle 7. Erwartung (Szenario 1C) ........................................................................................ 37
Tabelle 8. Die Social-Forces werden berechnet (Szenario 1C) ............................................... 38
Tabelle 9. Die Wahrscheinlichkeiten werden berechnet (Szenario 1C) .................................. 38
Tabelle 10. Erwartung (Szenario 2A) ...................................................................................... 40
Tabelle 11. Die Social-Forces werden berechnet (Szenario 2A) ............................................. 41
Tabelle 12. Die Wahrscheinlichkeiten werden berechnet (Szenario 2A) ................................ 41
Tabelle 13. Erwartung (Szenario 3A.1) ................................................................................... 44
Tabelle 14. Die Social-Forces werden berechnet (Szenario 3A.1) .......................................... 45
Tabelle 15. Die Wahrscheinlichkeiten werden berechnet (Szenario 3A.1) ............................. 45
Tabelle 16. Erwartung (Szenario 3A.2) ................................................................................... 45
Tabelle 17. Die Social-Forces werden berechnet (Szenario 3A.2) .......................................... 46
Tabelle 18. Die Wahrscheinlichkeiten werden berechnet (Szenario 3A.2) ............................. 47
Tabelle 19. Erwartung (Szenario 3B.1) ................................................................................... 48
Tabelle 20. Die Social-Forces werden berechnet (Szenario 3B.1) .......................................... 48
Tabelle 21. Die Wahrscheinlichkeiten werden berechnet (Szenario 3B.1) ............................. 48
Tabelle 22. Erwartung (Szenario 3B.2) ................................................................................... 49
Tabelle 23. Die Social-Forces werden berechnet (Szenario 3B.2) .......................................... 50
Tabelle 24. Die Wahrscheinlichkeiten werden berechnet (Szenario 3B.2) ............................. 50
Tabelle 25. Erwartung (Szenario 3C.1) ................................................................................... 51
Tabelle 26. Die Social-Forces werden berechnet (Szenario 3C.1) .......................................... 51
Tabelle 27. Die Wahrscheinlichkeiten werden berechnet (Szenario 3C.1) ............................. 51
Tabelle 28. Erwartung (Szenario 3C.2) ................................................................................... 52
Tabelle 29. Die Social-Forces werden berechnet (Szenario 3C.2) .......................................... 53
Tabelle 30. Die Wahrscheinlichkeiten werden berechnet (Szenario 3C.2) ............................. 53
Tabelle 31. Die Social-Forces werden berechnet (Szenario 6) ................................................ 61
Tabelle 32. Die Wahrscheinlichkeiten werden berechnet (Szenario 6) ................................... 61
Tabelle 33. Erwartungen für Fahrzeuge auf der Hauptspur ..................................................... 62
Tabelle 34. Die Social-Forces werden berechnet (Kapitel 5.6) ............................................... 62
Tabelle 35. Die Wahrscheinlichkeiten werden berechnet (Kapitel 5.6) .................................. 62
Tabelle 36. Erwartungen für Fahrzeuge auf der Überholspur ................................................. 63
Tabelle 37. Die Social-Forces werden berechnet (Kapitel 5.7) ............................................... 63
Tabelle 38. Die Wahrscheinlichkeiten werden berechnet (Kapitel 5.7) .................................. 63

ix
1 Einleitung

1.1 Motivation
Staus sind heutzutage ein allgemein bekanntes und relevantes Problem. Es gibt viele Konse-
quenzen, die ein Stau nach sich ziehen kann. Beispielsweise verbringt der Mensch viel Zeit mit
Warten in einem Stau: Jeder Deutsche verbringt pro Jahr durchschnittlich 58 Stunden im Stau
[1]. Es kostet uns viel Geld, diese Stauprobleme zu lösen (zum Beispiel großer Aufwand für
die Verbreiterung von Straßen). Darüber hinaus hat ein Beitrag in der Pharmazeutischen-Zei-
tung gezeigt, dass Staus Stress verursachen und erhöhte gesundheitliche Risiken nach sich zie-
hen [1]. Um die negativen Auswirkungen von Staus verringern oder vermeiden zu können,
sollte ein effektives Verkehrsmodell entwickelt werden.

In den verschiedenen Verkehrsmodelle wie einspuriges Modell, zweispuriges Modell, 2+1-


System-Modell sind die Stau-Risiken auch unterschiedlich. Unter sonst gleichen Bedingungen
ist das Stau-Risiko im einspurigen Modell am höchsten, weil es die kleinste Fläche hat. Dage-
gen ist das Stau-Risiko im zweispurigen Modell explizit am niedrigsten, weil es die größte
Fläche hat, aber es kostet daher auch viel zum Konstruieren.

Ein weit verbreiteter Straßentyp ist das 2+1-System (siehe Abbildung 1). Gemäß der Richtli-
nien für die Anlage von Landstraßen ist das 2+1-System für neue Fern- und Überregionalstra-
ßen verpflichtend. Durch das 2+1-System kann das Risiko schwerer Unfälle vermindert und
die Kapazität mit nur einem zusätzlichen Fahrstreifen um etwa 40% erhöht werden [2]. Dieses
System zeigt sich in der Praxis als effektiv und soll daher zunehmend verbreitet werden.

Das ist die erste Motivation, damit ich auf die Idee gekommen bin, ein Verkehrsmodell zu
entwickeln, das sich auf die Überholverhalten auf den 2+1-Strecken fokussiert.

Abbildung 1. Eine 2+1-Strecke


(nach [3], S. 10)

1
Im Bachelorprojekt „Simulation des Fahrverhaltens an einer Ampelkreuzung“ [4] wurde ein
Modell, basierend auf dem bekannten Nagel-Schreckenberg-Modell bereits entwickelt, um
Fahrverhalten an einer Ampelkreuzung zu simulieren. Der Nachteil unseres Modells ist: Die
Straßen haben nur zwei Fahrstreifen. Deshalb ist es nicht allgemein genug, um es in der Realität
zu verwenden. Man müsste nicht nur vom Szenario her generalisieren, sondern auch individu-
elles Verhalten der Fahrer/Fahrzeuge modellieren um realistischer die Realität (im kleinen mi-
kroskopischen Maßstab) abbilden zu können. Daher ist es sinnvoll, im Rahmen meiner Arbeit,
weitere Straßentypen darzustellen. Das ist die zweite Motivation, damit diese Arbeit ein basie-
rend auf dem Nagel-Schreckenberg-Modell erweitertes Modell entwickelt, um die Fahrzeuge
zu steuern.

1.2 Problemstellung und Lösungsansatz


Welches Basismodell sollte zur Entwicklung ausgewählt werden? Beide Basismodelle (Fahr-
zeugfolgemodell und Social-Force-Modell) haben die Beschränkungen, die im Kapitel 3 kon-
kret diskutiert werden.

Das Ziel dieser Arbeit daher ist es, ein theoretisches, mathematisches Verkehrsmodell wie eine
Kombination zwischen dem klassischen Nagel-Schreckenberg-Modell und dem Social-Force-
Modell zur Steuerung von Fahrzeugen in Grid-Umgebungen zu entwickeln. In diesem Modell
werden die Social-Forces durch die entsprechenden Funktionen berechnet. Anhand dieser
Kräfte können die relevanten Wahrscheinlichkeiten berechnet werden und dann kann der Fah-
rer sich per Methode „Fitness Proportionate Selection“ entscheiden, ob er auf den 2+1-Strecken
geradeaus fahren, ausscheren, einscheren oder abbremsen sollte.

Eine anfängliche Implementierung wurde mithilfe Java ausgeführt, um dieses Modell in Grid-
Umgebung und die einfachen Fahrverhalten wie zum Beispiel „Geradeausfahren“ zu simulie-
ren. Die Pseudocodes für die Überholverhalten wurden für weitere Implementierung in der
Zukunft auch erstellt.

Die folgenden Forschungsfragen sollten während der Ausführung dieser Bachelorarbeit beant-
wortet werden:

1. Kann ein Verkehrsmodell wie eine Kombination zwischen Fahrzeugfolgemodell (zum


Beispiel Nagel-Schreckenberg-Modell) und Social-Force-Modell (eher geeignet für
den Shared-Space-Bereich) entwickelt werden, um die Fahrzeuge zu steuern?
2. Wie können die Fahrverhalten durch die Wahrscheinlichkeiten entschieden werden?

2
3. Stellen diese Wahrscheinlichkeiten die Fahrverhalten (wie zum Beispiel ausscheren,
einscheren, geradeaus fahren) genau dar und wie kann man sie auswerten?

Diese Fragen werden im Kapitel 4 und 5 detailliert beantwortet.

1.3 Gliederung der Arbeit


Diese Bachelorarbeit ist insgesamt in 6 Kapitel gegliedert. Das zweite Kapitel beinhaltet alle
Grundlagen, welche notwendig sind, um die Arbeit verstehen zu können. Im Kapitel 3 werden
einige verwandte Arbeiten mit ähnlicher Zielstellung angeführt und bewertet. Kapitel 4 handelt
vom Social-Force-Vehicle-Modell dieser Bachelorarbeit. Im fünften Kapitel folgt eine Evalu-
ierung der entwickelten Methoden und der Ergebnissen. Das sechste Kapitel beinhaltet ein Fa-
zit und einen Ausblick in die Zukunft.

3
2 Grundlagen

In diesem Kapitel werden alle notwendigen Grundlagen zum Thema „Social-Force-Modell zur
Steuerung von Fahrzeugen in Grid-Umgebungen“ vermittelt. Dies soll zum besseren Verständ-
nis der folgenden Kapitel beitragen.

Im Unterabschnitt 2.1 und 2.2 werden die theoretischen Grundlagen von Verkehrsmodellen
und Zellularautomaten vorgestellt. Im Unterabschnitt 2.3 wird das Nagel-Schreckenberg-Mo-
dell detailliert erläutert. Der Unterabschnitt 2.4 liefert eine Erklärung von Grid-Umgebung. Im
Unterabschnitt 2.5 wird beschrieben, wie Fitness Proportionate Selection durchgeführt wurde.
Unterabschnitt 2.6 erläutert die Definition von Markov-Kette. Im Unterabschnitt 2.7 wird ge-
klärt, wie man die relative Geschwindigkeit berechnen kann. Der letzte Unterabschnitt liefert
eine Definition von 2+1-Strecken.

2.1 Allgemeines über Verkehrsmodelle


2.1.1 Drei Arten von Verkehrsmodellen
Die bisherige Forschung zur Verkehrsmodellierung kann nach [5] als drei Arten klassifiziert
werden:

 Makroskopisches Modell: Anstatt der einzigen Einheit untersuchen makroskopische


Modelle die Eigenschaften des Verkehrsflusses wie durchschnittliche Geschwindigkeit,
Dichte, Fluss. In diesem Ansatz wird der Strom der Agenten mit Flüssigkeiten oder
Gasen verglichen und er kann durch die Verwendung von Differentialgleichungen als
Molekulardynamik modelliert werden (nach [6], S. 1).

 Mikroskopisches Modell: Im mikroskopischen Modell wird das Verhalten von Indi-


viduen unter einer Annahme modelliert: Die Interaktion jedes Agenten mit seiner Um-
gebung wird das gesamte dynamische Verhalten der Menschenmenge hervorbringen
(nach [6], S. 1). Dieses Modell simuliert einzelne Fahrzeugfahrer-Einheiten, die auf
Fahrerverhalten basieren. Die dynamischen Variablen des Modells repräsentieren mi-
kroskopische Eigenschaften wie Position und Geschwindigkeit der Fahrzeuge. Es gibt
zwei bekannte mikroskopische Verkehrsströmungsmodelle: Car-following Modell und
Zellularautomaten-Modell (nach [5], S. 3).

4
 Mesoskopisches Modell: Dieses Modell ist eine Kombination von makroskopischen
und mikroskopischen Modellen. Unter makroskopischer Sicht simulieren mesoskopi-
sche Modelle einzelne Agenten separat, um ihre Aktivitäten und Interaktionen auszu-
drücken. Ein klassisches Modell ist das Gasdynamik-Modell (nach [5], S. 3).

2.1.2 Die verschiedenen Ebenen zur Modellierung der Verhalten der Fahrzeuge
Die Verhalten der Fahrzeuge können nach [7] in drei Ebenen distinguiert werden:

 Strategische Ebene: Auf dieser Ebene bereitet der Agent seinen abstrakten Plan wie
eine Motivation für seine allgemeine Bewegung vor.
 Taktische Ebene: Der Agent auf der taktischen Ebene plant seine Aktivitäten sowie
die passenden Routen, um sein Ziel zu erreichen (wie ein Prozess zur Wegfindung)
 Operative Ebene: Physische Bewegungen des Agenten sowie die Ausführung der Ak-
tivitäten von der taktischen Ebene.

Das Ziel dieser Arbeit ist es, ein Verkehrsmodell zu entwickeln, um die physischen Bewegun-
gen der Fahrzeuge zu steuern. Deshalb fokussiert die Arbeit sich nur auf die operative Ebene.

2.2 Überblick über die Zellularautomaten


Ein zellulärer Automat wurde erstmals im Jahr 1940 von John von Neumann und dann von
Stanislaw Ulam vorgestellt (nach [9], S. 6). Wir können (nach [9], S. 7) einen zellulären Auto-
maten charakterisieren durch:
 eine diskrete Anordnung gleicher Zellen (Zellraum)
 jede Zelle nimmt zu einem Zeitpunkt genau einen Zustand an
 jede Zelle besitzt endlich viele, vorher zu definierende Nachbarn
 der Zustand aller Zellen ändert sich in diskreten (Zeit-)Schritten. Es gibt eine lokale nur
von der Zelle und ihren Nachbarn abhängige Überführungsfunktion, die vorschreibt,
wie der Zustand der Zelle sich von Schritt t nach Schritt t + 1 entwickelt.
Krämer, et al. kategorisierten die zellularen Automaten in ein-, zwei- sowie dreidimensionale
Automaten. Bei eindimensionalen Automaten werden Nachbarn nur in positiver und negativer
x–Richtung betrachtet (siehe Abbildung 2). Einem zweidimensionalen Automaten liegt ein
𝑛 𝑥 𝑚 Gitter zugrunde und wir müssen immer die Nachbarschaften genau beschreiben. Der
Zellraum und die Zelle eines dreidimensionalen Automaten können aus einem Quader beste-
hen. In diesem Fall werden die Nachbarzellen aller drei Achsen betrachtet (nach [10], S. 9f.).

