Methodische Verkenning Zelfrijdende Auto's en Bereikbaarheid

Methodische Verkenning

Zelfrijdende Auto’s en

Bereikbaarheid

Civ

iel

e

Te

ch

ni

ek

en G

eowet

en

sc

hap

pen

Titel: Methodische Verkenning Zelfrijdende Auto’s en Bereikbaarheid Auteurs: Dr. Maaike Snelder (TU Delft)

Prof. Dr. Ir. Bart van Arem (TU Delft) Dr. Raymond Hoogendoorn (TU Delft) Dr. Ir. Rob van Nes (TU Delft) Bijlages: 3

Document Afdeling Transport & Planning 1. Rapportnummer T&P 1501 2. ISSN-Nummer

2212-0491

Methodische Verkenning Zelfrijdende Auto’s en Bereikbaarheid 3. Subtitel

- 4. Auteurs

Dr. Maaike Snelder

Prof. Dr. Ir. Bart van Arem Dr. Raymond Hoogendoorn Dr. Ir. Rob van Nes

5. Onderzoeksproject C61H85

6. Uitvoerende instanties

TU Delft, faculteit Civiele Techniek Significance

7. Categorie rapport -

8. Opdrachtgever

RWS WVL, afdeling Modellen en Applicaties, domein Verkeer en Vervoer

9. Datum publicatie 20-03-2015 10. Samenvatting 12. Projectleiding Maaike Snelder 13. Bijbehorende rapporten - 14. aantal pagina’s

(excl. Omslag/voorloop pag.) 70

Samenvatting

De verwachting is dat de zelfrijdende auto op termijn gaat bijdragen aan het verbeteren van de

doorstroming, de verkeersveiligheid en de leefbaarheid. Zodra de zelfrijdende auto een substantiële trend is, wordt deze meegenomen in de afwegingen voor nieuwe infrastructuur, onder andere via de Nationale Markt en Capaciteits-Analyse (NMCA). Om hier klaar voor te zijn is een verkenning uitgevoerd naar de manier waarop de bereikbaarheids- en doorstromingseffecten van zelfrijdende auto's met het LMS kunnen worden berekend en het soort effecten dat zich voor kan doen.

Bij de verkenning is een literatuurstudie uitgevoerd, is een expertsessie georganiseerd en zijn vijf verkennende modelruns met het LMS uitgevoerd:

 Run 1: afname van de capaciteit van het hoofdwegennetwerk met 5% (als de volgtijden groter worden).  Run 2: toename van de capaciteit van het hoofdwegennetwerk met 15% (als de volgtijden kleiner

worden).

 Run 3: combinatie run 2 + afname van de ruimte die vrachtwagens innemen ten opzichte van personenauto’s (pae-factor) als gevolg van pelotonvorming van het vrachtverkeer.

 Run 4: combinatie run 2 +toename van de capaciteit op het onderliggend wegennetwerk met 10%.  Run 5: combinatie run 4 + afname van de tijdwaardering van woon-werk en zakelijk verkeer omdat de

tijd in de auto alternatief kan worden besteed.

Uit de literatuurstudie, de expertsessie en modelruns is gebleken dat de huidige versie van het LMS niet toereikend is om het effect van zelfrijdende auto’s te bepalen. Om in 2016 het effect van zelfrijdende auto’s op de doorstroming en bereikbaarheid in de NMCA wel te kunnen modelleren voor het zichtjaar 2040 is daarom een aanzet tot een onderzoeksagenda gemaakt. Hierbij is onderscheid gemaakt naar scenario’s, de doorvertaling daarvan naar modelinvoer voor het LMS en de modellering in het LMS zelf. De uitvoer van de modelruns is gebruikt om te analyseren wat voor soort effecten kunnen optreden. De verkenning biedt dus nog geen betrouwbaar inzicht in de omvang van de effecten die kunnen optreden omdat daarvoor eerst de modelinvoer en de modellering moet worden verbeterd.

Scenario’s

- Penetratiegraad

- Autonoom versus coöperatief - Pelotonvorming van vrachtverkeer - Doelgroepstroken - Wegkantsystemen - … Modelinvoer LMS - Tijdwaar-dering - Verkeers-afwikkeling op micro-niveau Modellering LMS - Vraagmodel-lering - Verkeers-modellering Uitvoer

Figuur 1: Systematiek van de aanbevelingen

Deze samenvatting richt zich op de onderzoeksagenda waarbij de belangrijkste conclusies uit het literatuuronderzoek, de expertsessie en de modelruns als basis voor de agenda zijn samengevat.

