Verbesserung des Verkehrsflussverständnisses durch zweidimensionale mikroskopische Modelle - ETF2D
Zusammenfassung der Projektergebnisse
Das Projekt konzentrierte sich auf die Verbesserung des Verständnisses von Verkehrsflüssen durch umfassende Datenerfassung, detaillierte Analyse des Fahrverhaltens und die Entwicklung fortschrittlicher Verkehrsmodelle sowie Visualisierungstools. Es wurde in drei zentrale Arbeitspakete unterteilt: Datenerfassung, Fahrverhaltensmodellierung und Verkehrssimulation und Visualisierung. Im Arbeitspaket 1 wurde hochauflösende Fahrzeug-Trajektoriendaten uber einen 900 Meter langen Abschnitt der A50 Stadtautobahn in Mailand, Italien mithilfe von sechs Drohnen mit 4K-Kameras gesammelt. Die Aufnahmen, die uber 135 Minuten stattfanden, erfassten verschiedene Verkehrsbedingungen, von freiem Fluss bis hin zu Stausituationen. Insgesamt wurden 124.641 Trajektorien extrahiert, die wertvolle Erkenntnisse zu Fahrzeugklassen, Spurwechselverhalten und Stop-and-Go-Verkehrsdynamiken lieferten. Der Datensatz wurde sorgfältig validiert, im OPARA-Repository gespeichert und wird offentlich zugänglich gemacht, um die Forschung zu Verkehrsdynamik, autonomem Fahren und Anwendungen im Bereich Computer Vision zu unterstützen. Im Arbeitspaket 2 konzentrierte sich auf die Analyse des Fahrverhaltens und die Entwicklung eines zweidimensionalen Verkehrsmodells. Eine robuste Leader-Follower (LF)-Identifikationsmethode wurde eingeführt, um die Komplexitäten des nicht-spurbasierten Verkehrs zu bewältigen. Dabei wurde hochauflösende Trajektoriendaten aus Chennai, Indien, genutzt. Diese Methodik ist auch auf spurbasierten Verkehr anwendbar. Die Methode verbesserte die Genauigkeit der LF-Identifikation erheblich und ermöglichte detaillierte Einblicke in Fahrzeuginteraktionen. Zusätzlich wurde die Heterogenität des Fahrverhaltens mithilfe des Intelligent Driver Models (IDM) untersucht, wobei signifikante Unterschiede zwischen Fahrern und Fahrzeugklassen festgestellt wurden. Die Erkenntnisse flossen in die Entwicklung des Intelligent-Agent Model (IAM) ein, das Längs- und Querbewegungen von Fahrzeugen integriert. Durch die Berücksichtigung der Einflüsse umliegender Fahrzeuge und die Einführung von ”sozialen Kräften” bildet das IAM realistische Verkehrsdynamiken ab, die in umfangreichen Simulationen validiert wurden. Im Arbeitspaket 3 wurde das entwickelte IAM in einen Open-Source-Verkehrssimulator integriert, der unter mtreiber.de gehostet wird. Dieser Simulator ermöglicht es Nutzern, IAM-Parameter zu konfigurieren, Verkehrsmanagementmaßnahmen wie Ampeln, Geschwindigkeitsbegrenzungen und Hindernisse zu implementieren und deren Auswirkungen auf den Verkehrsfluss zu analysieren. Darüber hinaus wurde ein 3D-webbasiertes Verkehrsvisualisierungstool mithilfe von Three.js entwickelt. Es ermöglicht eine interaktive Darstellung der im Arbeitspaket 1 gesammelten Verkehrsdaten. Nutzer können spezifische Fahrzeugtrajektorien analysieren, Verkehrsflussmodelle wie IDM und IAM integrieren und Parameter anpassen, um deren Auswirkungen zu untersuchen. Das Tool unterstützt auch das Hochladen eigener Datensätze und wird als Open-Source-Tool über GitHub zugänglich gemacht. Insgesamt lieferte das Projekt einen hochwertigen Trajektoriendatensatz, fortschrittliche Erkenntnisse zum Fahrverhalten und ein zweidimensionales Verkehrsmodell, das realistische Fahrzeuginteraktionen simulieren kann. Die entwickelten Simulations- und Visualisierungstools bieten leistungsstarke Plattformen zur Analyse von Verkehrsdynamiken, zur Erprobung von Verkehrsmanagementstrategien und zur Optimierung von Straßenverkehrsabläufen. Diese Ergebnisse leisten einen bedeutenden Beitrag zur Verkehrsforschung und bieten praktische Anwendungen für Verkehrssicherheit, autonomes Fahren und Verkehrsmanagement.
Link zum Abschlussbericht
https://doi.org/10.25368/2025.122
Projektbezogene Publikationen (Auswahl)
-
Drone-Based Trajectory Data for an All-Traffic-State Inclusive Freeway with Ramps. Conference in Emerging Technologies in Transportation Systems (TRC-30).
Chaudhari, A. A., Treiber, M. & Okhrin O.
-
The Intelligent Agent Model—A Fully Two-dimensional Microscopic Traffic Flow Model. Lecture Notes in Civil Engineering, 319-326. Springer Nature Singapore.
Treiber, Martin & Chaudhari, Ankit Anil
-
Leader–follower identification with vehicle-following calibration for non-lane-based traffic. Transportation Research Part C: Emerging Technologies, 171, 104940.
Kulkarni, Mihir Mandar; Chaudhari, Ankit Anil; Srinivasan, Karthik K.; Chilukuri, Bhargava Rama; Treiber, Martin & Okhrin, Ostap