5
Abbildung 2. Beispiele für 1D/2D Zellräume
(nach [9], S. 7)
Das Nagel-Schreckenberg-Modell ist ein bekannter eindimensionaler zellulärer Automat.
Deshalb wird dieses Modell in der Folge näher betrachtet.

2.3 Das Nagel-Schreckenberg-Modell


Das Nagel-Schreckenberg-Modell wurde 1992 von Kai Nagel und Michael Schreckenberg ent-
wickelt. Dieses Modell wird in einem eindimensionalen Array mit 𝐿 Zellen definiert. Jede Zelle
kann von einem Fahrzeug besetzt werden oder leer sein. Jedes Fahrzeug hat eine Geschwin-
digkeit mit einem Wert von 0 bis 𝑣𝑚𝑎𝑥 (nach [11], S. 2222).

Die Update-Regeln des Nagel-Schreckenberg-Modells umfassen insgesamt vier Schritte. Um


das Nagel-Schreckenberg-Modell genau verwenden zu können, müssen diese vier Schritte für
alle Fahrzeuge parallel ausgeführt werden (nach [11], S. 2222).

SCHRITT 1: Wenn ein Fahrzeug (mit der Geschwindigkeit 𝑣) noch nicht seine Geschwindig-
keit 𝑣𝑚𝑎𝑥 erreicht hat und wenn sein Abstand zum nächsten Fahrzeug größer als 𝑣 + 1 ist, dann
beschleunigt es um eine Einheit: 𝑣 → 𝑣 + 1

Zum Beispiel: Wir haben eine Anfangskonfiguration zur Zeit t mit 𝑣𝑚𝑎𝑥 = 2 (siehe Abbildung
3). Es gibt vier Fahrzeuge mit vier verschiedenen Farben und entsprechenden Geschwindig-
keiten: blaugrün (𝑣 = 2), rosa (𝑣 = 1), braun (𝑣 = 1) und schwarz (𝑣 = 0).

Abbildung 3. Anfangskonfiguration zur Zeit t


(Eigene Darstellung, in Anl. an: [12], S. 1)

6
Schritt 1 wird ausgeführt: Das rosa Fahrzeug (𝑣 = 1) und das schwarze Fahrzeug (𝑣 = 0) ha-
ben noch nicht ihre Geschwindigkeiten erreicht und der Abstand zum nächsten Fahrzeug ist
groß genug. Dann beschleunigen beide Fahrzeuge um eine Einheit. Die neuen Geschwindig-
keiten sind daher: rosa Fahrzeug (𝑣 = 2) und schwarzes Fahrzeug (𝑣 = 1). Wegen des Man-
gels an Abstand zum nächsten Fahrzeug ist die Geschwindigkeit des braunen Farhzeugs gleich-
bleibend: braunes Fahrzeug (𝑣 = 1). Das blaugrüne Fahrzeug hat bereits seine maximale Ge-
schwindigkeit (𝑣𝑚𝑎𝑥 = 2) erreicht. (siehe Abbildung 4)

Abbildung 4. Beschleunigung
(Eigene Darstellung, in Anl. an: [12], S. 1)
SCHRITT 2: Wenn ein Fahrzeug (mit der Geschwindigkeit 𝑣) in der Zelle 𝑖 ein nächstes
Fahrzeug in der Zelle 𝑖 + 𝑗 (mit 𝑗 ≤ 𝑣) sieht, dann reduziert es seine Geschwindigkeit bis 𝑗 −
1: 𝑣 → 𝑗 − 1

Schritt 2 wird ausgeführt: Das blaugrüne Fahrzeug (𝑣 = 2) in der Zelle 𝑖 = 1 sieht das rosa
Fahrzeug in der Zelle 3 = 𝑖 + 𝑗 = 1 + 2 mit 𝑗 = 2 ≤ 𝑣 = 2 und reduziert seine Geschwindig-
keit, bis 𝑗 − 1 = 2 − 1 = 1: blaugrünes Fahrzeug (𝑣 = 1). Analog haben wir auch die Ge-
schwindigkeit des braunen Fahrzeugs (𝑣 = 0). (siehe Abbildung 5)

Abbildung 5. Abbremsen
(Eigene Darstellung, in Anl. an: [12], S. 1)
SCHRITT 3: Mit der Wahrscheinlichkeit 𝑝 wird die Geschwindigkeit von jedem Fahrzeug
zufällig um eine Einheit reduziert: 𝑣 → 𝑣 − 1

Schritt 3 wird ausgeführt: Die Geschwindigkeit des blaugrünen Fahrzeugs wird zufällig um
eine Einheit reduziert (𝑣 = 0). (siehe Abbildung 6)

Abbildung 6. Randomization
(Eigene Darstellung, in Anl. an: [12], S. 1)

7
SCHRITT 4: Jedes Fahrzeug hat seine aktuelle Geschwindigkeit 𝑣 und dann bewegt es sich
um 𝑣 𝑍𝑒𝑙𝑙𝑒𝑛 vorwärts.

Schritt 4 wird ausgeführt: Das blaugrüne Fahrzeug bewegt sich um 0 𝑍𝑒𝑙𝑙𝑒𝑛 vorwärts. Das
rosa Fahrzeug bewegt sich um 2 𝑍𝑒𝑙𝑙𝑒𝑛 vorwärts. Das braune Fahrzeug bewegt sich um
0 𝑍𝑒𝑙𝑙𝑒𝑛 vorwärts. Das schwarze Fahrzeug bewegt sich um 1 𝑍𝑒𝑙𝑙𝑒 vorwärts. (siehe Abbildung
7)

Abbildung 7. Fortbewegung (Konfiguration zur Zeit t+1)


(Eigene Darstellung, in Anl. an: [12], S. 1)
Durch diese vier Schritte werden die generellen Eigenschaften der einspurigen Straße darge-
stellt. Im Nagel-Schreckenberg-Modell spielt der dritte Schritt eine besonders wichtige Rolle.
Dank dieser Regel können wir genauer einen realitätsnahen Verkehrsfluss simulieren. Die Ge-
schwindigkeitsschwankungen aufgrund des menschlichen Verhaltens und der unterschiedli-
chen äußeren Bedingungen werden durch den Trödelfaktor 𝑝 erklärt (nach [11], S. 2222).

2.4 Grid-Umgebung
Das Zellularautomaten-Modell ist eines der mikroskopischen Verkehrsmodelle. In diesem Mo-
dell ist die Spur aus vielen kleinen Zellen wie eine Grid-Umgebung erstellt. Die Fahrzeuge
bewegen sich von einer Zelle zur anderen. Zum Verständnis dieser Arbeit wird eine Definition
über die Grid-Umgebung gegeben (nach [5], S. 6).

In der Grid-basierten Darstellung wird eine Umgebungskarte in viele kleine Zellen unterteilt.
Jede Zelle einer Grid-Umgebung hat einen damit verbundenen Aufwand, um anzuzeigen, dass
diese Zelle besetzt oder leer ist. Dieser Aufwand definiert auch den benötigten Aufwand, um
diese Zelle zu durchqueren. Normalerweise ist jede Zelle mit ihren vier benachbarten Zellen
verbunden. Aber wenn die diagonalen Nachbarn auch berücksichtigt werden, kann jede Zelle
mit ihren acht benachbarten Zellen (siehe Abbildung 8) verbunden werden (nach [13], S. 3).

8
Abbildung 8. Grid-Repräsentation und Nachbarschaft in Grid-Umgebung
(nach [13] S. 3, [14] S. 3)

2.5 Fitness Proportionate Selection


„Um die Idee der Selektion in der Biologie auf die Informatik übertragen zu können, wird ein
Verfahren gesucht, welche Individuen einer Population mit hohen Fitnesswerten häufiger
ausgewählt werden, als Individuen mit geringeren Fitnesswerten. Fitness Proportionate
Selection ist solch ein Verfahren” (nach [15], S. 4).

Wenn 𝑓𝑖 der Fitness-Parameter des Individuums 𝑖 in der Population ist, kann seine ausgewählte
Wahrscheinlichkeit 𝑝𝑖 wie folgt berechnet werden:

𝑓𝑖
𝑝𝑖 = ∑𝑁 (2.5)
𝑗=1 𝑓𝑗

mit N: Die Anzahl der Individuen in der Population.

Beispiel:

 Eine Population hat die Größe 𝑁 = 4 mit dem Namen jedes Individuums: {1; 2; 3; 4}
 Wähle die Fitness-Funktion aus: 𝑓(𝑥) = 𝑥
 Es gibt dann vier Fitness-Parameter: {𝑓1 = 1; 𝑓2 = 2; 𝑓3 = 3; 𝑓4 = 4}
 Die Summe aller Fitness-Parameter: 1 + 2 + 3 + 4 = 10
 Die jeweils entsprechende Wahrscheinlichkeit: {𝑝1 = 0,1; 𝑝2 = 0,2; 𝑝3 = 0,3; 𝑝4 =
0,4}

Je besser der Fitness-Parameter eines Individuums ist, desto eher kann es ausgewählt werden.
Jetzt wird der Selection-Prozess ausgeführt, um vier neue Individuen für die nächste Genera-
tion auswählen. Es ist ähnlich wie ein viermal gespieltes Roulette-Spiel.

9
Das Individuum 4 hat mit 40% die größte Wahrscheinlichkeit, daher ist es das am meisten
ausgewählte Individuum.

Das Ergebnis könnte daher sein:

 Das Individuum 1 wird niemals ausgewählt.


 Das Individuum 2 wird einmal ausgewählt.
 Das Individuum 3 wird einmal ausgewählt.
 Das Individuum 4 wird zweimal ausgewählt.

Die neue Population ist: {2; 3; 4; 4}

2.6 Markov-Kette
„Eine Markov-Kette ist ein stochastischer Prozess, in welchem eine Reihe von Zufallsvariablen
(ZV) über eine Zeit hinweg untersucht werden, um zukünftige Zustände der Variablen voraus-
zusagen. Dabei ist der Ergebnisraum der ZVs endlich; es handelt sich also um diskrete Zufalls-
variablen. Zusätzlich erfüllt die Kette die Markov-Eigenschaft, welche besagt, dass der Zustand
der Zufallsvariable zu einem Zeitpunkt 𝑡 nur vom Zustand (𝑡 − 1) abhängt und nicht von frühe-
ren Zeitpunkten. Dadurch sind Markov-Ketten bis zu einem gewissen Grad memory-less, be-
sitzen also kein Gedächtnis an frühere Zustände der Variablen“ (nach [16], S. 5).

Wir werden später noch sehen, dass der Selektionsprozess in dieser Arbeit einer Markov-Kette
entspricht.

2.7 Relative Geschwindigkeit


Annahme: Die Geschwindigkeit des Fahrzeugs A ist 𝑣𝐴 = 10. Das ist die absolute Geschwin-
digkeit des Fahrzeugs A. Vor dem Fahrzeug A gibt es ein Fahrzeug B mit der absoluten Ge-
schwindigkeit 𝑣𝐵 = 12.

Man kann sagen: Die relative Geschwindigkeit des Fahrzeugs A im Vergleich zu Fahrzeug B
ist 𝑣𝐴𝐵 = 10 − 12 = −2.

In derselben Richtung:

 Wenn ein Fahrzeug schneller als ein anderes Fahrzeug fährt, ist der Wert seiner relati-
ven Geschwindigkeit positiv.
 Wenn ein Fahrzeug langsamer als ein anderes Fahrzeug fährt, ist der Wert seiner rela-
tiven Geschwindigkeit negativ.

10
2.8 Definition von 2+1-Strecken
„2+1-Strecken sind durch alternierende Überholabschnitte charakterisiert. In jeder Fahrtrich-
tung wechseln sich einstreifige Vorlaufstrecken und zweistreifige Überholabschnitte ab. Die
Position beschreibt die Lage eines Überholabschnitts in der jeweiligen Fahrtrichtung. Der in
Fahrtrichtung erste Überholabschnitt einer 2+1-Strecke befindet sich somit an Position 1, der
zweite Überholabschnitt an Position 2 usw..“ (nach [3], S. 10). Diese Definition wird in der
Abbildung 1 veranschaulicht.

„Der Überholabschnitt bezeichnet den Teil einer 2+1-Strecke, indem in der entsprechenden
Fahrtrichtung den Kraftfahrzeugführern zwei Fahrstreifen zur Verfügung stehen und sie somit
überholen können, ohne den Gegenverkehr beachten zu müssen“ (nach [3], S. 10).

11
3 Verwandte Arbeiten

Im Folgenden werden einige verwandte Arbeiten mit ähnlicher Zielstellung angeführt und be-
wertet.

3.1 Eine Anwendung von Social Force-Ansatz für Motorrad-Dynamik


(Nguyen et al., 2011)
Helbing et al. [17, 18, 19] führten ein Social-Force-Modell zur Darstellung der Bewegungen
von Fußgängern ein. Sie stellten fest, dass die Fußgänger ihre Geschwindigkeit sowie Richtung
wegen der psychologischen Aspekte verändern können. Diese psychologischen Verhalten kann
wie die „Social Forces“ betrachtet werden, die ihre Bewegungen verursachen. Diese Kräfte
können in einer Gleichung zusammengesetzt werden, um die Veränderung ihrer Bewegungen
darzustellen.

Nguyen et al. [20] verwendeten die Modelle von Helbing et al., um ein Social-Force-Modell
für die Untersuchung der Motorräder zu entwickeln. Die Social Forces werden wie folgt be-
trachtet:

3.1.1 Beschleunigungskräfte
Ein Fahrer 𝛼 möchte sich mit der gewünschten Geschwindigkeit 𝑣𝛼0 in einer gewünschten Rich-
𝑒𝛼 (‖𝑒⃗⃗⃗⃗𝛼 ‖ = 1) auf sein Ziel zubewegen.
tung ⃗⃗⃗⃗

Ein Fahrer wechselt von seiner aktuellen Geschwindigkeit ⃗⃗⃗⃗


𝑣𝑎 innerhalb einer bestimmten Zeit
𝜏𝛼 (Relaxationszeit) zu seiner gewünschten Geschwindigkeit 𝑣𝛼0 ⃗⃗⃗⃗
𝑒𝛼 , wenn es vorne kein Hin-
dernis gibt.