Uit het literatuuronderzoek en de expertsessie is gebleken dat de rijtaken op het hoofdwegennetwerk eerder geheel of partieel worden overgenomen dan op het onderliggend wegennetwerk en pelotonvorming van het vrachtverkeer zal zich op de snelwegen concentreren. Op basis van deze verwachting zijn de onderwerpen op de onderzoeksagenda geprioriteerd:

 P1: Hoge prioriteit omdat ook bij de lagere niveaus van automatisering effect wordt verwacht.  P2: Lagere prioriteit omdat alleen bij de hogere niveaus van automatisering effect wordt verwacht. De aanbevelingen voor de onderzoeksagenda zijn opgesteld voor de situatie waarin zelfrijdende auto’s een substantiële rol gaan spelen. Om het effect van zelfrijdende auto’s goed te kunnen modelleren zijn

aanzienlijke ingrepen in delen van het LMS nodig zoals aangegeven in enkele aanbevelingen. Mocht echter blijken dat de verwachte aandelen van zelfrijdende auto’s beperkt zijn, dan kan in een aantal gevallen voor pragmatische oplossingen worden gekozen.

Aanzet onderzoeksagenda 1. Scenario’s (P1):

a) Scenario’s opstellen (P1). Om de effecten van zelfrijdende auto’s op het aantal verplaatsingen, het aantal voertuigkilometers, de reistijden en de bereikbaarheid onder gemiddelde omstandigheden te kunnen bepalen zijn scenario’s nodig. Uit de literatuur blijkt dat de ontwikkeling van zelfrijdende auto’s langs twee assen plaatsvindt: de as van manueel naar automatisch en de as van autonoom naar coöperatief. Voor de as van manueel naar automatisch zijn zes internationaal gehanteerde niveaus gedefinieerd (sae-levels): non automated (niveau 0), assisted (niveau 1), partial automation (niveau 2), conditional automation (niveau 3), high automation (niveau 4), full automation (niveau 5). Metname de overgang van niveau 2 naar niveau 3 is een cruciale stap. Hoe snel deze ontwikkeling plaatsvindt en hoe het transitiepad (mix van voertuigen van verschillende niveaus van automatisch rijden en mate van coöperatie) er precies uit ziet is niet volledig uitgewerkt. Op de onderzoeksagenda staat daarom dat scenario’s moeten worden opgesteld per zichtjaar (in ieder geval 2040) waarin is aangegeven welk deel van het wagenpark bestaat uit voertuigen van niveau 0 t/m 5 (SAE-levels), in welke mate coöperatief rijden (V2V voertuig-voertuig communicatie en V2I voertuig-infrastructuur communicatie) is ingevoerd en wordt ondersteund via wegkantsystemen, in hoeverre pelotonvorming van het vrachtverkeer en verschillende vormen automatisch rijden hun intrede doen op verschillende wegtypes, op welke locaties doelgroepstroken liggen voor vrachtpelotons of zelfrijdende auto’s en op welke locaties andere

infrastructurele ingrepen worden gedaan om automatisch rijden te faciliteren (o.a. via wegkantsystemen).

2. Vraagmodellering en invoer vraagmodellering:

b) Autotypes toevoegen (P1): in 2040 zal het wagenpark bestaan uit een mix van voertuigen met een verschillend niveau van automatisering. Om hier in het LMS rekening mee te kunnen houden, moeten autotypes worden onderscheiden voor verschillende niveaus van automatisering. Deze zitten nu nog niet in het LMS.

