Ученые из Института городской динамики (UDI) в Окриджской национальной лаборатории Министерства энергетики работают над сокращением времени в пути и расхода топлива путем разработки вычислительной основы для технологий подключенных транспортных средств, которые облегчают связь между автомобилями, а также связь между ними. транспортные средства и средства управления движением, такие как светофоры. Исследователи предполагают, что автомобили обмениваются информацией, такой как местоположение, скорость и пункт назначения, для выработки индивидуальных инструкций для водителей.«Сообщая водителям оптимальную скорость, лучшую полосу для движения или лучший маршрут, мы можем исключить случайное движение и повысить безопасность», — сказал Андреас Маликопулос, заместитель директора UDI и главный исследователь проекта. «Как водитель, вы можете получить дополнительные инструкции, предлагающие вам сменить полосу движения или выбрать другой путь, который может не совпадать с маршрутом, который может дать вам ваш GPS, чтобы избежать заторов».
Первым шагом для команды проекта является разработка алгоритмов децентрализованного управления, которые определяют, как транспортные средства будут локально общаться между транспортными средствами, взаимодействующими непосредственно на дороге, а также действовать глобально для оптимизации транспортного потока в городе. Вычислительная структура использует алгоритмы «децентрализованного управления», потому что реально все транспортные средства в городе не могут передавать информацию в центральный центр управления из-за ошеломляющего количества данных, которые будут задействованы.«Первый этап — это исследовательский проект.
Мы проверим нашу структуру с помощью моделирования», — сказал Маликопулос.Вторая фаза проекта соединит коммуникационную структуру команды с системой моделирования транспортного анализа, которая использует аналитику данных для моделирования условий дорожного движения в реальных городских районах для прогнозирования заторов. Моделирование будет прогнозировать и планировать транспортный поток на основе крупномасштабных данных, таких как планировка и распределение населения в районе, который отражает действия водителя (например, школьные зоны, вероятно, будут более загружены рано утром и в середине дня, тогда как развлечения районы, вероятно, будут более загружены по вечерам и в выходные дни), а также пункты назначения и графики движения подключенных транспортных средств в моделировании.
Моделирование второго этапа также позволит группе начать изучение вопросов, связанных с кибербезопасностью и возможных стимулов для водителей следовать инструкциям подключенных транспортных средств, например, электронным билетам.Финансирование исследований обеспечивается программой ORNL по исследованиям и разработкам под руководством лаборатории.
Посмотрите визуализацию процесса: https://youtu.be/C32qUDqfgns.