⃗⃗⃗⃗⃗𝛼𝐴
Das Verhalten der Veränderung seiner Bewegung kann durch die Beschleunigungskraft 𝐹
dargestellt werden:

⃗⃗⃗⃗⃗ 1
𝐹𝛼𝐴 = 𝜏 ( 𝑣𝛼0 ⃗⃗⃗⃗
𝑒𝛼 − ⃗⃗⃗⃗
𝑣𝑎 ) (3.1.1)
𝛼

3.1.2 Abstoßungskräfte zu anderen Fahrzeugen


Zwischen Motorrad 𝛼 und einem anderen Motorrad 𝛽 gibt es eine „Sicherheitskugel“, um eine
Kollision zu vermeiden.

Wenn ein Motorrad sich einem anderen nähert, wird der Fahrer seine Geschwindigkeit verrin-
gern. Je näher sie sich kommen, desto niedriger wird die Geschwindigkeit. Folglich kann die

12
Wirkung der Geschwindigkeitsreduzierung durch die Abstoßungskraft ⃗⃗⃗⃗⃗⃗
𝐹𝛼𝛽𝑅
zu anderen Fahr-
zeugen erklärt werden und ist gegeben durch:

⃗⃗⃗⃗⃗⃗
𝐹𝛼𝛽𝑅
= 𝑉𝛼𝛽 (𝑏(⃗⃗⃗⃗⃗⃗⃗
𝑟𝛼𝛽 )) (3.1.2)

Wobei ⃗⃗⃗⃗⃗⃗⃗
𝑟𝛼𝛽 = ⃗⃗⃗⃗
𝑟𝛼 − ⃗⃗⃗⃗
𝑟𝛽 der Abstandsvektor zwischen Motorrad 𝛼 und Motorrad 𝛽 ist.

𝑉𝛼𝛽 wird als äquipotentielle Linien angenommen. Diese Linien haben die Form der Ellipse mit
der kleinen Halbachse 𝑏. Die repulsive Funktion 𝑉𝛼𝛽 (𝑏) ist eine monoton abnehmende Funk-
tion von 𝑏.

Basierend auf dieser Annahme kann eine Sicherheitskugel eines Motorrads durch eine ge-
schlossene Kurve der Ellipse gezeichnet werden. Wenn ein anderes Motorrad einem Zielfahr-
zeug näher kommt, wird die kleine Halbachse der Ellipse kleiner und daher wird die Absto-
ßungskraft größer.

Abbildung 9. Äquipotentielle Linien


(nach [20], S. 3)
3.1.3 Abstoßungskräfte zu den Rändern
Ein Motorrad 𝛼 hält einen Abstand zur Grenze 𝐵, um auch eine Kollision zu vermeiden. Wenn
es in der Nähe der Grenze fährt, wird es die Geschwindigkeit reduzieren und die Richtung
ändern, um sich weit davon zu entfernen. Dieser Effekt kann durch die Abstoßungskraft ⃗⃗⃗⃗⃗
𝐹𝛼𝐵
der Grenze wie unten erklärt werden.

⃗⃗⃗⃗⃗ 𝛼𝐵 ‖) (3.1.3)
𝐹𝛼𝐵 = 𝑈𝛼𝐵 (‖𝑟⃗⃗⃗⃗⃗⃗

Gleichung (3.1.3) hat die gleiche Formulierung wie Gleichung (3.1.2). Daher können die An-
nahmen von den Abstoßungskräften zu anderen Motorrädern auch mit den Abstoßungskräften
zu den Rändern angewendet werden.

13
‖𝑟⃗⃗⃗⃗⃗⃗
𝛼𝐵 ‖ = ‖𝑟 𝑟𝐵 ‖ zeigt den Abstand der Position des Motorrads 𝛼 zum Rand 𝐵, der dem
⃗⃗⃗𝛼 − ⃗⃗⃗
Motorrad 𝛼 am nächsten liegt.

𝑈𝛼𝐵 wird als die repulsive Funktion angenommen, die im Abstand ‖𝑟⃗⃗⃗⃗⃗⃗
𝛼𝐵 ‖ monoton abnimmt.

3.1.4 Berechnung der Kräfte


Nach der Beschreibung des Verhaltens der Motorräder durch Gleichungen von „Social-Forces“
kann die Bewegungsgleichung für ein Motorrad hergeleitet werden. Die Gleichung der Bewe-
gung ist als die Summe der sozialen Kräfte definiert, die gleich wie die Änderung der aktuellen
Geschwindigkeit ⃗⃗⃗⃗
𝑣𝛼 innerhalb einer bestimmten Zeit 𝑑𝑡 ist.

𝐹𝛼𝐴 + ∑𝛽 ⃗⃗⃗⃗⃗⃗
⃗⃗⃗⃗𝛼
𝑑𝑣
= ⃗⃗⃗⃗⃗ 𝐹𝛼𝛽𝑅
+ ∑𝐵 ⃗⃗⃗⃗⃗
𝐹𝛼𝐵 (3.1.4)
𝑑𝑡

3.2 Dynamische Pfadplanung und Bewegungssteuerung in der Fußgängersi-


mulation (Johora, 2017)
Mittels Social-Forces und Jump Point Search Algorithmus hat Johora in ihrer Masterarbeit eine
menschliche Planung und Umsetzung von Routen auf zwei Ebenen beschrieben. Wegen des
Grid-Environments und des Social-Force-Modells funktioniert ihr Modell gut für den Shared-
Space-Bereich (die Verkehrsteilnehmer sollen dort vollständig gleichberechtigt werden). Ba-
sierend auf [17] werden die Social-Forces (Beschleunigungskräfte, Abstoßungskräfte zu ande-
ren Fahrzeugen, Abstoßungskräfte zu den Rändern) ähnlich wie in [20] berechnet. Um alle
aktiven Abstoßungskräfte in Johoras Arbeit zu berechnen, muss der Abstand zwischen Fuß-
gängern oder zwischen Fußgängern und Grenzen zuerst berechnet werden.

3.2.1 Abstand zwischen zwei Fußgängern


Jeder Fußgänger hat einen Radius, um seinen besetzten Platz zu repräsentieren. In Johoras Ar-
beit wird der aktuelle Abstand 𝑑𝛼𝛽 zwischen zwei Fußgängern durch Subtraktion der Summa-
tion ihrer Radien 𝑟𝛼𝛽 aus der Distanz 𝑑⃗⃗⃗⃗⃗ 𝑥𝛽 zwischen ihren aktuellen Positionen berechnet.
𝑥𝛼 ⃗⃗⃗⃗⃗

Diese Berechnung wird in den folgenden Gleichungen formuliert und visualisiert:

𝑟𝛼𝛽 = 𝑟𝛼 + 𝑟𝛽 (3.2.1.1)

𝑑⃗⃗⃗⃗⃗
𝑥𝛼 ⃗⃗⃗⃗⃗ 𝑥𝛼 (𝑡) − ⃗⃗⃗⃗
𝑥𝛽 = ‖ ⃗⃗⃗⃗ 𝑥𝛽 (𝑡)‖ (3.2.1.2)

𝑑𝛼𝛽 = 𝑑⃗⃗⃗⃗⃗ 𝑥𝛽 − 𝑟𝛼𝛽


𝑥𝛼 ⃗⃗⃗⃗⃗ (3.2.1.3)

14
Hier sind ⃗⃗⃗⃗
𝑥𝛼 (𝑡) und ⃗⃗⃗⃗
𝑥𝛽 (𝑡) die aktuellen Positionen der Fußgänger 𝛼 und 𝛽. In Abbildung 10
zeigt die blaue Linie den aktuellen Abstand zwischen den Fußgängern 𝛼 und 𝛽.

Abbildung 10. Abstand zwischen zwei Fußgängern u. zwischen Fußgängern und Grenzen
(nach [6], S. 57f.)
3.2.2 Abstand zwischen Fußgänger und Grenze
Die folgende Formel gibt den minimalen perpendikularen Abstand zwischen eine Position und
einer Linie:

𝑠 = 𝑝 + (𝑒𝑞𝑝 , (𝑥
⃗⃗⃗⃗𝛼 − 𝑝)) ∗ 𝑒𝑞𝑝 (3.2.2.1)

𝑥𝛼 𝐵 = ‖ 𝑠 − ⃗⃗⃗⃗
𝑑⃗⃗⃗⃗⃗ 𝑥𝛼 ‖ (3.2.2.2)
𝑑𝛼𝐵 = 𝑑⃗⃗⃗⃗⃗
𝑥𝛼 𝐵 − 2 ∗ 𝑟𝛼 (3.2.2.3)

Hier sind 𝑝 und 𝑞 die Endpunkte der Linie (siehe Abbildung 10). 𝑠 bezeichnet den perpendi-

kularen Basispunkt auf der Linie und 𝑒𝑞𝑝 ist der normalisierte Vektor, der von p nach q ge-

richtet ist.

3.3 Überholverhalten auf 2+1-Strecken (Irzik, 2009)


Das vorrangige Ziel von Irziks Dissertation ist es, ein Verfahren zur Ermittlung der optimalen
Abschnittslänge von Überholabschnitten von 2+1-Strecken zu entwickeln. Deshalb stellte Irzik
die Grundlagen von Überholmanöver auf 2 + 1 Strecken und Überholtypen zunächst vor.

3.3.1 Überholmanöver auf 2 + 1 Strecken


Der Überholvorgang kann nach ([3], S. 16) in fünf Phasen unterteilt werden:

 Phase 1: „Zwei Fahrzeuge befinden sich hintereinander auf dem gleichen Fahrstreifen.
Das Nachfolgende muss gegebenenfalls seine Geschwindigkeit der des Vorausfahren-
den anpassen“ (nach [3], S. 16).

15
 Phase 2: „Das nachfolgende Fahrzeug schert aus. Nach beginnt diese Phase, sobald das
Fahrzeug sich näher als 25 cm zur Leitlinie bewegt. Mit dem Erreichen des Überhol-
fahrstreifens endet diese Phase“ (nach [3], S. 16).
 Phase 3: „Der Überholende passiert das zu überholende Fahrzeug und verbleibt auf
dem Überholfahrstreifen bis zwischen ihm und dem Überholten ein Sicherheitsabstand
vorhanden ist“ (nach [3], S. 16).
 Phase 4: „Der Überholende schert ein. Das Einscheren endet mit dem Erreichen des in
Fahrtrichtung rechten Fahrstreifens“ (nach [3], S. 16).
 Phase 5: „Beschreibt die Phase nach dem Überholen. Die beteiligten Fahrzeuge setzen
ohne Geschwindigkeitsbeeinflussung ihre Fahrt fort“ (nach [3], S. 16).

3.3.2 Überholtypen
„Ein Überholvorgang besteht mindestens aus einer, kann aber auch aus mehreren Überholun-
gen bestehen. Der Überholvorgang kann auf einbahnig zweistreifigen Außerortsstraßen vier
verschiedenen Überholtypen zugeordnet werden“ (nach [3], S. 16):
 Typ 1 - Einfachüberholung: Genau ein Fahrzeug überholt ein vorausfahrendes Fahr-
zeug (nach [3], S. 16).

Abbildung 11. Einfachüberholung


(Eigene Darstellung, in Anl. an: [8])
 Typ 2 - Aktive Mehrfachüberholung: Genau ein Fahrzeug überholt mehrere Fahr-
zeuge innerhalb einer Zeitlücke (nach [3], S. 16).

16
Abbildung 12. Aktive Mehrfachüberholung
(Eigene Darstellung, in Anl. an: [8])
 Typ 3 - Passive Mehrfachüberholung: Mehrere Fahrzeuge überholen ein Fahrzeug in
derselben Zeitlücke (nach [3], S. 16).

Abbildung 13. Passive Mehrfachüberholung


(Eigene Darstellung, in Anl. an: [8])
 Typ 4 - Doppelüberholung: Ein oder mehrere Fahrzeuge überholen ein oder mehrere
Fahrzeuge (nach [3], S. 16).

Abbildung 14. Doppelüberholung


(Eigene Darstellung, in Anl. an: [8])

3.4 Die mathematische Modellierung der Staubildung (Settgast, 2006)


„Bisher wurde im Nagel-Schreckenberg-Modell nur der einspurige Verkehr betrachtet. Die Er-
weiterung zur Mehrspurigkeit liegt jedoch auf der Hand, allein zur Simulation von Autobah-
nen. Dazu muss man das Nagel-Schreckenberg-Modell um Wechselregeln von [22] erweitern,
die bestimmen, wann ein Fahrzeug die Spur wechselt und wann nicht“ (nach [21], S. 17) .

Zur Darstellung der Überholverhalten der Fahrzeuge wird ein Ansatz in Settgasts Arbeit ent-
wickelt. „Eine typische Umsetzung der Spurwechselregeln ist der folgende Entwurf:

 Die eigene Geschwindigkeit 𝑣 ist höher als die eines vorausfahrenden Fahrzeugs auf
der anderen Spur (𝑣 > 𝑣0,𝑓𝑟𝑜𝑛𝑡 )
 Der Abstand zum vorausfahrenden Fahrzeug (𝑔𝑎𝑝) muss gering sein (𝑔𝑎𝑝 < 1)

17
 Der Abstand zum vorausfahrenden Fahrzeug auf der anderen Spur (𝑔𝑎𝑝0,𝑓𝑟𝑜𝑛𝑡 ) muss
groß genug sein (𝑔𝑎𝑝0,𝑓𝑟𝑜𝑛𝑡 > 𝑙0,𝑓𝑟𝑜𝑛𝑡 )
 Der Abstand zum rückwärtigen Fahrzeug auf der anderen Spur (𝑔𝑎𝑝0,𝑏𝑎𝑐𝑘 ) muss groß
genug sein (𝑔𝑎𝑝0,𝑏𝑎𝑐𝑘 > 𝑙0,𝑏𝑎𝑐𝑘 )
Folgende Grafik fasst die Vorgänge beim Spurwechsel zusammen, für das mit 𝑋 markierte
Fahrzeug sind die zugehörigen Abstände eingezeichnet“ (nach [21], S. 18):

Abbildung 15. Spurwechselregeln


(nach [22], S. 115)

3.5 Realistische mehrspurige Verkehrsregeln für zellulare Automaten (Na-


gel et al. 1997)
Wie eine weitere Entwicklung von [11] stellten Nagel et al. ein erweitertes Modell mit den
hinzugefügten Spurwechselregeln vor.