Invoer: de omvang van het wagenpark is invoer voor het LMS. Daarom is onderzoek nodig naar de aanschafbereidheid en samenstelling van het wagenpark in verschillende scenario’s. Daarnaast is

onderzoek nodig naar de mate waarin en de omstandigheden waaronder de verschillende systemen voor automatisch rijden naar verwachting worden gebruikt. Dit kan via stated preference (aanschafbereidheid en gebruik) en/of revealed preference (gebruik) onderzoek in combinatie met automarktmodel zoals Dynamo.

c) Waardering van tijd aanpassen (P2). Uit de expertsessie en het literatuuronderzoek is gebleken dat zelfrijdende auto’s de waardering van tijd kunnen beïnvloeden, omdat de tijd in de auto alternatief kan worden besteed. Naar verwachting zal de tijdwaardering het meest veranderen vanaf niveau 3 of zelfs niveau 4 van automatisch rijden (prioriteit 2). De mate waarin de waardering van tijd verandert, is grotendeels bepalend voor de effecten van zelfrijdende auto’s op de vervoervraag (bestemmingskeuze, vervoerwijzekeuze, dagdeelkeuze). Aanpassingen aan het LMS zijn nodig om op consistente wijze veranderingen van de waardering van tijd in te kunnen voeren en door te laten werken in het hele LMS waarbij tevens onderscheid nodig is naar hoofdwegennetwerk en onderliggend wegennetwerk.

Invoer: de literatuur geeft niet aan in hoeverre de tijdwaardering zal dalen. Ook is nog niet duidelijk in hoeverre er verschillen zijn in tijdwaardering tussen het hoofdwegennetwerk en het onderliggend wegennetwerk voor de verschillende niveaus van automatisering. Een onderzoek onder early adoptors (automobilisten met ACC etc.) en een verkennend stated preference onderzoek is nodig om hier verder inzicht in te krijgen.

d) Vraageffecten voor het goederenvervoer (P1). Pelotonvorming van het vrachtverkeer zal naar verwachting voor 2040 zijn intrede doen (P1). Hier wordt nu al mee getest. Het effect van

pelotonvorming van het vrachtverkeer op het aantal vrachtverplaatsingen, de bestemmingskeuze van vrachtverkeer en de wagenparksamenstelling (klein, middelgroot, grote vrachtwagens) kan niet met het LMS worden bepaald maar is wel nodig als invoer voor het LMS. Een data-analyse in combinatie met een verkenning via een goederenvervoermodel (BasGoed) kan hier inzicht in bieden.

e) Locatiekeuze (P2). De hogere niveaus van automatisch rijden kunnen de locatiekeuze van huishoudens, bedrijven en distributiecentra beïnvloeden omdat de reistijd alternatief kan worden besteed. Met een ruimtelijk evenwichtsmodel/land use model in combinatie met LMS kan inzicht worden verkregen in hoeverre dergelijke effecten naar verwachting optreden.

f) Parkeren (P2). Bij volledig automatisch rijden is ook inzicht nodig in hoe het parkeerproces zal verlopen. De auto kan dan op een andere locatie dan op de bestemming worden geparkeerd. Hierbij is het wel de vraag in hoeverre dit relevant is voor de tijdshorizon van de NMCA (2040).

3. Verkeersmodellering (routekeuze en afwikkeling)

g) Gebruikersklassen in de toedeling toevoegen (P1). In 2040 zal het wagenpark bestaan uit een mix van voertuigen met een verschillend niveau van automatisering. Om hier in het LMS rekening mee te kunnen houden moeten, net als bij de vraagmodelleringen in de toedeling gebruikersklassen worden

onderscheiden (P1).

h) Verkeersafwikkeling bij rechte snelwegen (P1), weefvakken, op- en afritten, samenvoegingen (P1), belangrijkste onderliggende wegen en kruisingen (P2). De literatuur richt zich op het effect van het automatiseren van de longitudinale rijtaak via Adaptive Cruise Control (ACC) en Coöperatieve Adaptive Cruise Control (CACC) op bijvoorbeeld volgtijden, de vrije snelheid, snelheid bij het wegrijden uit files, stabiliteit/schokgolven en de daaruit voortvloeiende vrije capaciteit en afrijdcapaciteit. Hieruit is gebleken dat ACC zowel een klein negatief als een klein positief effect kan hebben op de capaciteit (~ -5% - +10%) afhankelijk van de volgtijd die wordt gehanteerd. Voor CACC rapporteren de meeste studies een kwadratische toename van de capaciteit als de penetratiegraad toeneemt. Ook hierbij is de mate van toename afhankelijk van de gehanteerde volgtijden. De meeste studies geven aan dat de toename van de capaciteit pas groot wordt (>10%) als de penetratiegraad hoger is dan 40%. Er is nog niet veel bekend over de verkeersafwikkeling bij in-en uitvoegstroken, weefvakken en samenvoegingen en geregelde en ongeregelde kruisingen op het onderliggend wegennetwerk.

