Beruflich Dokumente
Kultur Dokumente
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
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.
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.
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
vii
Abbildung 44. Pseudocodes für die Überholverhalten ............................................................ 68
viii
Tabellenverzeichnis
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.
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.
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.
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:
2
3. Stellen diese Wahrscheinlichkeiten die Fahrverhalten (wie zum Beispiel ausscheren,
einscheren, geradeaus fahren) genau dar und wie kann man sie auswerten?
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.
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.
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.
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).
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)
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)
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
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.
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.
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.
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 ⃗⃗⃗⃗
⃗⃗⃗⃗⃗𝛼𝐴
Das Verhalten der Veränderung seiner Bewegung kann durch die Beschleunigungskraft 𝐹
dargestellt werden:
⃗⃗⃗⃗⃗ 1
𝐹𝛼𝐴 = 𝜏 ( 𝑣𝛼0 ⃗⃗⃗⃗
𝑒𝛼 − ⃗⃗⃗⃗
𝑣𝑎 ) (3.1.1)
𝛼
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.
⃗⃗⃗⃗⃗ 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.
𝐹𝛼𝐴 + ∑𝛽 ⃗⃗⃗⃗⃗⃗
⃗⃗⃗⃗𝛼
𝑑𝑣
= ⃗⃗⃗⃗⃗ 𝐹𝛼𝛽𝑅
+ ∑𝐵 ⃗⃗⃗⃗⃗
𝐹𝛼𝐵 (3.1.4)
𝑑𝑡
𝑟𝛼𝛽 = 𝑟𝛼 + 𝑟𝛽 (3.2.1.1)
𝑑⃗⃗⃗⃗⃗
𝑥𝛼 ⃗⃗⃗⃗⃗ 𝑥𝛼 (𝑡) − ⃗⃗⃗⃗
𝑥𝛽 = ‖ ⃗⃗⃗⃗ 𝑥𝛽 (𝑡)‖ (3.2.1.2)
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.
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).
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).
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):
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:
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
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.
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.
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.
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.
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).
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.
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).
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.
𝑎
𝜆(1 − )
𝑓1 (𝑎, 𝑣, 𝜆) = 𝑒 𝑣+𝜉 (4.2.2.1)
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.
𝑎
𝑓2 (𝑎, 𝑣, 𝜆) = (4.2.2.2)
𝜆(𝑣+0,1)
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)
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.
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.
ℎ1 = 0 (4.3.2.1)
𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) = (4.3.2.2)
𝜆(𝑎′+0,1)
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
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:
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)
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.
′
{ ′′𝑠 > 𝑥′
𝑠 + 2 > 𝑥′′
→ 𝑠 ′′ + 2 = 2 > 𝑥 ′′ = 𝑣𝐻𝑖𝑛𝑡𝑒𝑟𝑓𝑎ℎ𝑟𝑧𝑒𝑢𝑔 ∗ 1 = 1 ∗ 1 = 1
Beide Bedingungen sind erfüllt → Funktionen für Fahrzeug auf der Hauptspur können weiter
angewendet werden.
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.
𝑎
𝑓2 (𝑎, 𝑣, 𝜆) =
𝜆(𝑣 + 0,1)
33
𝜉: Ein sehr kleiner positiver Wert
Die dritte Funktion für die Social-Force zum Einscheren (𝑓3 ) (Kraft zu Rändern): 𝑓3 = 0.
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
34
Es gibt kein Vorderfahrzeug auf der Überholspur → 𝑥 = 𝑣 ∗ 𝑡 ≤ 𝑎 = +∞ (trivial) → Das Si-
cherheitskriterium für Einscheren ist erfüllt.
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3
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:
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
36
Die relative Geschwindigkeit berechnen:
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3
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.
37
Tabelle 8. Die Social-Forces werden berechnet (Szenario 1C)
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
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)
Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
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.
Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.
𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)
𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)
40
Tabelle 11. Die Social-Forces werden berechnet (Szenario 2A)
Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2
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:
Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
42
Die relative Geschwindigkeit berechnen:
5.3 Szenario 3
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)
Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 6 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 3
→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 6 − 3 = 3 (positiv)
′
{ ′′𝑠 > 𝑥′
𝑠 + 2 > 𝑥′′
Die relative Geschwindigkeit zwischen dem roten Fahrzeug und dem lila Fahrzeug ist:
𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 = 𝑣𝑟𝑜𝑡 − 𝑣𝑙𝑖𝑙𝑎 = 6 − 6 = 0
→ 𝑠 ′ = 1 > 𝑥 ′ = 𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 ∗ 1 = 0 ∗ 1 = 0
43
Beide Bedingungen sind erfüllt → Funktionen für Fahrzeug auf der Hauptspur können weiter
angewendet werden.
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.
𝑎
𝑓2 (𝑎, 𝑣, 𝜆) =
𝜆(𝑣 + 0,1)
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)
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
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
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.
Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.
𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)
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
46
Tabelle 18. Die Wahrscheinlichkeiten werden berechnet (Szenario 3A.2)
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.
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:
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
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.
Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.
𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)
𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)
49
𝜔: Ein sehr kleiner positiver Wert
50
Analog (siehe Szenario 3-A)
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.
51
𝑝2 = 99,27% Wahrscheinlichkeit zum Geradeausfahren
𝑝3 = 0% Wahrscheinlichkeit zum Einscheren
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 6 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 6
→ Funktionen für Fahrzeug auf der Überholspur können weiter angewendet werden
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.
Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.
52
𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)
𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)
53
5.4 Szenario 4
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)
Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 2 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 1
→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 2 − 1 = 1 (positiv)
′
{ ′′𝑠 > 𝑥′
𝑠 + 2 > 𝑥′′
Die relative Geschwindigkeit zwischen dem roten Fahrzeug und dem lila Fahrzeug ist:
𝑣𝑟𝑜𝑡↔𝑙𝑖𝑙𝑎 = 𝑣𝑟𝑜𝑡 − 𝑣𝑙𝑖𝑙𝑎 = 2 − 1 = 1
→ 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.
54
Die relative Geschwindigkeit berechnen:
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 1
→ Funktionen für Fahrzeug auf der Überholspur können weiter angewendet werden
Die erste Funktion für die Social-Force zum Ausscheren (ℎ1 ) (Kraft zur Strecke in Gegenrich-
tung): ℎ1 = 0.
𝑣′
ℎ2 (𝑎′, 𝑣′, 𝜆) =
𝜆(𝑎′ + 0,1)
𝑣′
ℎ3 (𝑎′, 𝑣′, 𝜆) = 𝑒 𝜆(1 − 𝑎′+𝜔)
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.
55
Die relative Geschwindigkeit berechnen:
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 2
56
Analog (siehe Szenario 4-A)
Für blaues Fahrzeug: Es gibt kein Vorderfahrzeug → Keinen Bedarf zum Ausscheren →
𝑝2 = 100% (Wahrscheinlichkeit zum Geradeausfahren) → Das blaue Fahrzeug fährt weiter
geradeaus.
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 1 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 2
5.5 Szenario 5
A. Fahrzeuge sind sehr dicht zusammen (Abstand = 0)
Das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3 und das blaue Fahrzeug hat 𝑣𝑏𝑙𝑎𝑢 = 2
→ 𝑣𝑟𝑜𝑡↔𝑏𝑙𝑎𝑢 = 3 − 2 = 1 (positiv)
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.
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3
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.
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3
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:
Das lila Fahrzeug hat 𝑣𝑙𝑖𝑙𝑎 = 2 und das rote Fahrzeug hat 𝑣𝑟𝑜𝑡 = 3
5.6 Szenario 6
Besonderer Fall: Wenn das Fahrzeug noch nicht den Überholabschnitt erreicht, heißt das: Es
befindet sich noch auf der einstreifigen Vorlaufstrecke.
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.
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.
𝑎
𝑓2 (𝑎, 𝑣, 𝜆) =
𝜆(𝑣 + 0,1)
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.
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
A: Ausscheren
G: Geradeausfahren
62
5.7 Einige andere zufällige Input-Parameter für Fahrzeuge auf der Überhol-
spur
E: Einscheren
G: Geradeausfahren
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:
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
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