In Bezug auf das Verhalten „Ausscheren“ wird eine folgende Reihe von Regeln angewendet:

𝑣𝑚𝑎𝑥 > ∆𝑥 − 1 (Ego kann sich nicht so schnell wie möglich bewegen) (3.5.1)
und
∆𝑥 𝑜 ≥ ∆𝑥 (Andere Strecke ist nicht schlechter) (3.5.2)
 𝑣𝑚𝑎𝑥 : Maximale Geschwindigkeit von Ego
 ∆𝑥: Abstand zwischen Ego und Vorderfahrzeug
 ∆𝑥 𝑜 : Abstand zwischen Ego und Vorderfahrzeug auf der anderen Strecke

In Bezug auf das Verhalten „Einscheren“ wird eine folgende Reihe von Regeln angewendet:

𝑣𝑚𝑎𝑥 < ∆𝑥 − 1 − 𝑣𝑜𝑓𝑓 (Niemand auf der linken Spur) (3.5.3)


und
𝑜
𝑣𝑚𝑎𝑥 < ∆𝑥 − 1 − 𝑣𝑜𝑓𝑓 (Niemand auf der rechten Spur) (3.5.4)
 𝑣𝑚𝑎𝑥 : Maximale Geschwindigkeit von Ego
 ∆𝑥: Abstand zwischen Ego und Vorderfahrzeug

18
 ∆𝑥 𝑜 : Abstand zwischen Ego und Vorderfahrzeug auf der anderen Strecke
 𝑣𝑜𝑓𝑓 : Gegebenen Parameter, um Verkehrsfluss oder Verkehrsdichte zu verändern

Wenn die Verkehrsdichte der linken Spur sehr hoch (≈ 1) ist, während die Verkehrsdichte der
rechten Spur sehr gering (≈ 0) ist, die Folge davon ist, dass die Gleichung (3.5.3) nie erfüllt
ist. Deshalb darf der Fahrer nicht einscheren, aber in der Realität kann er einscheren. Um diesen
Effekt zu korrigieren, wird eine andere Reihe von Regeln aber mit sehr geringer Wahrschein-
lichkeit (𝑝 = 0,02) angewendet:
𝑜,𝑏
𝑣𝑚𝑎𝑥 ≤ ∆𝑥 𝑜,𝑏 − 1 (Für das Hinterfahrzeug auf der rechten Spur ) (3.5.5)
und
𝑣 ≤ ∆𝑥 𝑜 − 1 (Genug Abstand auf der rechten Spur) (3.5.6)
𝑜,𝑏
 𝑣𝑚𝑎𝑥 : Maximale Geschwindigkeit von Hinterfahrzeug auf der rechten Spur
 ∆𝑥 𝑜,𝑏 : Abstand zwischen Ego und Hinterfahrzeug auf der rechten Spur
 ∆𝑥 𝑜 : Abstand zwischen Ego und Vorderfahrzeug auf der rechten Spur
 𝑣: Aktuelle Geschwindigkeit von Ego

3.6 Diskussion über Forschungslücken


Erstens sprechen wir über zwei Social-Force-Modelle von Johora [6] und Nguyen et al. [20].
Das Modell von Johora wurde in einer Grid-Umgebung entwickelt, die in dieser Bachelorarbeit
entsprechend angewendet werden könnte. Aber das Verfahren von Fatema wurde noch nicht
in der Domäne von 2+1-Strecken bzw. mehrspurigem Verkehr im Allgemeinen verwendet.
Außerdem ist „Jump Point Search“ Algorithmus in Johoras Arbeit ein Routing-Verfahren. Das
ist nicht relevant mit dieser Bachelorarbeit, da das Ziel (explizit durch „Ende der Strecke“)
bereits existiert. Der Abstand zur Grenze in dieser Bachelorarbeit ist nicht zu betrachten, weil
er explizit ein konstanter Wert ist. Außerdem bedeuten die Social-Force-Modelle mit ihren
Differentialgleichungen für den Fall dieser Arbeit übertriebene Komplexität und Berechnun-
gen, da in der Grid-Umgebung in dieser Arbeit ist alles diskretisiert. Deshalb sollten die neuen
Funktionen zur Feststellung der Social-Forces später erarbeitet werden.

Zudem fokussieren sich zwei Social-Force-Modelle von Johora [6] und Nguyen et al. [20] nur
auf Fußgänger sowie Motorräder. Im Forschungsbereich für Verkehrssimulation gibt es auch
wenige andere Social-Force-Modelle, die sich auf Fahrzeuge fokussieren. Das ist erste For-
schungslücke, die diese Arbeit füllen sollte, indem die Arbeit ein Social-Force-Modell für
Fahrzeuge in Grid-Umgebungen entwickeln sollte.

19
Zweitens diskutieren wir über die Arbeit von Irzik [3], in der er die Grundlagen von Überhol-
typen und Überholmanöver auf 2 + 1 Strecken beschrieb. Das ist hilfreich für diese Arbeit, um
ein Social-Force-Modell für Fahrzeuge in Grid-Umgebungen zu entwickeln, das sich auf die
Überholverhalten auf den 2+1-Strecken fokussiert.

Drittens sprechen wir über zwei Modelle von Settgast [21] und Nagel et al. [23], die basierend
auf klassisches Nagel-Schreckenberg-Modell [11] sind. Im Modell von Nagel et al. gibt es zwei
Beschränkungen. Erstens benutzt dieses Modell nur den Parameter „absolute Geschwindig-
keit“. Es gibt keinen Vergleich zwischen zwei Fahrzeugen zueinander. In einigen Fällen wird
das Modell daher die Realität nicht richtig widerspiegeln. Zum Beispiel: Selbst wenn die Glei-
chung 𝑣𝑚𝑎𝑥 > ∆𝑥 − 1 erfüllt ist, aber in der Realität bedeutet sie auch nicht: „Ego kann sich
nicht so schnell wie möglich bewegen“. In vielen Fällen ist Ego langsamer als Vorderfahrzeug
(die relative Geschwindigkeit ist negativ), hat es noch Möglichkeit, um sich so schnell wie
möglich zu bewegen, weil das Modell in diskreten Zeitschritten funktioniert. Deshalb hat es
auch keinen Bedarf, um auszuscheren. Das Modell von Settgast hat auch ähnliche Beschrän-
kung. Deshalb benutzt das Modell dieser Bachelorarbeit die relative Geschwindigkeit als Pa-
rameter, um die Realität besser widerzuspiegeln. Zweitens wird nur eine bestimmte Wahr-
scheinlichkeit (𝑝 = 0,02) im Modell von Nagel et al. verwendet. Sie ist nicht exakt für alle
Szenarien, weil die Verkehrsdichte in jeder Stadt oder in jedem Land unterschiedlich ist.

Das Modell von Settgast beschrieb nur das Ausscheren-Verhalten und benutzte sogar keine
Wahrscheinlichkeit-Methode. Das ist zweite Forschungslücke, die diese Arbeit füllen sollte,
weil es viele Vorteile gibt, wenn die Wahrscheinlichkeit-Methode zur Steuerung der Fahrzeuge
angewendet wird. Mit der Methode Fitness Proportionate Selection kommt man mit weniger
Regeln als Multi-Lane-Nagel-Schreckenberg-Modell aus, da man die Fitness Proportionate
Selection nutzen kann, um aus- und einscheren zu steuern. Außerdem bei der Fitness Propor-
tionate Selection ist es angenehmer, das Modell dieser Bachelorarbeit in der Zukunft zu erwei-
tern. Zum Beispiel kann man bei der Fitness Proportionate Selection einfach Fahrzeugeigen-
schaften in die Wahrscheinlichkeit mit einfließen lassen.

Deshalb wird das Modell dieser Bachelorarbeit die Wahrscheinlichkeit als Parameter flexibler
benutzen. Die Wahrscheinlichkeiten werden durch die Funktionen berechnet, die abhängig von

20
den Parametern wie Abständen und relativen Geschwindigkeiten sind. Anhand dieser Wahr-
scheinlichkeiten wird der Fahrer sich mithilfe der Methode „Fitness Proportionate Selection“
dafür entscheiden, ob er ausscheren, einscheren oder geradeaus fahren sollte.

Zum Schluss beschreiben die Modelle von Settgast [21] und Nagel et al. [23] die Fahrverhalten
auf den zweispurigen Strecken. Nach dem Ausscheren hat der Fahrer daher weniger Motiva-
tion, um einzuscheren. Es ist anders im Vergleich mit dem Modell dieser Arbeit. Auf der 2+1-
Strecke muss der Fahrer nach dem Ausscheren so früh wie möglich einscheren, bevor die Über-
holspur beendet ist.

Um diese Forschungslücken zu füllen, soll ein neues Modell im Kapitel 4 vorgestellt werden.
In dem klassischen Nagel-Schreckenberg-Modell beim Schritt 2 kann man sehen, dass Fahr-
zeuge nicht überholen, sondern abbremsen (siehe Abbildung 16). Wenn man im Modell dieser
Arbeit den Angriffspunkt trifft, dann sollten die Fahrzeuge die Wahrscheinlichkeit berechnen,
damit sie nicht abbremsen müssen, sondern überholen können. Das heißt: Die Wahrscheinlich-
keit nach links auszuscheren muss größer sein als abzubremsen. Die Social-Forces, die das
Fahrzeug entweder mehr auf die linke, mittlere oder rechte Spur ziehen, könnte man durch
relative Geschwindigkeiten und Abständen zueinander bestimmen. Dann können die konkreten
Kraftpfeile, den das Fahrzeug folgt, per Fitness Proportionate Selection bestimmt werden.

Abbildung 16. Diagramm des klassischen Nagel-Schreckenberg-Modells


(Eigene Darstellung basierend auf EPK Modelle von ARIS Express)

21
4 Das Social-Force-Vehicle-Modell

In diesem Modell wird die Grid-Umgebung verwendet. Die Akteure werden als Fahrzeuge be-
stimmt und sie können die Kräfte in Zellen wahrnehmen. Während ein Fahrzeug in der Realität
auf der Straße fährt, dürfte es in die mit X markierten Zellen nicht fahren (zum Beispiel das
Verhalten „rückwärtsfahren“ ist verboten). Daher ist es sinnvoll, wenn dieses Modell nur drei
Zellen, die vor dem Ego liegen, in jedem Zeitschritt betrachtet. Das Modell berechnet die ent-
sprechenden Kräfte (die roten Pfeile – siehe Abbildung 17), die für entsprechende Verhalten
Ausscheren/Geradeausfahren/Einscheren relevant sind.

Abbildung 17. Social-Forces in Zellen


(Eigene Darstellung, in Anl. an: [14], S. 3)

Diese Kräfte (Social-Forces) können durch die relative Geschwindigkeit und den Abstand zwi-
schen zwei Fahrzeugen berechnet werden. Die Auswahl der Ziel-Zelle wird per Fitness Pro-
portionate Selection ausgeführt. Die Fahrzeuge werden die Zelle mit der größten Kraft am war-
scheinlichsten wählen. Weil das Modell diskret ist, muss dieser Auswahl-Prozess in jedem
Zeitschritt wiederholt werden. Die Position des Fahrzeugs zu einem Zeitpunkt 𝑡 nur von der
Position des Fahrzeugs zu einem Zeitpunkt (𝑡 − 1) abhängt und nicht von früheren Zeitpunk-
ten. Deshalb entspricht der Selektionsprozess des Modells einer Markov-Kette.

22
4.1 Diagramm des Social-Force-Vehicle-Modells
In diesem Unterabschnitt wird beschrieben, wie der Überblick des Modells aussieht und wie
das Modell funktioniert.

Abbildung 18. Diagramm des Social-Force-Vehicle-Modells


(Eigene Darstellung basierend auf EPK Modelle von ARIS Express)

Für die Fahrverhalten auf der Hauptspur, die im Unterabschnitt 4.2 betrachtet werden: Nach-
dem der Fahrer sich beschleunigt hat, berechnet er die relative Geschwindigkeit zum Vorder-
fahrzeug. Wenn diese positiv ist, kann er das Sicherheitskriterium für Ausscheren prüfen. Sonst
wird er die Wahrscheinlichkeit zum Trödeln prüfen und dann geradeaus fahren. Falls dieses
Kriterium nicht erfüllt ist, wird er auch die Wahrscheinlichkeit zum Trödeln prüfen und dann
geradeaus fahren. Wenn dieses Kriterium erfüllt ist, kann er die Funktionen für Fahrzeuge auf

23
der Hauptspur verwenden, um zu checken, ob er per Fitness-Selection-Proportionate aussche-
ren, einscheren oder geradeaus fahren sollte.

Für die Fahrverhalten auf der Überholspur, die im Unterabschnitt 4.3 betrachtet werden: Nach-
dem der Fahrer ausgeschert hat, kann er das Sicherheitskriterium für Einscheren prüfen. Falls
dieses Kriterium nicht erfüllt ist, wird er geradeaus fahren. Wenn dieses Kriterium erfüllt ist,
berechnet er die relative Geschwindigkeit zum überholten Fahrzeug. Falls diese negativ ist,
muss er geradeausfahren. Falls diese positiv ist, kann er die Funktionen für Fahrzeuge auf der
Überholspur verwenden, um zu checken, ob er per Fitness-Selection-Proportionate einscheren,
ausscheren oder geradeaus fahren sollte. Nachdem der Fahrer eingeschert hat, beschleunigt er
sich und eine neue Schleife beginnt. In folgenden Unterabschnitten werden die Funktionen für
Fahrzeuge auf der Hauptspur sowie auf der Überholspur vertieft.