De verkennende modelanalyses hebben aangetoond dat met het LMS de netwerkeffecten die optreden als gevolg van een toe- of afname van de capaciteit door zelfrijdende auto’s kunnen worden

doorgerekend op voorwaarde dat de capaciteiten (invoer) realistisch zijn. Aangezien de capaciteit afhankelijk is van de mix van voertuigen is het nodig om na te gaan of de capaciteit als endogene variabele gemodelleerd kan worden in het LMS (is nu exogeen). Daarnaast is een verkenning nodig naar hoe de capaciteit bij in- en uitvoegstroken, samenvoegingen en de weefvakreductie eenvoudig kunnen worden aangepast, naar hoe de pae-factor (de ruimte die een vrachtwagen inneemt ten opzichte van een personenauto) voor het hoofd- en onderliggend wegennetwerk afzonderlijk kunnen worden aangepast, naar de mate waarin fileterugslag bij afritten realistisch wordt gemodelleerd en naar nut en noodzaak om de speed-flow curves en de wachttijd- en de fileduurtabellen aan te passen. Tevens kan een verkenning worden uitgevoerd naar de mogelijkheden van de inzet van andere

toedelingsmodellen of opschalingstechnieken.

Invoer: om een doorvertaling te maken van de scenario’s naar het effect op de verkeersafwikkeling is in aanvulling op de resultaten van het literatuuronderzoek een microsimulatiestudie nodig waarbij voor verschillende voertuigmixen met verschillende longitudinale en laterale systemen en mate van coöperatief rijden het effect op de verkeerafwikkeling wordt bepaald voor rechte snelwegen (zonder discontinuïteiten) (P1), weefvakken, op- en afritten, samenvoegingen (P1), doelgroepstroken (P1) en de belangrijkste onderliggende wegen en kruisingen (P2). Bij de simulaties is het van belang om realistische volgtijden te gebruiken die bij voorkeur afkomstig zijn uit technische testen (veldtesten) in combinatie met realistische toekomstverwachtingen ten aan zien van de volgtijd.

i) Routekeuze (P2). Mogelijk wijzigt de routekeuze van het vrachtverkeer als gevolg van pelotonvorming van vrachtverkeer en zelfrijdende auto’s. Het is bijvoorbeeld mogelijk dat vrachtverkeer eerder snelwegen kiest waar veel ander vrachtverkeer rijdt, omdat ze dan meer voordelen hebben van pelotonvorming. Daarnaast is het mogelijk dat er wat meer spreiding in de routes optreedt als gevolg van informatievoorziening die meer richting een systeem optimum gaat. Een verkennende studie kan uitwijzen of het nodig en mogelijk is om het toedelingsmodel van het LMS hiervoor aan te passen. Dit is niet alleen relevant in het kader van zelfrijdende auto’s, maar raakt in algemenere zin aan effecten van

informatievoorziening.

4. Het modelleren van overige effecten

Met het LMS kunnen niet alle effecten van zelfrijdende auto’s worden bepaald. Via de

betrouwbaarheidsmodule van het LMS kan een eerste inzicht worden verkregen in het effect op reistijdbetrouwbaarheid (P1), een data-analyse kan aantonen welk deel van de incidenten

(verkeersveiligheid) kan worden voorkomen en welk deel van het reistijdverlies als gevolg van incidenten kan worden voorkomen (P1). Daarnaast moet de vraag beantwoord worden of zelfrijdende auto’s nieuwe risico’s opleveren (incidenten, systeem failures, hacks, ….). Het effect op energie-efficiëntie en de uitstoot (P1) kan worden bepaald door gebruik te maken van testresultaten, eerder uitgevoerde simulaties en nieuwe simulaties. Tot slot verdient het aanbeveling om na te gaan wat de economische voordelen van zelfrijdende auto’s zijn.

