ZELFRIJDENDE AUTO'S IN HET LMS Maaike Snelder Bart van Arem, Remko Smit, Martijn de Kievit.

Presentatie over: "ZELFRIJDENDE AUTO'S IN HET LMS Maaike Snelder Bart van Arem, Remko Smit, Martijn de Kievit."— Transcript van de presentatie:

1 ZELFRIJDENDE AUTO'S IN HET LMS Maaike Snelder Bart van Arem, Remko Smit, Martijn de Kievit

2 ACHTERGROND Automatische voertuigen zijn er al! Automatische voertuigen komen er aan! Automatische voertuigen hebben grote impact op doorstroming, veiligheid en milieu Hoe groot is de impact? Waar kunnen we het beste in investeren? Zelfrijdende auto's in het LMS

3 2016 NMCA Eind 2016: kwantitatief rekening houden met ontwikkelingen op het vlak van automatische voertuigen in de NMCA. ___________________ Presentatie_____________________________________________________ 2014: studie TU Delft, analyse beschikbare kennis + opstellen kennisvragen modelleren met LMS/NRM (Snelder, M., van Arem, B., Hoogendoorn, R., van Nes, R. (2015),Methodische Verkenning Zelfrijdende Auto’s en Bereikbaarheid, TU Delft, T&P 1501) 2015: studie TNO, HOE aanpassen LMS, scenario’s, modelinvoer (Snelder, M., de Kievit, M., van Arem, B. (2016), Automatische voertuigen in het LMS ten behoeve van de NMCA 2016, TNO rapport TNO 2015 R11652) Zelfrijdende auto's in het LMS

4 IMPACT Zelfrijdende auto's in het LMS

5 NIVEAUS VAN AUTOMATISCH RIJDEN Zelfrijdende auto's in het LMS

6 Milakis, D., van Arem, B., van Wee, B. 2015 (work in progress). Implications of automated driving. Delft Infrastructures and Mobility Initiative. Zelfrijdende auto's in het LMS

7 SCENARIO’S EN MODELINPUT Zelfrijdende auto's in het LMS

8 SCENARIO’S Nieuwe WLO-scenario’s Hoog en Laag Gevoeligheidsanalyses zelfrijdende auto’s zijn de knelpunten in het lage scenario er ook nog als automatische voertuigen hun intrede doen? Ontstaan er aanvullende knelpunten? Scenario’s PBL en KIM  modelruns specificeren in vervolg Zelfrijdende auto's in het LMS

9 PENETRATIEGRAAD Zelfrijdende auto's in het LMS Bron: Nieuwenhuijsen, 2015 Besluit: gelijk verdeeld (keep it simpel

10 CAPACITEIT Relatie bepalen tussen penetratiegraad SAE-levels en pae-waardes/capaciteit. Focus op HWN inclusief afritten. Onderscheid naar verschillende wegkenmerken. Zelfrijdende auto's in het LMS Bron: Shladover, Su, & Lu, 2012

11 PENALTY VOOR REISTIJD/VALUE OF TIME Autopassagiers Treinreizigers Gevoeligheidsanalyses Zelfrijdende auto's in het LMS

12 OVERIGE MODELINVOER Modelinvoer Voertuigtypes Wegen Buffercapaciteit Autobezit Brandstofkosten Voor-&natransport Trein & BTM Parkeren Vrachtmatrix Zelfrijdende auto's in het LMS Keuze Besluit: 3 types: SAE 0/1; 1/2; 4. Niveau 4 uitwerken wat dit is: dedicated infrastructuur  ontstaan er knelpunten?  consequentie MIRT Wegen definiëren waarop automatisch rijden (per level) en vracht pelotonvorming mogelijk zijn (generiek per wegtype of aparte wegen aanwijzen) Nog nader te bepalen Op basis van literatuur Brandstofkosten: uit literatuur Parallel traject OV: relaties waarop voor-en natransportreistijd van de trein korter wordt als gevolg van dedicated level 4 systemen Parallel traject OV – knoppen mogelijk maken Bij niveau 4 eenvoudiger. Exogeen. Uitsplitsing naar vrachtauto’s per niveau van automatische voertuigen is wel mogelijk (zie penetratiegraad SAE-levels).

13 MODEL- AANPASSINGEN Zelfrijdende auto's in het LMS

14 VERKENNENDE MODELRUNS Autonoom 5% afname capaciteit HWN Index reizen Trein100,3 Autobestuurder99,8 Autopassagier99,7 Bus, tram, metro100,2 Fiets100,1 Lopen100,1 Totaal99,98 Index congestie HWN 115,7 Cooperatief 15% toename capaciteit HWN 10% toename capaciteit OWN 10% afname VOTwoon-werk, zakelijk Index reizen Trein 98,8 Autobestuurder100,8 Autopassagier101,4 Bus, tram, metro 99,2 Fiets 99,3 Lopen 99,4 Totaal100,1 gebaseerd op versie van het LMS die nog niet geschikt is cijfers niet gebruiken ! gebaseerd op versie van het LMS die nog niet geschikt is cijfers niet gebruiken ! Snelder, M., Van Arem, B., Hoogendoorn, R. and van Nes, R., 2015. Methodische Verkenning Zelfrijdende Auto’s en Bereikbaarheid, TU Delft - T&P 1501, ISSN 2212-0491. Zelfrijdende auto's in het LMS Index congestie HWN 64,0

15 HUIDIGE VERSIE - VERBETERPUNTEN Invoermogelijkheden: Capaciteit – afritten aanpassen Pae-factor vracht voor congestiemodellering VOT toedeling – hele rit  deel van rit Vraagmodellering Penalty voor reistijd Gebruikersklassen in de vraagmodellering Toedeling Gebruikersklassen in de toedeling Routekeuze fileterugslag bij afritten Exogeen Vrachtmatrix Parkeren Autobezit Locatiekeuze Zelfrijdende auto's in het LMS

16 4 OPTIES Zelfrijdende auto's in het LMS Vraag- modellering Toedeling * Vraag- modellering Toedeling * * splitsing Vraag- modellering Toedeling * Toedeling * splitsing Vraag- modellering* Toedeling * * splitsing 1) 2) 3) 2) 4)

17 VERVOLGSTAPPEN Zelfrijdende auto's in het LMS

18 VERVOLGSTAPPEN Modellering LMS Keuze maken voor één van de opties Implementeren en testen opties Modelruns en modelinvoer Keuze scenario’s/runs gevoeligheidsanalyse. Vaststellen penetratiegraad van niveau 0/1, 1/2 en 4 voor auto’s en vrachtverkeer per modelrun + verdere beschrijving van de verschillende niveaus (mate waarin de voertuigen coöperatief zijn). Bepalen netwerktypologie per modelrun. Specificeren capaciteiten/pae waardes per modelrun voor verschillende wegvaktypes. Afstemming overige modelinvoer per modelrun. Doorrekenen effecten automatische voertuigen Zelfrijdende auto's in het LMS

19 VRAGEN? MAAIKE.SNELDER@TNO.NL M.SNELDER@TUDELFT.NL MAAIKE.SNELDER@TNO.NL M.SNELDER@TUDELFT.NL