4.2 Fahrverhalten auf der Hauptspur


Wenn man in der Realität das Verhalten „Ausscheren“ betrachtet, ist es nicht nur relevant zwi-
schen Ego und Vorderfahrzeug zu unterscheiden, sondern es gibt auch viele zufällige Faktoren
wie die anderen Fahrzeuge auf der Überholspur zu betrachten. Deshalb müssen einige Sicher-
heitskriterien dafür zunächst geprüft werden, bevor man die Funktionen für Fahrzeuge auf der
Hauptspur im Unterabschnitt 4.2.2 verwendet.

4.2.1 Sicherheitskriterium für Ausscheren


Zum Ausscheren sollen der relative Sicherheitsabstand 𝑠′ zum Vorderfahrzeug und der relative
Sicherheitaabstand 𝑠 ′′ zum Hinterfahrzeug auf der Überholspur zunächst berechnet werden.

 Der relative Sicherheitsabstand 𝑠′: Der Abstand zwischen der virtuellen Abbildung
vom Ego und dem Vorderfahrzeug auf der Überholspur (siehe Abbildung 19).
 Der relative Sicherheitsabstand 𝑠′′: Der Abstand zwischen der virtuellen Abbildung
vom Ego und dem Hinterfahrzeug auf der Überholspur (siehe Abbildung 19).

Abbildung 19. Relativer Sicherheitsabstand

24
(Eigene Darstellung)

Wenn beide nachfolgenden Bedingungen erfüllt sind, dann werden die Funktionen für Fahr-
zeuge auf der Hauptspur (im Unterabschnitt 4.2.2) angewendet. Sonst fährt das Fahrzeug ein-
fach weiter geradeaus.

𝑠 ′ > 𝑥′ (4.2.1.1)
und
𝑠 ′′ + 2 > 𝑥′′ (4.2.1.2)
Erster Gleichung (4.2.1.1) mit 𝑥 ′ = |𝑣′| ∗ 𝑡 : Man kann sagen, 𝑥 ′ ist der Abstand in einem
Zeitschritt 𝑡, der aus der relativen Geschwindigkeit 𝑣′ zwischen Ego und Vorderfahzeug auf
der Überholspur hergeleitet wird. Mit dieser Bedingung kann der relative Sicherheitsabstand
zum Vorderfahrzeug auf der Überholspur gesichert werden, um die Kollision zu vermeiden.
Anhand der Abbildung 19 wird es angenommen: Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3 und das lila
Vorderfahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2 → 𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 = 3 − 2 = 1. Für das rote Fahrzeug ist der relative
Sicherheitsabstand zum lila Vorderfahrzeug auf der Überholspur 𝑠 ′ = 3. Da 𝑠 ′ = 3 > 𝑥 ′ =
𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 ∗ 1 = 1 ∗ 1 = 1 → Es ist sicher, wenn das rote Fahrzeug ausschert.

Aber wenn das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 8 → 𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 = 8 − 2 = 6. Da 𝑠 ′ = 3 <


𝑥 ′ = 𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 ∗ 1 = 6 ∗ 1 = 6 → Es ist nicht sicher, wenn das rote Fahrzeug ausschert. Eine
Kollision kann passiert.

Zweiter Gleichung (4.2.1.2) mit 𝑥 ′′ = 𝑣𝐻𝑖𝑛𝑡𝑒𝑟𝑓𝑎ℎ𝑟𝑧𝑒𝑢𝑔 ∗ 𝑡 : Man kann sagen: 𝑥 ′′ ist der Ab-
stand in einem Zeitschritt 𝑡, der aus der Geschwindigkeit des Hinterfahrzeugs auf der Überhol-
spur 𝑣𝐻𝑖𝑛𝑡𝑒𝑟𝑓𝑎ℎ𝑟𝑧𝑒𝑢𝑔 hergeleitet wird. Mit dieser Bedingung kann der relative Sicherheitsab-
stand zum Hinterfahrzeug auf der Überholspur gesichert werden, um die Kollision zu vermei-
den.

Anhand der Abbildung 19 wird es angenommen: Das lila Hinterfahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2. Für das
rote Fahrzeug ist der relative Sicherheitsabstand zum lila Hinterfahrzeug auf der Überholspur
𝑠 ′′ = 1. Da 𝑠 ′′ + 2 = 3 > 𝑥 ′′ = 𝑣𝑙𝑖𝑙𝑎 ∗ 1 = 2 ∗ 1 = 2 → Es ist sicher, wenn das rote Fahrzeug
ausschert. Da in einem Zeitschritt kann das lila Hinterfahrzeug sich nur 2 Zellen bewegen, dann
schert das rote Fahrzeug gleichzeitig sicher zur nächsten Zelle aus (siehe Abbildung 20). Die
Zahl „2“ in Gleichung 𝑠 ′′ + 2 > 𝑥′′ spielt eine sehr wichtige Rolle, damit wenn die Gleichung
erfüllt ist, erreicht das Hinterfahrzeug das Ego nie, falls Ego ausschert.

25
Abbildung 20. Ausscheren kann passieren
(Eigene Darstellung)

Aber wenn das lila Hinterfahrzeug 𝑣𝑙𝑖𝑙𝑎 = 3 hat, dann ist diese Bedingung nicht mehr erfüllt.
Da 𝑠 ′′ + 2 = 3 = 𝑥 ′′ = 𝑣𝑙𝑖𝑙𝑎 ∗ 1 = 3 ∗ 1 = 3 → Es ist nicht sicher, wenn das rote Fahrzeug
ausschert. In einem Zeitschritt kann das lila Hinterfahrzeug sich 3 Zellen bewegen. Wenn das
rote Fahrzeug gleichzeitig zur nächsten selben Zelle ausschert, passiert eine Kollision (siehe
Abbildung 21).

Abbildung 21. Wegen Kollision kann Ausscheren nicht passieren


(Eigene Darstellung)

4.2.2 Funktionen für Fahrzeuge auf der Hauptspur


Der Abstand 𝑎 zum Vorderfahrzeug und die relative Geschwindigkeit 𝑣 zwischen Ego und
Vorderfahrzeug sollen hier betrachtet werden:

- Falls 𝑣 positiv ist:

 𝑥 ≥ 𝑎: 𝑥 = 𝑣 ∗ 𝑡. Man kann sagen, 𝑥 ist der Abstand in einem Zeitschritt 𝑡, der aus der
relativen Geschwindigkeit 𝑣 zwischen Ego und Vorderfahzeug hergeleitet wird. Wir
sind schneller als Vorderfahrzeug und der Abstand zum Vorderfahrzeug ist nicht genug
→ Meistens ausscheren
 𝑥 < 𝑎: Wir sind schneller als Vorderfahrzeug aber der Abstand zum Vorderfahrzeug
ist immer noch genug → Keinen Bedarf oder Sinn um auszuscheren

26
→ Die Idee ist: Eine e-Funktion in Abhängigkeit des Abstandes und Geschwindigkeit, die (1 −
𝑎 𝑎
) enthält, sollte erarbeitet werden. Es is einfach zu sehen, dass wenn 𝑥 ≥ 𝑎 → (1 − 𝑣 ) ≥ 0
𝑣

und vice versa. Der Wert einer e-Funktion wird sich sehr schnell auf +∞ erhöhen, wenn
𝑎 𝑎
(1 − 𝑣 ) ≥ 0 und er wird sich sehr schnell bis null verringern, wenn (1 − 𝑣 ) < 0, deshalb

verläuft die Wahrscheinlichkeit nicht linear und eine e-Funktion wird gut zum Modell passen.
(siehe Gleichung 4.2.2.1)

- Falls 𝑣 negativ ist: Wir sind langsamer als Vorderfahrzeug → Keinen Bedarf oder Sinn um
auszuscheren. Es ist trivial zu bestimmen: 𝑝1 = 𝑝3 = 0% (Wahrscheinlichkeit zum Aussche-
ren/Einscheren) und 𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren).

Fazit: Deshalb werden die folgenden Funktionen für nur die Fälle verwendet, die positives 𝑣
haben.

Abbildung 22. Social-Forces für Fahrzeuge auf der Hauptspur


(Eigene Darstellung)
Die erste Funktion, um die Social-Force zum Ausscheren (𝑓1 ) zu berechnen:

𝑎
𝜆(1 − )
𝑓1 (𝑎, 𝑣, 𝜆) = 𝑒 𝑣+𝜉 (4.2.2.1)

 𝑎: Abstand zum Vorderfahrzeug (𝑎 ≥ 0)


 𝑣: Relative Geschwindigkeit zwischen Ego und Vorderfahrzeug (𝑣 ≥ 0)
 𝜆: 𝜆 = 10 wird für besseres Skala ausgewählt (Es hilft, dass Wert der Funktion sich
𝑎
sehr schnell erhöhen wird, wenn (1 − 𝑣 ) ≥ 0 und sich sehr schnell bis null verringern
𝑎
wird, wenn (1 − 𝑣 ) < 0)

 𝜉: Ein sehr kleiner positiver Wert, damit die Division durchzuführen ist, selbst wenn
𝑣 = 0 ist

27
Besonderer Fall: Wenn das Fahrzeug noch nicht den Überholabschnitt erreicht, heißt das: Es
befindet sich noch auf der einstreifigen Vorlaufstrecke. Die Fahrzeuge, die sich auf der Strecke
in Gegenrichtung befinden, werden auch als „Hindernisse“ betrachtet. Deshalb kann diese
Kraft als null bewertet werden: 𝑓1 = 0.

Die zweite Funktion, um die Social-Force zum Geradeausfahren (𝑓2 ) zu berechnen:

𝑎
𝑓2 (𝑎, 𝑣, 𝜆) = (4.2.2.2)
𝜆(𝑣+0,1)

 𝑎: Abstand zum Vorderfahrzeug (𝑎 ≥ 0)


 𝑣: Relative Geschwindigkeit zwischen Ego und Vorderfahrzeug (𝑣 ≥ 0)
 𝜆: 𝜆 = 10 wird für besseres Skala ausgewählt (Es hält Wert der Funktion nicht zu groß)

Die dritte Funktion für die Social-Force zum Einscheren (𝑓3 ) (Kraft zu Rändern): Die Ränder
werden als „Hindernisse“ betrachten. Deshalb kann sie als null bewertet werden:

𝑓3 = 0 (4.2.2.3)

4.3 Fahrverhalten auf der Überholspur


Analog wie im Unterabschnitt 4.2, müssen einige Sicherheitskriterien dafür zunächst geprüft
werden, bevor man die Funktionen für Fahrzeuge auf der Überholspur im Unterabschnitt 4.3.2
verwendet.

4.3.1 Sicherheitskriterium für Einscheren


𝑥 = 𝑣 ∗ 𝑡 ≤ 𝑎 (4.3.1)
 𝑎: Abstand zwischen Ego und Vorderfahrzeug/Rand auf der Überholspur (𝑎 ≥ 0)
 𝑣: Relative Geschwindigkeit zwischen Ego und Vorderfahrzeug auf der Überholspur
 𝑥: Der Abstand in einem Zeitschritt 𝑡, der aus der relativen Geschwindigkeit 𝑣 zwischen
Ego und Vorderfahzeug auf der Überholspur hergeleitet wird.

Anhand dieser Vorbedingung kann man sagen, wenn man langsamer als Vorderfahrzeug (𝑣 ist
negativ → 𝑥 = 𝑣 ∗ 𝑡 ist immer kleiner als 𝑎) ist oder wenn man schneller als Vorderfahrzeug
ist aber der Abstand zum Vorderfahrzeug ist groß genug (𝑣 ist positiv aber 𝑥 = 𝑣 ∗ 𝑡 ≤ 𝑎),
dann ist es sicher für die Ausführung der nächsten Schritte (im Unterabschnitt 4.3.2), mit denen
kann man sich entscheiden, ob man einscheren dürfte oder nicht.

Es ist anders im Vergleich zum Modell von Nagel et al. [23], wenn diese Vorbedingung im
Kontext „hohe Verkehrsdichte“ noch gut funktioniert. Zum Beispiel: Auf einer Strecke mit

28
sehr hoher Verkehrsdichte (𝑎 = 0) haben beide Ego und Vorderfahrzeug die absolute Ge-
schwindigkeit 𝑉 = 0 → 𝑣 = 0). Die Vorbedingung 𝑥 = 𝑣 ∗ 𝑡 ≤ 𝑎 ist noch immer erfüllt und
Ego hat noch Chance, um einzuscheren.

4.3.2 Funktionen für Fahrzeuge auf der Überholspur

Zwei folgende Größen sollen betrachtet werden:


 Der relative Abstand 𝑎′ : Der Abstand zwischen der virtuellen Abbildung vom Ego
und dem Vorderfahrzeug auf der Hauptspur (siehe Abbildung 23).
 Die relative Geschwindigkeit 𝑣′ zwischen Ego und überholtem Fahrzeug auf der
Hauptspur.

Abbildung 23. Relativer Abstand a‘


(Eigene Darstellung)
- Falls 𝑣′ positiv ist:

 𝑥′ ≥ 𝑎′: 𝑥′ = 𝑣′ ∗ 𝑡. Man kann sagen, 𝑥′ ist der Abstand in einem Zeitschritt 𝑡, der aus
der relativen Geschwindigkeit 𝑣′ zwischen Ego und überholtem Fahrzeug auf der
Hauptspur hergeleitet wird. Wir sind schneller als überholtes Fahrzeug auf der Haupt-
spur aber der Sicherheitsabstand zum Vorderfahrzeug auf der Hauptspur ist nicht genug
→ Meistens geradeaus fahren.
 𝑥′ < 𝑎′: Wir sind schneller als überholtes Fahrzeug auf der Hauptspur und der Sicher-
heitsabstand zum Vorderfahrzeug auf der Hauptspur ist genug → Meistens einscheren.