Inhoud

Samenvatting v

1 Inleiding 1

2 Literatuuronderzoek 2

2.1 Wat zijn de meest aannemelijke scenario’s met betrekking tot zelfrijdende auto’s? 2

2.2 Wat is het effect van zelfrijdende auto’s op de capaciteit? 6

2.3 Wat is het effect van zelfrijdende auto’s op de tijdwaardering? 13 2.4 Welke factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag (naast de capaciteit en de tijdwaardering) worden nog meer beïnvloed door zelfrijdende auto’s? 14 2.5 Wat zijn de effecten van zelfrijdende auto’s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu? 14

2.6 Conclusies literatuuronderzoek 17

3 Modelruns 19

3.1 Invoermogelijkheden LMS 19

3.2 Specificatie van de modelruns 24

3.3 Analyse van de resultaten 27

3.4 Conclusies modelruns 32

4 Onderzoeksagenda voor het modelleren van mobiliteitseffecten van zelfrijdende auto’s 33 4.1 Modelleren van doorstromings- en bereikbaarheidseffecten met het LMS 33

4.2 Het modelleren van overige effecten 38

Dankwoord 39

Geciteerde werken 40

Bijlage A: Nadere toelichting simulatiestudies literatuur 43

Bijlage B: Figuren modelresultaten intensiteiten 50

1 Inleiding

De Minister van Infrastructuur en Milieu heeft onlangs de Tweede Kamer een brief gestuurd over grootschalige testen met zelfrijdende auto’s. De verwachting is dat de zelfrijdende auto op termijn gaat bijdragen aan het verbeteren van de doorstroming, de verkeersveiligheid en de leefbaarheid. Zodra de zelfrijdende auto een substantiële trend is, wordt deze meegenomen in de afwegingen voor nieuwe infrastructuur, onder andere via de Nationale Markt en Capaciteits-Analyse (NMCA). Om hier klaar voor te zijn is een verkenning nodig van de manier waarop de effecten van zelfrijdende auto's met het LMS kunnen worden berekend en het soort effecten dat zich voor kan doen.

Het ministerie van Infrastructuur en Milieu (DGB) en Rijkswaterstaat hebben daarom aan de TU Delft en Significance gevraagd om:

• Een literatuuroverzicht te geven met scenario’s/ontwikkelpaden en verwachte effecten van

zelfrijdende auto’s op de capaciteit, vraag naar mobiliteit (via de tijdwaardering) en andere factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag.

• Een vijftal modelruns uit te voeren met het LMS om tot aanbevelingen te komen hoe modellen kunnen worden ingezet om het effect van zelfrijdende auto’s te bepalen.

• Een overzicht te geven van onderzoeksvragen die beantwoord zouden moeten worden alvorens tot een reële inschatting te kunnen komen van de bereikbaarheidseffecten en een korte toelichting op hoe die vragen beantwoord zouden kunnen worden.

Hiertoe is een literatuurstudie uitgevoerd, een expertsessie1 _{georganiseerd en zijn vijf verkennende} modelruns met het LMS uitgevoerd. De resultaten van de literatuurstudie zijn in hoofdstuk 2 beschreven. Hoofdstuk 3 geeft aan hoe op basis van de literatuurstudie en expertsessie is bepaald welke LMS-runs uitgevoerd zijn, welke invoer daarvoor gebruikt is en wat de resultaten zijn. Hoofdstuk 4 geeft tot slot een overzicht van de onderzoeksagenda die nodig is om in 2016 het effect van zelfrijdende auto’s in de NMCA te kunnen modelleren voor het zichtjaar 2040. De agenda richt zich op scenario’s, de doorvertaling daarvan naar effecten op verkeersafwikkeling op microniveau en de tijdwaardering, de manier waarop met het LMS netwerkeffecten kunnen worden bepaald onder reguliere omstandigheden en de bepaling van overige effecten.

Afbakening

Het onderzoek richt zich voornamelijk op de methodische vragen met betrekking tot het kunnen inschatten van effecten op genoemde deelaspecten, ten einde een aanzet voor een onderzoeksagenda voor de

komende jaren te kunnen opleveren. Omdat bij de NMCA het LMS wordt ingezet, richt dit onderzoek zich op het LMS. Met het LMS kunnen echter niet alle effecten worden doorgerekend. In de onderzoeksagenda is daarom aangegeven welke effecten via andere methodes kunnen worden bepaald.

Zelfrijdende auto’s hebben verschillende technische, juridische, maatschappelijke, organisatorische en verkeerskundige implicaties. Dit onderzoek richt zich uitsluitend op de effecten die zelfrijdende auto’s

kunnen hebben op de verkeerskundige deelaspecten: verkeersafwikkeling en vraag naar mobiliteit. Mogelijke effecten op reistijdbetrouwbaarheid, verkeersveiligheid en milieu zijn wel in het literatuuronderzoek

beschouwd, maar niet gemodelleerd.

