Dr. Gerhard Ploss Andreas Schmid. SPAT Service: Ampelphasen-Assistent

Transkript

1 Dr. Gerhard Ploss Andreas Schmid SPAT Service: Ampelphasen-Assistent

2 Green Light optimal Speed Advisory (GLOSA) Welche Geschwindigkeit führt führt mich mich bei bei Grün grün über die nächste Kreuzung? Fahrzeug-Fahrer-Interaktion Geschwindigkeitsempfehlung Erforderliche Daten Vorhersage der Schaltzeitpunkte der Lichtsignalanlage Entfernung des Fahrzeugs zur Kreuzung Fahrtrichtung an nächster Kreuzung Vorteile Komfort- und Sicherheitsgewinn Entspannte und gleichmäßige Fahrweise Emission- und Kraftstoffersparnis Durch optimaleres Fahrverhalten Durch intelligentes Motor / Getriebemanagement Seite 1

3 Time To Green (TTG) Wie lange muss ich an dieser Kreuzung noch auf Grün warten? Fahrzeug-Fahrer-Interaktion Count-Down bis Grün (Anzeige in den letzten Sekunden dunkel, so das Fahrer Blick auf die Straße / Signalanlage richtet) Motor startet Erforderliche Daten Vorhersage der Schaltzeitpunkte der Lichtsignalanlage Fahrtrichtung an Kreuzung oder Fahrspur auf der sich das Fahrzeug befindet Vorteile Komfort- und Sicherheitsgewinn Emission- und Kraftstoffersparnis Seite 2

4 Im Feld 2014: AUDI Traffic Light Assistant Gesamtsystem Berlin (800 Kreuzungen) Verona (154 Kreuzungen) Garmisch-Partenkirchen (27 Kreuzungen) Seite 3

5 SWARCO Compass 4D App Manoeuvre not allowed (Light off) Time To Green Speed Advice Equipped intersection Car Position Seite 4

6 SPAT Service Systemaufbau Pläne Kreuzungstopologie [Verkehrstechnische Unterlagen] OEM fleet Service- Centre GSM/ G5 Service-Centre SPAT /MAP Verkehrsrechner Farbbild Erstellung Prognose LSA Seite 5

7 Funktionsweise Analyse Farbbild Online (<10s ideal) Historie verbessert Qualität Festzeit-Anlagen Auch ohne online- Farbbild möglich Analyse Detektion & Anforderung Oft optional 5-10% Verbesserung der Qualität ÖPNV Anforderungen Wichtig! Prognose mit stetiger Qualitätsüberwachung und Verbesserung Kunden-Kriterien: ±1s A (0-8 s vor Wechsel) ±2s B (9-14 s vor Wechsel) ±3s C (14-15 s vor Wechsel) ±5s D (15-90 s vor Wechsel) Seite 6

8 Funktionsweise SG feedback Signal Groups monitoring Actuation rules OFF-LINE ENVIRONMENT Libraries Marco any further slides explaining forecast and self-learning population outcome Detectors (quality)? monitoring DT feedback Detection schemes identification SG feedback validation Likely cycle identification TimeToChange prediction ON-LINE ENVIRONMENT SPaT generation Seite 7

9 Charakteristik einer Steuerung Dauer von rot / grün in einer Signalgruppe über eine Woche Dauer g+r Metacycle (1 Woche) FAZIT: keine einfachen Muster bei adaptiven Knoten Seite 8

10 Qualität der Vorhersage: Lernende Auto-Korrektur Presented by SWACO (SWM / Marco?) minutes Großer Prognose-Horizont: Verteilte Cluster Auto-Korrektur für Horizont 7s,14s, 19s: Große Häufung im Bereich <1s, 2s, 3s Kreisdurchmesser = Anzahl der Vorhersagen in einer Woche für Prognose-Horizont X Seite 9

11 Qualität gemäß vorgestellten Kriterien Repräsentative Ergebnisse: Controller 605 Time window Signal group 3 Signal group 7 A 83.4% 98.4% B 84.5% 98.8% C 82.7% 99.8% D 96.7% 99.1% TOTAL 88.9% 99.1% Time window Signal group 1 Signal group 5 Signal group 5 Controller 707 A 91.5% 89.4% 80.2% B 92.4% 91.6% 98.8% C 91.2% 92.8% 99.0% D 94.8% 94.9% 99.2% TOTAL 92.4% 92.1% 94.2% Seite 10

12 Vorplanung Feld-Analyse-Matrix Wie angebunden ist das Feld? Nicht angebunden nur Status (ein/aus) gewählter Plan online Signalbild mit >20s, s, 5s Verzögerung Welche Art von Steuerung ist im Feld? Unbekannt Festzeit verkehrsabhängige Planwahl voll verkehrsabhängig (mit- und ohne ÖPNV Priorisierung) Fußgängergrün nur auf Anforderung Seite 11

13 Betrieb Pflege Geschätzte Änderungen kann je Stadt und Jahr sehr variieren! Topologie (Kreuzungsumbauten, Markierungen): bis zu 10% Steuerung (anderes Programm / neue VT): bis zu 20% Neubauten: ca. 2% Herausforderung Einrichten eines / Teilnahme an einem Change Management Prozess Oft sind existierende Prozesse der Dokumentation nicht synchron mit dem Geschehen in den Anlagen Seite 12

14 Nutzen (Mikro-Simulation) 4-Kreuzungen Modell in Verona Durchschnittl. Halte je Fz. Flow [veh/h] 2,0 1,5 1,0 0,5 0,0 Normale Verkehrsfluss-Bedingungen Kalibrierungsphase mit echten Felddaten (Verkehr, Fahrer, Kommunikation) Halte / Fahrzeug 1,8 Verkehrsfluss 548 1, , ,2 0% 20% 50% 100% Anteil ausgestatteter Fahrzeuge 644 0% 20% 50% 100% Anteil ausgestatteter Fahrzeuge Mittlere Haltezeit je Fz. [s] Mean travel time [s] Haltezeit/ Fahrzeug Reisezeiten % 20% 50% 100% Anteil ausgestatteter Fahrzeuge 120 0% 20% 50% 100% Anteil ausgestatteter Fahrzeuge Seite 13

15 Mikro-Simulation: Fazit Ausgeglichene Vorteile für Fahrer und Betreiber bei normalem Verkehrsfluss: -32 % Halte/ Fahrzeug -34 % Haltezeit/ Fahrzeug +18 % Verkehrsfluss -12 % Reisezeit Städte profitieren von Signalanlagen-Prognose-Diensten Beitrag zum aktiven Verkehrsmanagement durch Optimierung des Verkehrsflusses Beiträge zur Luftreinhaltung Weitere Vorteile durch Nutzung der kooperativen Systeme jenseits der Prognose Fahrzeuge / mobile Anwendungen liefern Daten zu Verkehrs- und Umweltsituation sowie zur Gefahrenwarnung Seite 14

16 Thank you for your attention Dr. Gerhard Ploss Geschäftsführer SWARCO TRAFFIC SYSTEMS GMBH Kelterstraße 67 D Unterensingen T. +49-(0) M. +49-(0) E. Andreas Schmid Cooperative Systems Projects SWARCO TRAFFIC SYSTEMS GMBH Adolf-Dambach-Straße D Gaggenau T M Seite 15