→ Die Idee ist: Eine e-Funktion in Abhängigkeit des Abstandes und Geschwindigkeit, die (1 −
𝑣′ 𝑣′
) enthält, sollte erarbeitet werden. Es is einfach zu sehen, dass wenn 𝑥 ′ ≥ 𝑎′ → (1 − 𝑎′ ) ≤ 0
𝑎′

und vice versa. Der Wert einer e-Funktion wird sich sehr schnell auf +∞ erhöhen, wenn
𝑣′ 𝑣′
(1 − 𝑎′) ≥ 0 und er wird sich sehr schnell bis null verringern, wenn (1 − 𝑎′) < 0, deshalb

29
verläuft die Wahrscheinlichkeit nicht linear und eine e-Funktion wird gut zum Modell passen.
(siehe Gleichung 4.3.2.3)

- Falls 𝑣′ negativ ist: Wir sind langsamer als Vorderfahrzeug auf der Hauptspur → Keinen Be-
darf oder Sinn, um einzuscheren. Es ist trivial zu bestimmen: 𝑝3 = 𝑝1 = 0% (Wahrscheinlich-
keit zum Einscheren/Ausscheren) und 𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfah-
ren).

Fazit: Deshalb werden die folgenden Funktionen für nur die Fälle verwendet, die positives 𝑣′
haben.

Abbildung 24. Social-Forces für Fahrzeuge auf der Überholspur


(Eigene Darstellung)
Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): Die Fahrzeuge, die sich auf der Strecke in Gegenrichtung befinden, werden auch als
„Hindernisse“ betrachtet. Deshalb kann diese Kraft als null bewertet werden:

ℎ1 = 0 (4.3.2.1)

Die zweite Funktion, um die Social-Force zum Geradeausfahren (ℎ2 ) zu berechnen:

𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) = (4.3.2.2)
𝜆(𝑎′+0,1)

 𝑎′: Relativer Abstand zum Vorderfahrzeug auf der Hauptspur(𝑎′ ≥ 0)


 𝑣′: Relative Geschwindigkeit zwischen Ego und überholtem Fahrzeug auf der Haupt-
spur (𝑣′ ≥ 0)
 𝜆: 𝜆 = 10 wird für besseres Skala ausgewählt (Es hält Wert der Funktion nicht zu groß)

Die dritte Funktion, um die Social-Force zum Einscheren (ℎ3 ) zu berechnen:

𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔) (4.3.2.3)

30
 𝑎′: Relativer Abstand zum Vorderfahrzeug auf der Hauptspur(𝑎′ ≥ 0)
 𝑣′: Relative Geschwindigkeit zwischen Ego und überholtem Fahrzeug auf der Haupt-
spur (𝑣′ ≥ 0)
 𝜆: 𝜆 = 10 wird für besseres Skala ausgewählt (Es hilft, dass Wert der Funktion sich
𝑣′
sehr schnell erhöhen wird, wenn (1 − 𝑎′ ) ≥ 0 und sich sehr schnell bis null verringern
𝑣′
wird, wenn (1 − 𝑎′ ) < 0)

 𝜔: Ein sehr kleiner positiver Wert, damit die Division durchzuführen ist, selbst wenn
𝑎′ = 0 ist

Wenn der Abstand zum Rand gering ist:

𝑥𝑚𝑎𝑥 = 𝑣𝑚𝑎𝑥 ∗ 𝑡 ≥ 𝑎𝑅 (4.3.2.4)

 𝑣𝑚𝑎𝑥 : Maximale Geschwindigkeit von Ego


 𝑎𝑅 : Abstand zum Rand (siehe Abbildung 25)

Abbildung 25. Abstand zum Rand


(Eigene Darstellung)
dann muss der Fahrer tendenziell einscheren. Falls er nicht einscheren kann, dann muss er ab-
bremsen.

31
5 Evaluierung

In diesem Kapitel werden die unterschiedlichen Szenarien betrachtet. Für jedes Szenario wird
eine Erwartung auch festgelegt. Anhand des Modells im Kapitel 4 werden die entsprechenden
Daten berechnet. Die wichtigste Frage im Kapitel 5 ist: Wie sollen die Szenarien aussehen?
Um diese Frage zu beantworten, soll eine Fahrzeugkonfiguration zunächst festgelegt werden:

 Anzahl der Fahrzeuge: 3


 Größe der Grid-Umgebung: 3 x 10 (Zellen)
 Geschwindigkeiten der Fahrzeuge: Sie werden zufällig gesetzt

Für jedes Szenario sollen 3 folgende Beispiele immer betrachtet werden:

1. Ein Beispiel für Fahrzeuge, die sehr dicht zusammen sind (Abstand = 0)
2. Ein typisches Beispiel mit Abstand = 2
3. Ein Beispiel für Fahrzeuge, die zu weit weg sind

Mit insgesamt 16 Beispielen kann die wichtigsten Szenarien des Modells abgedeckt werden.
Wenn die berechneten Ergebnisse zu den vorgestellten Erwartungen in jedem Szenario passen,
funktioniert das Modell gut.

5.1 Szenario 1
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)

Abbildung 26. Szenario 1A


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 1

→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 3 − 1 = 2 (positiv)

32
→ Sicherheitskriterium für Ausscheren kann weiter geprüft werden.

Sicherheitskriterium für Ausscheren prüfen:


{ ′′𝑠 > 𝑥′
𝑠 + 2 > 𝑥′′

Es gibt kein Vorderfahrzeug auf der Überholspur → 𝑠 ′ = +∞ > 𝑥′ (trivial).

Es gibt ein Hinterfahrzeug auf der Überholspur mit 𝑠 ′′ = 0 → 𝑠 ′′ + 2 = 0 + 2 = 2

Das lila Hinterfahrzeug hat 𝑣𝐻𝑖𝑛𝑡𝑒𝑟𝑓𝑎ℎ𝑟𝑧𝑒𝑢𝑔 = 1

→ 𝑠 ′′ + 2 = 2 > 𝑥 ′′ = 𝑣𝐻𝑖𝑛𝑡𝑒𝑟𝑓𝑎ℎ𝑟𝑧𝑒𝑢𝑔 ∗ 1 = 1 ∗ 1 = 1

Beide Bedingungen sind erfüllt → Funktionen für Fahrzeug auf der Hauptspur können weiter
angewendet werden.

Tabelle 1. Erwartung (Szenario 1A)

𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2 → Das rote Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎 = 0 → Für das
rote Fahrzeug ist der Abstand zum Vorderfahrzeug sehr gering → Es wird erwartet, dass das
rote Fahrzeug ausscheren wird.

Funktionen für Fahrzeug auf der Hauptspur:

Die erste Funktion, um die Social-Force zum Ausscheren (𝑓1 ) zu berechnen:


𝑎
𝜆(1 − )
𝑓1 (𝑎, 𝑣, 𝜆) = 𝑒 𝑣+𝜉

Die zweite Funktion, um die Social-Force zum Geradeausfahren (𝑓2 ) zu berechnen:

𝑎
𝑓2 (𝑎, 𝑣, 𝜆) =
𝜆(𝑣 + 0,1)

 𝑎: Abstand zum Vorderfahrzeug (𝑎 = 0)


 𝑣: Relative Geschwindigkeit zwischen Ego und Vorderfahrzeug (𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2)
 𝜆: 𝜆 = 10

33
 𝜉: Ein sehr kleiner positiver Wert

Die dritte Funktion für die Social-Force zum Einscheren (𝑓3 ) (Kraft zu Rändern): 𝑓3 = 0.

Tabelle 2. Die Social-Forces werden berechnet (Szenario 1A)

Tabelle 3. Die Wahrscheinlichkeiten werden berechnet (Szenario 1A)

Anhand des Ergebnisses kann man sagen:

 𝑝1 = 100% Wahrscheinlichkeit zum Ausscheren


 𝑝2 = 0% Wahrscheinlichkeit zum Geradeausfahren
 𝑝3 = 0% Wahrscheinlichkeit zum Einscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Ausscheren“ immer ausgewählt.


Das passt zu unserer Erwartung auch.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

34
Es gibt kein Vorderfahrzeug auf der Überholspur → 𝑥 = 𝑣 ∗ 𝑡 ≤ 𝑎 = +∞ (trivial) → Das Si-
cherheitskriterium für Einscheren ist erfüllt.

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 1 − 3 = −2 (negativ) → Keinen Bedarf oder Sinn um einzuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

B. Typisches Beispiel mit Abstand = 2

Abbildung 27. Szenario 1B


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 1-A)

Sicherheitskriterium für Ausscheren prüfen:

Analog (siehe Szenario 1-A)

Tabelle 4. Erwartung (Szenario 1B)

𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2 → Das rote Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎 = 2 → Für das
rote Fahrzeug ist der Abstand zum Vorderfahrzeug ein bisschen gering → Es wird erwartet,
dass das rote Fahrzeug ausscheren wird.

35
Funktionen für Fahrzeug auf der Hauptspur:

Analog (siehe Szenario 1-A)

Tabelle 5. Die Social-Forces werden berechnet (Szenario 1B)

Tabelle 6. Die Wahrscheinlichkeiten werden berechnet (Szenario 1B)

Anhand des Ergebnisses kann man sagen:

 𝑝1 = 91,32% Wahrscheinlichkeit zum Ausscheren


 𝑝2 = 8,68% Wahrscheinlichkeit zum Geradeausfahren
 𝑝3 = 0% Wahrscheinlichkeit zum Einscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Ausscheren“ meist ausgewählt.


Das passt zu unserer Erwartung auch.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

36
Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 1 − 3 = −2 (negativ) → Keinen Bedarf oder Sinn um einzuscheren→ 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

C. Fahrzeuge sind zu weit weg

Abbildung 28. Szenario 1C


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 1-A)

Sicherheitskriterium für Ausscheren prüfen:

Analog (siehe Szenario 1-A)

Tabelle 7. Erwartung (Szenario 1C)

𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2 → Das rote Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎 = 5 → Für das
rote Fahrzeug ist der Abstand zum Vorderfahrzeug groß genug → Es wird erwartet, dass das
rote Fahrzeug geradeausfahren wird.

Funktionen für Fahrzeug auf der Hauptspur:

Analog (siehe Szenario 1-A)

37
Tabelle 8. Die Social-Forces werden berechnet (Szenario 1C)

Tabelle 9. Die Wahrscheinlichkeiten werden berechnet (Szenario 1C)

Anhand des Ergebnisses kann man sagen:

 𝑝1 = 0,01% Wahrscheinlichkeit zum Ausscheren


 𝑝2 = 99,99% Wahrscheinlichkeit zum Geradeausfahren
 𝑝3 = 0% Wahrscheinlichkeit zum Einscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Geradeausfahren“ meist ausge-


wählt. Das passt zu unserer Erwartung auch.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3

38
→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 1 − 3 = −2 (negativ) → Keinen Bedarf oder Sinn um einzuscheren → 𝑝2 =
100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

5.2 Szenario 2
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)

Abbildung 29. Szenario 2A


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2

→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 1 − 2 = −1 (negativ) → Keinen Bedarf oder Sinn um auszuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das rote Fahrzeug fährt geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 4 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 1

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 4 − 1 = 3 (positiv)

→ Funktionen für Fahrzeug auf der Überholspur können weiter angewendet werden

39
Tabelle 10. Erwartung (Szenario 2A)

𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 3 → Das lila Fahrzeug ist schneller als das rote Fahrzeug und 𝑎′ = 0 → Für das
lila Fahrzeug ist der Abstand zum Vorderfahrzeug auf unterer Strecke sehr gering → Es wird
erwartet, dass das lila Fahrzeug geradeausfahren wird.

Funktionen für Fahrzeug auf der Überholspur:

Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.

Die zweite Funktion, um die Social-Force zum Geradeausfahren (ℎ2 ) zu berechnen:

𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)

Die dritte Funktion, um die Social-Force zum Einscheren (ℎ3 ) zu berechnen:

𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)

 𝑎′: Relativer Abstand zum Vorderfahrzeug auf unterer Strecke (𝑎′ = 0)


 𝑣′: Relative Geschwindigkeit zwischen Ego und überholtem Fahrzeug auf unterer
Strecke (𝑣 ′ = 3)
 𝜆: 𝜆 = 10
 𝜔: Ein sehr kleiner positiver Wert

40
Tabelle 11. Die Social-Forces werden berechnet (Szenario 2A)

Tabelle 12. Die Wahrscheinlichkeiten werden berechnet (Szenario 2A)

Anhand des Ergebnisses kann man sagen:

 𝑝3 = 0,01% Wahrscheinlichkeit zum Einscheren


 𝑝2 = 99,99% Wahrscheinlichkeit zum Geradeausfahren
 𝑝1 = 0% Wahrscheinlichkeit zum Ausscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Geradeausfahren“ meist ausge-


wählt. Das passt zu unserer Erwartung auch.

B. Typisches Beispiel mit Abstand = 2

Abbildung 30. Szenario 2B


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2

→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 1 − 2 = −1 (negativ) → Keinen Bedarf oder Sinn um auszuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das rote Fahrzeug fährt geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

41
Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 2-A)

Funktionen für Fahrzeug auf der Überholspur:

Analog (siehe Szenario 2-A)

→ Das lila Fahrzeug fährt weiter geradeaus.

C. Fahrzeuge sind zu weit weg

Abbildung 31. Szenario 2C


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2

→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 1 − 2 = −1 (negativ) → Keinen Bedarf oder Sinn um auszuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das rote Fahrzeug fährt geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

42
Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 2-A)

Funktionen für Fahrzeug auf der Überholspur:

Analog (siehe Szenario 2-A)

→ Das lila Fahrzeug fährt weiter geradeaus.

5.3 Szenario 3
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)

Abbildung 32. Szenario 3A


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 6 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 3

→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 6 − 3 = 3 (positiv)

→ Sicherheitskriterium für Ausscheren kann weiter geprüft werden.