Bij de verkeersafwikkeling ligt de focus op de komst van zelfrijdende auto’s op hoofdwegen. Het effect hiervan op de stedelijke netwerken (bijv. meer of minder voertuigkilometers over de stedelijke netwerken) wordt wel beschouwd. Bij de vraag naar mobiliteit ligt het accent op de waardering van reistijd bij

autoverplaatsingen. Zelfrijdende auto’s op specifieke doelgroepstroken maakten geen onderdeel uit van het onderzoek, maar komen in het literatuuronderzoek toch beperkt aan bod. De focus is bovendien op de weg en dus niet op andere vervoerwijzen.

Voor vrachtverkeer is niet naar vraageffecten/vraagbeïnvloeding gekeken, maar wel naar capaciteitseffecten (bijv. als gevolg van pelotonvorming van vrachtwagens).

1

Aanwezig: Bart van Arem, Monique van den Berg, Hans Flikkema, Rik van Grol, Bastiaan Krosse, Henk van Mourik, Rob van Nes, Martijn van Noort, Henk Taale, Jelte Timmer, Jaap van Toorenburg, Erik Verroen, Jan van der Waard

2 Literatuuronderzoek

Dit hoofdstuk beschrijft de resultaten van het literatuuronderzoek. In het literatuuronderzoek zijn de volgende vragen beschouwd:

• Wat zijn de meest aannemelijke scenario’s met betrekking tot zelfrijdende auto’s? (verschillende vormen van rijtaakondersteuning, systeemontwikkeling, penetratiegraad, etc.)

• Wat is het effect van zelfrijdende auto’s op de capaciteit? • Wat is het effect van zelfrijdende auto’s op de tijdwaardering?

• Welke factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag (naast de capaciteit en de tijdwaardering) worden nog meer beïnvloed door zelfrijdende auto’s? Hierbij valt te denken aan de kans op incidenten en de snelheid waarmee files oplossen.

• Wat zijn de effecten van zelfrijdende auto’s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu?

In de volgende paragrafen is aangegeven wat vanuit de literatuur bekend is ten aanzien van deze vragen. In de laatste paragraaf zijn conclusie geformuleerd.

2.1 Wat zijn de meest aannemelijke scenario’s met betrekking tot zelfrijdende auto’s?

TrafficQuest heeft recent een rapport gepubliceerd over de state of art rondom coöperatieve systemen en automatisch rijden (Wilmink et al., 2014). Hierin komen de volgende onderwerpen aan bod:

• Waar hebben we het over: definities, domeinen van beïnvloeding (netwerk, lokaal, autonoom), coöperatieve systemen en services, doelen van automatisch rijden, transitie en integratie wegkant-voertuig, autonoom versus coöperatie – manueel versus automatisch, communicatietechnologieën, data-uitwisseling –fusie en –algoritmiek en mogelijkheden voor versnelde implementatie.

• Hoe ver zijn we in Nederland: beleidscontext, projecten in Nederland, demonstraties van coöperatieve systemen, testfaciliteiten en tools en samenwerkingsverbanden en netwerken. • Hoe ver zijn ze elders: Europa, Verenigde Staten, Japan, andere landen en internationale

samenwerking.

• Wat hebben we er aan? Verwachte impact coöperatieve systemen en automatisch rijden en effecten in cijfers.

• Waar gaan we naar toe.

Het rapport van TrafficQuest geeft daarmee grotendeels antwoord op de vraag wat vanuit de literatuur bekend is ten aanzien van aannemelijke scenario’s met betrekking tot zelfrijdende auto’s. Deze paragraaf is deels op het rapport van TrafficQuest gebaseerd. Hier zijn enkele andere bronnen aan toegevoegd.

Internationaal worden zes niveaus van automatisch rijden onderscheiden (SAE International, 2014). Deze zijn weergegeven in Figuur 2. Een aannemelijk scenario is dat steeds meer voertuigen op de weg komen waarbij een steeds groter deel van de rijtaken door het voertuig wordt overgenomen.

Figuur 2: Niveaus van automatisch rijden (SAE International, 2014)

De vraag is in hoeverre de systemen die de rijtaak overnemen coöperatief zijn. Bhat (2014) beschrijft dat daarbij twee scenario’s denkbaar zijn: een “Capatalistic self driving”-scenario en een “Socialistic connected vehicle”-scenario. De kenmerken van deze scenario’s zijn weergegeven in Figuur 3.