Sicherheitskriterium für Ausscheren prüfen:


{ ′′𝑠 > 𝑥′
𝑠 + 2 > 𝑥′′

Die relative Geschwindigkeit zwischen dem roten Fahrzeug und dem lila Fahrzeug ist:
𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 = 𝑣𝑟𝑜𝑡 − 𝑣𝑙𝑖𝑙𝑎 = 6 − 6 = 0

Es gibt ein lila Vorderfahrzeug auf der Überholspur mit 𝑠 ′ = 1

→ 𝑠 ′ = 1 > 𝑥 ′ = 𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 ∗ 1 = 0 ∗ 1 = 0

Es gibt kein Hinterfahrzeug auf der Überholspur → 𝑠 ′′ = +∞ + 2 > 𝑥′′ (trivial)

43
Beide Bedingungen sind erfüllt → Funktionen für Fahrzeug auf der Hauptspur können weiter
angewendet werden.

Tabelle 13. Erwartung (Szenario 3A.1)

𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 3 → Das rote Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎 = 0 → Für das
rote Fahrzeug ist der Abstand zum Vorderfahrzeug sehr gering → Es wird erwartet, dass das
rote Fahrzeug ausscheren wird.

Funktionen für Fahrzeug auf der Hauptspur:

Die erste Funktion, um die Social-Force zum Ausscheren (𝑓1 ) zu berechnen:


𝑎
𝜆(1 − )
𝑓1 (𝑎, 𝑣, 𝜆) = 𝑒 𝑣+𝜉

Die zweite Funktion, um die Social-Force zum Geradeausfahren (𝑓2 ) zu berechnen:

𝑎
𝑓2 (𝑎, 𝑣, 𝜆) =
𝜆(𝑣 + 0,1)

 𝑎: Abstand zum Vorderfahrzeug (𝑎 = 0)


 𝑣: Relative Geschwindigkeit zwischen Ego und Vorderfahrzeug (𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 3)
 𝜆: 𝜆 = 10
 𝜉: Ein sehr kleiner positiver Wert

Die dritte Funktion für die Social-Force zum Einscheren (𝑓3 ) (Kraft zu Rändern): 𝑓3 = 0.

44
Tabelle 14. Die Social-Forces werden berechnet (Szenario 3A.1)

Tabelle 15. Die Wahrscheinlichkeiten werden berechnet (Szenario 3A.1)

Anhand des Ergebnisses kann man sagen:

 𝑝1 = 100% Wahrscheinlichkeit zum Ausscheren


 𝑝2 = 0% Wahrscheinlichkeit zum Geradeausfahren
 𝑝3 = 0% Wahrscheinlichkeit zum Einscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Ausscheren“ immer ausgewählt.


Das passt zu unserer Erwartung auch.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 6 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 3

→ 𝑣𝑙𝑖𝑙𝑎↔𝑏𝑙𝑎𝑢 = 6 − 3 = 3 (positiv)

→ Funktionen für Fahrzeug auf der Überholspur können weiter angewendet werden

Tabelle 16. Erwartung (Szenario 3A.2)

45
𝑣𝑙𝑖𝑙𝑎↔𝑏𝑙𝑎𝑢 = 3 → Das lila Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎′ = 10 → Für
das lila Fahrzeug ist der Abstand zum Vorderfahrzeug auf unterer Strecke groß genug → Es
wird erwartet, dass das lila Fahrzeug einscheren wird.

Funktionen für Fahrzeug auf der Überholspur:

Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.

Die zweite Funktion, um die Social-Force zum Geradeausfahren (ℎ2 ) zu berechnen:

𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)

Die dritte Funktion, um die Social-Force zum Einscheren (ℎ3 ) zu berechnen:

𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)

 𝑎′: Relativer Abstand zum Vorderfahrzeug auf unterer Strecke. Es gibt kein Vorder-
fahrzeug auf unterer Strecke → 𝑎′ kann einem großen Wert zugewiesen werden
(𝑧. 𝐵: 𝑎′ = 10)
 𝑣′: Relative Geschwindigkeit zwischen Ego und überholtem Fahrzeug auf unterer
Strecke (𝑣 ′ = 3)
 𝜆: 𝜆 = 10
 𝜔: Ein sehr kleiner positiver Wert

Tabelle 17. Die Social-Forces werden berechnet (Szenario 3A.2)

46
Tabelle 18. Die Wahrscheinlichkeiten werden berechnet (Szenario 3A.2)

Anhand des Ergebnisses kann man sagen:

 𝑝3 = 99,99% Wahrscheinlichkeit zum Einscheren


 𝑝2 = 0,01% Wahrscheinlichkeit zum Geradeausfahren
 𝑝1 = 0% Wahrscheinlichkeit zum Ausscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Einscheren“ meist ausgewählt.


Das passt zu unserer Erwartung auch.

B. Typisches Beispiel mit Abstand = 2

Abbildung 33. Szenario 3B


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 3-A)

Sicherheitskriterium für Ausscheren prüfen:

Analog (siehe Szenario 3-A)

47
Tabelle 19. Erwartung (Szenario 3B.1)

𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 3 → Das rote Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎 = 2 → Für das
rote Fahrzeug ist der Abstand zum Vorderfahrzeug gering → Es wird erwartet, dass das rote
Fahrzeug ausscheren wird.

Funktionen für Fahrzeug auf der Hauptspur:

Analog (siehe Szenario 3-A)

Tabelle 20. Die Social-Forces werden berechnet (Szenario 3B.1)

Tabelle 21. Die Wahrscheinlichkeiten werden berechnet (Szenario 3B.1)

Anhand des Ergebnisses kann man sagen:

 𝑝1 = 99,76% Wahrscheinlichkeit zum Ausscheren


 𝑝2 = 0,24% Wahrscheinlichkeit zum Geradeausfahren
 𝑝3 = 0% Wahrscheinlichkeit zum Einscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Ausscheren“ meist ausgewählt.


Das passt zu unserer Erwartung auch.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

48
Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 6 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 3

→ 𝑣𝑙𝑖𝑙𝑎↔𝑏𝑙𝑎𝑢 = 6 − 3 = 3 (positiv)

→ Funktionen für Fahrzeug auf der Überholspur können weiter angewendet werden

Tabelle 22. Erwartung (Szenario 3B.2)

𝑣𝑙𝑖𝑙𝑎↔𝑏𝑙𝑎𝑢 = 3 → Das lila Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎′ = 0 → Für das
lila Fahrzeug ist der Abstand zum Vorderfahrzeug auf unterer Strecke sehr gering → Es wird
erwartet, dass das lila Fahrzeug geradeausfahren wird.

Funktionen für Fahrzeug auf der Überholspur:

Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.

Die zweite Funktion, um die Social-Force zum Geradeausfahren (ℎ2 ) zu berechnen:

𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)

Die dritte Funktion, um die Social-Force zum Einscheren (ℎ3 ) zu berechnen:

𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)

 𝑎′: Relativer Abstand zum Vorderfahrzeug auf unterer Strecke (𝑎′ = 0)


 𝑣′: Relative Geschwindigkeit zwischen Ego und überholtem Fahrzeug auf unterer
Strecke (𝑣 ′ = 3)
 𝜆: 𝜆 = 10

49
 𝜔: Ein sehr kleiner positiver Wert

Tabelle 23. Die Social-Forces werden berechnet (Szenario 3B.2)

Tabelle 24. Die Wahrscheinlichkeiten werden berechnet (Szenario 3B.2)

Anhand des Ergebnisses kann man sagen:

 𝑝3 = 0,01% Wahrscheinlichkeit zum Einscheren


 𝑝2 = 99,99% Wahrscheinlichkeit zum Geradeausfahren
 𝑝1 = 0% Wahrscheinlichkeit zum Ausscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Geradeausfahren“ meist ausge-


wählt. Das passt zu unserer Erwartung auch.

C. Fahrzeuge sind zu weit weg

Abbildung 34. Szenario 3C


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

50
Analog (siehe Szenario 3-A)

Sicherheitskriterium für Ausscheren prüfen:

Analog (siehe Szenario 3-A)

Tabelle 25. Erwartung (Szenario 3C.1)

𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 3 → Das rote Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎 = 5 → Für das
rote Fahrzeug ist der Abstand zum Vorderfahrzeug groß genug → Es wird erwartet, dass das
rote Fahrzeug geradeausfahren wird.

Funktionen für Fahrzeug auf der Hauptspur:

Analog (siehe Szenario 3-A)

Tabelle 26. Die Social-Forces werden berechnet (Szenario 3C.1)

Tabelle 27. Die Wahrscheinlichkeiten werden berechnet (Szenario 3C.1)

Anhand des Ergebnisses kann man sagen:

 𝑝1 = 0,73% Wahrscheinlichkeit zum Ausscheren

51
 𝑝2 = 99,27% Wahrscheinlichkeit zum Geradeausfahren
 𝑝3 = 0% Wahrscheinlichkeit zum Einscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Geradeausfahren“ meist ausge-


wählt. Das passt zu unserer Erwartung auch.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 6 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 6

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 6 − 6 = 0 (nicht negativ)

→ Funktionen für Fahrzeug auf der Überholspur können weiter angewendet werden

Tabelle 28. Erwartung (Szenario 3C.2)

𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 0 → Das lila Fahrzeug ist schneller wie das blau Fahrzeug und 𝑎′ = 3 → Für das
lila Fahrzeug ist der Abstand zum Vorderfahrzeug auf unterer Strecke groß genug → Es wird
erwartet, dass das lila Fahrzeug einscheren wird.

Funktionen für Fahrzeug auf der Überholspur:

Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.

Die zweite Funktion, um die Social-Force zum Geradeausfahren (ℎ2 ) zu berechnen:

52
𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)

Die dritte Funktion, um die Social-Force zum Einscheren (ℎ3 ) zu berechnen:

𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)

 𝑎′: Relativer Abstand zum Vorderfahrzeug auf unterer Strecke. (𝑎′ = 3)


 𝑣′: Relative Geschwindigkeit zwischen Ego und überholtem Fahrzeug auf unterer
Strecke (𝑣 ′ = 0)
 𝜆: 𝜆 = 10
 𝜔: Ein sehr kleiner positiver Wert

Tabelle 29. Die Social-Forces werden berechnet (Szenario 3C.2)

Tabelle 30. Die Wahrscheinlichkeiten werden berechnet (Szenario 3C.2)

Anhand des Ergebnisses kann man sagen:

 𝑝3 = 100% Wahrscheinlichkeit zum Einscheren


 𝑝2 = 0% Wahrscheinlichkeit zum Geradeausfahren
 𝑝1 = 0% Wahrscheinlichkeit zum Ausscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Einscheren“ immer ausgewählt.


Das passt zu unserer Erwartung auch.

53
5.4 Szenario 4
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)

Abbildung 35. Szenario 4A


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 2 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 1

→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2 − 1 = 1 (positiv)

→ Sicherheitskriterium für Ausscheren kann weiter geprüft werden.

Sicherheitskriterium für Ausscheren prüfen:


{ ′′𝑠 > 𝑥′
𝑠 + 2 > 𝑥′′

Die relative Geschwindigkeit zwischen dem roten Fahrzeug und dem lila Fahrzeug ist:
𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 = 𝑣𝑟𝑜𝑡 − 𝑣𝑙𝑖𝑙𝑎 = 2 − 1 = 1

Es gibt ein lila Vorderfahrzeug auf der Überholspur mit 𝑠 ′ = 0

→ 𝑠 ′ = 0 < 𝑥 ′ = 𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 ∗ 1 = 1 ∗ 1 = 1

Eine beider Bedingungen ist nicht erfüllt → Das rote Fahrzeug fährt weiter geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

54
Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 1

→ 𝑣𝑙𝑖𝑙𝑎↔𝑏𝑙𝑎𝑢 = 1 − 1 = 0 (nicht negativ)

→ Funktionen für Fahrzeug auf der Überholspur können weiter angewendet werden

Funktionen für Fahrzeug auf der Überholspur:

Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.

Die zweite Funktion, um die Social-Force zum Geradeausfahren (ℎ2 ) zu berechnen:

𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)

Die dritte Funktion, um die Social-Force zum Einscheren (ℎ3 ) zu berechnen:

𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)

 𝑎′: Relativer Abstand zum Vorderfahrzeug auf unterer Strecke. (𝑎′ = ? )


 𝑣′: Relative Geschwindigkeit zwischen Ego und überholtem Fahrzeug auf unterer
Strecke (𝑣 ′ = 0)
 𝜆: 𝜆 = 10
 𝜔: Ein sehr kleiner positiver Wert

Es gibt ein blaues Fahrzeug über dem lila Fahrzeug → 𝑎′ ist nicht gültig.

Denn 𝑎′ kann nicht bestimmt werden → Das lila Fahrzeug fährt weiter geradeaus.

B. Typisches Beispiel mit Abstand = 2

Abbildung 36. Szenario 4B


(Eigene Darstellung)
Für rotes Fahrzeug:

55
Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 4-A)

Sicherheitskriterium für Ausscheren prüfen:

Analog (siehe Szenario 4-A)

→ Das rote Fahrzeug fährt weiter geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 2

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 1 − 2 = −1 (negativ) → Keinen Bedarf oder Sinn um einzuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

C. Fahrzeuge sind zu weit weg

Abbildung 37. Szenario 4C


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 4-A)

Sicherheitskriterium für Ausscheren prüfen:

56
Analog (siehe Szenario 4-A)

→ Das rote Fahrzeug fährt weiter geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 2

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 1 − 2 = −1 (negativ) → Keinen Bedarf oder Sinn um einzuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

5.5 Szenario 5
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)

Abbildung 38. Szenario 5A


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2

→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 3 − 2 = 1 (positiv)

→ Sicherheitskriterium für Ausscheren kann weiter geprüft werden.

Sicherheitskriterium für Ausscheren prüfen:

57

{ ′′𝑠 > 𝑥′
𝑠 + 2 > 𝑥′′

Es gibt ein lila Fahrzeug auf der Überholspur über dem roten Fahrzeug → 𝑠′ ist nicht gültig

Denn 𝑠 ′ kann nicht bestimmt werden → Eine beider Bedingungen ist nicht erfüllt → Das rote
Fahrzeug fährt weiter geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 2 − 3 = −1 (negativ) → Keinen Bedarf oder Sinn um einzuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

B. Typisches Beispiel mit Abstand = 2

Abbildung 39. Szenario 5B


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 5-A)

Sicherheitskriterium für Ausscheren prüfen:

Analog (siehe Szenario 5-A)

58
→ Das rote Fahrzeug fährt weiter geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 2 − 3 = −1 (negativ) → Keinen Bedarf oder Sinn um einzuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

C. Fahrzeuge sind zu weit weg

Abbildung 40. Szenario 5C


(Eigene Darstellung)
Für rotes Fahrzeug:

Die relative Geschwindigkeit berechnen:

Analog (siehe Szenario 5-A)

Sicherheitskriterium für Ausscheren prüfen:

Analog (siehe Szenario 5-A)

→ Das rote Fahrzeug fährt weiter geradeaus.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

59
Für lila Fahrzeug:

Sicherheitskriterium für Einscheren prüfen:

Analog (siehe Szenario 1-A)

Die relative Geschwindigkeit berechnen:

Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3

→ 𝑣𝑙𝑖𝑙𝑎↔𝑟𝑜𝑡 = 2 − 3 = −1 (negativ) → Keinen Bedarf oder Sinn um einzuscheren → 𝑝2 =


100% (Wahrscheinlichkeit zum Geradeausfahren) → Das lila Fahrzeug fährt weiter geradeaus.

5.6 Szenario 6

Besonderer Fall: Wenn das Fahrzeug noch nicht den Überholabschnitt erreicht, heißt das: Es
befindet sich noch auf der einstreifigen Vorlaufstrecke.

Abbildung 41. Szenario 6


Für rotes Fahrzeug:

𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2 → Das rote Fahrzeug ist schneller als das blaue Fahrzeug und 𝑎 = 2. Aber das
rote Fahrzeug befindet sich noch auf der einstreifigen Vorlaufstrecke → Es wird erwartet, dass
das rote Fahrzeug geradeaus fahren wird.

Funktionen für Fahrzeug auf der Hauptspur:

Die erste Funktion, um die Social-Force zum Ausscheren (𝑓1 ) zu berechnen: Die Fahrzeuge,
die sich auf der Strecke in Gegenrichtung befinden, werden auch als "Hindernisse" betrachtet.
Deshalb kann diese Kraft als null bewertet werden: 𝑓1 = 0.

Die zweite Funktion, um die Social-Force zum Geradeausfahren (𝑓2 ) zu berechnen:

𝑎
𝑓2 (𝑎, 𝑣, 𝜆) =
𝜆(𝑣 + 0,1)

 𝑎: Abstand zum Vorderfahrzeug (𝑎 = 2)

60
 𝑣: Relative Geschwindigkeit zwischen Ego und Vorderfahrzeug (𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2)
 𝜆: 𝜆 = 10

Die dritte Funktion für die Social-Force zum Einscheren (𝑓3 ) (Kraft zu Rändern): 𝑓3 = 0.

Tabelle 31. Die Social-Forces werden berechnet (Szenario 6)

Tabelle 32. Die Wahrscheinlichkeiten werden berechnet (Szenario 6)


Anhand des Ergebnisses kann man sagen:

 𝑝1 = 0% Wahrscheinlichkeit zum Ausscheren


 𝑝2 = 100% Wahrscheinlichkeit zum Geradeausfahren
 𝑝3 = 0% Wahrscheinlichkeit zum Einscheren

→ Dank Fitness-Selection-Proportionate wird das Verhalten „Geradeausfahren“ immer ausge-


wählt. Das passt zu unserer Erwartung auch.

Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.

61
5.6 Einige andere zufällige Input-Parameter für Fahrzeuge auf der Haupt-
spur

Tabelle 33. Erwartungen für Fahrzeuge auf der Hauptspur

 A: Ausscheren
 G: Geradeausfahren

Die Social-Forces werden wie folgt berechnet:

Tabelle 34. Die Social-Forces werden berechnet (Kapitel 5.6)

Die Wahrscheinlichkeiten werden wie folgt berechnet:

Tabelle 35. Die Wahrscheinlichkeiten werden berechnet (Kapitel 5.6)

Fazit: Die Ergebnisse passen zu den Erwartungen.

62
5.7 Einige andere zufällige Input-Parameter für Fahrzeuge auf der Überhol-
spur

Tabelle 36. Erwartungen für Fahrzeuge auf der Überholspur

 E: Einscheren
 G: Geradeausfahren

Die Social-Forces werden wie folgt berechnet:

Tabelle 37. Die Social-Forces werden berechnet (Kapitel 5.7)

Die Wahrscheinlichkeiten werden wie folgt berechnet:

Tabelle 38. Die Wahrscheinlichkeiten werden berechnet (Kapitel 5.7)

Fazit: Die Ergebnisse passen zu den Erwartung.

63
5.8 Diskussion über Ergebnisse

Die Ergebnisse erfüllten die Anforderungen sowie die Erwartungen des Modells. Das Fahr-
zeug, das schneller als Vorderfahrzeug ist und die Sicherheitskriterien und die anderen Bedin-
gungen des Modells erfüllt, hat immer die Tendenz zum Ausscheren. Das Fahrzeug, das sich
auf der Überholspur befindet und die Sicherheitskriterien sowie die anderen Bedingungen des
Modells erfüllt, hat immer die Tendenz zum Einscheren. Dies passen zu den Eigenschaften der
2+1-Strecke in der Realität.

Indem die Wahrscheinlichkeiten durch relative Geschwindigkeit und Abstände berechnet wur-
den, funktionierte dieses Modell effektiver als Multi-Lane-Nagel-Schreckenberg-Modell, weil
dieses Modell in allen Kontexten funktionieren kann. Es ist unabhängig von der Wahrschein-
lichkeit der Erscheinung einer hohen Verkehrsdichte. Daher ist eine erweiterte Reihe von Re-
geln für den Fall „hohe Verkehrsdichte“ nicht notwendig.

64
6 Fazit und Ausblick

6.1 Fazit
Das Hauptziel dieser vorliegenden Bachelorarbeit bestand darin, ein Social-Force-Modell zur
Steuerung von Fahrzeugen in Grid-Umgebungen zu entwickeln. Um dieses Ziel zu erreichen,
müssen die folgenden Forschungsfragen beantwortet werden:

1. Kann ein Verkehrsmodell wie eine Kombination zwischen Fahrzeugfolgemodell (zum


Beispiel Nagel-Schreckenberg-Modell) und Social-Force-Modell (eher geeignet für
den Shared-Space-Bereich) entwickelt werden, um die Fahrzeuge zu steuern?
2. Wie können die Fahrverhalten durch die Wahrscheinlichkeiten entschieden werden?
3. Stellen diese Wahrscheinlichkeiten die Fahrverhalten (wie zum Beispiel ausscheren,
einscheren, geradeaus fahren) genau dar und wie kann man sie auswerten?

Für erste Frage: Anhand der notwendigen Grundlagen zum Thema „Social-Force-Modell zur
Steuerung von Fahrzeugen in Grid-Umgebungen“ im Kapitel 2 sowie der verwandten Arbeiten
mit ähnlicher Zielstellung im Kapitel 3 wurde ein theoretisches Verkehrsmodell wie eine Kom-
bination zwischen dem klassischen Nagel-Schreckenberg-Modell und dem Social-Force-Mo-
dell zur Steuerung von Fahrzeugen in Grid-Umgebungen erfolgreich entwickelt.

Für zweite Frage: Mit dem im Kapitel 4 erarbeiteten Ansatz wurden die Social-Forces durch
die entsprechenden Funktionen berechnet. Anhand dieser Kräfte konnten die relevanten Wahr-
scheinlichkeiten berechnet werden und dann konnte der Fahrer sich per Methode „Fitness Pro-
portionate Selection“ entscheiden, ob er auf den 2+1-Strecken geradeaus fahren, ausscheren,
einscheren oder abbremsen sollte.

Für dritte Frage: Im Kapitel 5 „Evaluierung“ wurden die wichtigsten Szenarien des Modells
durch 16 Beispiele betrachtet und analysiert. Abschließend wurden die Ergebnisse eingeordnet
und bewertet. Sie erfüllten die Anforderungen sowie die Erwartungen des Modells.

Insgesamt kann man sagen, dass alle Fragen der Aufgabenstellung erfolgreich beantwortet
wurden.

65
6.2 Ausblick
In diesem Unterabschnitt wurde ein richtungweisender Ausblick auf die zukünftigen Entwick-
lungen im Forschungsprojekt formuliert.
Obwohl diese Arbeit ein Social-Force-Modell zur Steuerung von Fahrzeugen in Grid-Umge-
bungen erfolgreich erarbeitete, hat sie noch mehrere Einschränkungen. Die Arbeit fokussierte
sich nur auf die operative Ebene. Einige interessante Eigenschaften von Fahrzeugen wie Ge-
wicht und Größe wurden noch nicht betrachtet und das Modell wurde auch noch nicht komplett
implementiert. Die folgenden Ideen, um diese Einschränkungen zu überwinden, könnten in
weiteren Arbeiten behandelt werden:

1. Das Modell könnte durch die Integration einer Kreuzung erweitert werden.
2. Zwei übrige Ebene (strategische Ebene und taktische Ebene) könnten in der Zukunft
betrachtet und implementiert werden.
3. Eigenschaften von Fahrzeugen wie Gewicht und Größe sollten im Modell hinzugefügt
werden.
4. Die Arbeit könnte durch die Entwicklung eines gemeinsamen Raumes (sogenannt
„shared space“) für Fahrzeuge, Fahrräder und Fußgänger erweitert werden.

Ein Klassendiagramm (siehe Abbildung 42) wurde erstellt und eine anfängliche Implementie-
rung (siehe Abbildung 43) wurde mithilfe Java ausgeführt, um dieses Modell in Grid-Umge-
bung und die einfachen Fahrverhalten wie zum Beispiel „Geradeausfahren“ zu simulieren. Die
Pseudocodes für die Überholverhalten (siehe Abbildung 44) wurden für weitere Implementie-
rung in der Zukunft auch erstellt.

66
Abbildung 42. Klassendiagramm des Social-Force-Vehicle-Modells

(In Anl. an: Papyrus)

Abbildung 43. Implementierung des Social-Force-Vehicle-Modells

(durch Eclipse Jee Neon)

67
Abbildung 44. Pseudocodes für die Überholverhalten
(Screenshot: Notepad++, Pseudocodes von mir)

68
Literaturreferenzen

[1] http://www.pharmazeutische-zeitung.de/index.php?id=48100
[2] http://www.bast.de/DE/Presse/2013/presse-20-2013.html
[3] M. Irzik (2009): Überholverhalten auf 2+1-Strecken, Dissertation, Technische Universität
Carolo-Wilhelmina zu Braunschweig
[4] N. Trilck, N. Maslov, K. D. Tran (2016): Simulation des Fahrverhaltens an einer Ampel-
kreuzung, Bachelorprojekt, Technische Universität Clausthal
[5] D. Ding (2011): Modeling and simulation of highway traffic using a cellular automaton
approach, U.U.D.M. Project Report 2011:25
[6] F. T. Johora (2017): Dynamic Path Planning and Movement Control in Pedestrian Simula-
tion, Masterarbeit, Technische Universität Clausthal
[7] L. Crociani, A. Piazzoni, G. Vizzari, S.Bandini (2015): When reactive agents are not
enough: Tactical level decisions in pedestrian simulation, Intelligenza Artificiale, 9(2):163–
177
[8] http://de.depositphotos.com/35214487/stock-illustration-car-icon-set.html
[9] J.Krämer, R.Kuyper, L. van den Broek, W. Bosma, A. van den Broek (2012): Zelluläre
Automaten und Verkehr, Universität Bonn. Online verfügbar unter: https://www.mathema-
tics.uni-bonn.de/files/schulportal/koelnbonner-matheturnier/vorbereitungsmaterial-2012.pdf
[10] J. Balint (2014): Eine Untersuchung komplexer Anwendungen zellularer Automaten in
Hinblick auf Möglichkeiten innovativer musikalischer Strukturgenese, Toningenieur-Projekt,
Universität für Musik und darstellende Kunst Graz. Online verfügbar unter:
http://iem.kug.ac.at/fileadmin/media/iem/projects/2010/balint.pdf
[11] K. Nagel, M. Schreckenberg (1992): A cellular automaton model for freeway traffic.
J.Phys.IFrance 2, 2221-2229
[12] A. Schadschneider (2010): Verkehrsmodelle, Institut für theoretische Physik, Universität
zu Köln. Online verfügbar unter: http://www.thp.uni-koeln.de/zitt/phys/verkehr/main.html
[13] A. Koefoed-Hansen, G. S. Brodal (2012): Representations for Path Finding in Planar En-
vironments. PhD thesis, Citeseer
[14] Hans-Georg Beckmann (2003): Zelluläre Automaten, Virtuelle Lehrerfortbildung im Fach
Informatik in Niedersachsen. Online verfügbar unter: http://www.vlin.de/material/ZAutoma-
ten.pdf

ix
[15] David Piper (2016): Metaheuristische Optimierung, Proseminar, Technische Universität
Dortmund
[16] Roman Schulte-Sasse (2013): Selbstlokalisierung humanoider Fußball-Roboter auf der
Basis von Feldlinien, Bachelorarbeit, Freie Universität Berlin
[17] Helbing, D., Molnar, P. (1995): Social force model for pedestrian dynamics, Physical Re-
view E, Vol.51, No.5, pp.4282-4286
[18] Helbing, D., Tilch, B. (1998): Generalized force model of traffic dynamics, Physical
Review E, No.58, No.2, pp.133-138.
[19] Helbing, D. (2001): Self-organizing pedestrian movement, Environment and Planning B:
Planning and Design 2001, Vol. 28, pp. 361-383.
[20] X. L. Nguyen, S. Hanaoka (2011): An Application of Social Force Approach for Motor-
cycle Dynamics, Proceedings of the Eastern Asia Society for Transportation Studies, Vol.8,
2011
[21] C. Settgast (2006): Die mathematische Modellierung der Staubildung, Facharbeit, Katha-
rinen-Gymnasium Ingolstadt
[22] A. Schadschneider (2004): Physik des Straßenverkehrs, Vorlesungsscript Sommerseme-
ster 2004, WWW-Dokument vom 15. Januar 2005. Online verfügbar unter:
http://www.thp.uni-koeln.de/~as/Mypage/PSfiles/verkehr.pdf
[23] Kai Nagel, Peter Wagner, Dietrich E. Wolf (1997): Realistic multi-lane traffic rules for
cellular automata, Physica A 234, 687-698