Figuur 3: Self driving en connected vehicle scenario (Bath, 2014)

In (Timmer & Kool, 2014) worden twee vergelijkbare scenario’s geschetst: de zelfstandige robotauto en het coöperatieve zelfsturende voertuig. Zij geven aan het Nederlandse beleid zich de afgelopen jaren op het verbeteren van verkeersmanagement en de ontwikkeling van coöperatieve systemen heeft gericht vanwege de gunstige bijdrage van deze systemen aan overheidsdoelen als minder files, veiliger, en duurzamer

verkeer. Het ontwikkelingsspoor naar robotauto’s (die niet communiceren) zien zij voor Nederland en Europa als een disruptieve innovatie. Omdat de robotauto niet in ‘treintjes’ kan rijden, draagt ze minder bij aan filereductie en milieubesparing. Volgens (Timmer & Kool, 2014) groeit het besef dat de coöperatieve en zelfstandige systemen elkaar zullen moeten aanvullen om tot een levensvatbare - voldoende betrouwbare en kostenefficiënte - zelfsturende auto te komen.

In lijn hiermee geeft (Wilmink et al., 2014) aan dat de ontwikkelingen langs twee assen plaats kunnen vinden. Deze assen zijn weergegeven in Figuur 4. Hierbij onderscheiden ze twee game changers2_{: “De} eerste is de overgang van autonoom naar coöperatief rijden. In eerste instantie zal het vooral om

adviserende systemen gaan, waarmee al veel winst te behalen is (denk aan geavanceerde informatie- en navigatiesystemen en communicerende eco-driving support systemen). Verregaande automatisering van de rijtaak (ook in autonome vorm) zal nog even op zich laten wachten. De ‘human factor’ is hierbij erg

belangrijk, vooral bij de stap van automation level 2 naar automation level 3 (game changer 2). De overgang van level 2 naar 3 kan echter voor nog grotere baten zorgen (er van uitgaande dat daarmee menselijke inefficiëntie wordt vermeden).”

Niv

eau

0

6

2

3

Figuur 4: Game changers (Wilmink et al., 2014)

Een vervolgvraag is hoe snel de verschillende niveaus van automatisch rijden bereikt worden. Tijdens het TRB-congres en het Automated Vehicles Symposium 2014 (AUVSI) is een enquête gehouden waarbij aan experts is gevraagd wanneer zij de introductie van niveau 3, 4 en 5 van automatisch rijden verwachten. De resultaten van deze enquête zijn samengevat in Figuur 5. Het begin- en eindpunt van de lijnen in de figuur geven de minimale en maximale verwachting weer. De bolletjes geven het verwachte (mediaan) jaartal van introductie weer.

Figuur 5: Verwachte marktintroductie zelfrijdende auto’s (TRB/AUVSI)

Bovenstaande zegt nog niets over de penetratiegraden van de verschillende niveaus van automatisch rijden. In Figuur 6 is het verkooppercentage in 2012 van verschillende rijtaakondersteunende systemen in

Nederland weergegeven volgens (van Calker & Flemming, 2013). Hierin is R1 de op basis van data berekende penetratiegraad, R2 de geschatte ondergrens, R4 geschatte de bovengrens en R3 een

2

Game changers: grote stappen in de ontwikkeling, die grote impact kunnen hebben op de verkeersafwikkeling en daarmee verkeersveiligheid en milieu.

aangepaste geschatte penetratiegraad. Rechts staat ter vergelijking het verkooppercentage (R3) van 2011.

Figuur 6: Verkooppercentage van verschillende rijtaakondersteunende systemen in 2012 (links) en 2011 (rechts) (van Calker & Flemming, 2013)

De snelheid waarmee de zelfrijdende auto zijn intrede doet hangt van veel verschillende factoren af, zoals de snelheid van technologische ontwikkelingen, de snelheid waarmee verschillende barrières worden weggenomen, stimuleringsmaatregelen van de overheid, de levensduur van de voertuigen, de

aanschafkosten van de voertuigen, de abonnementskosten van benodigde diensten om in een zelfrijdende auto te kunnen rijden etc.. (Litman, 2014) heeft op basis van de snelheid waarmee de airbag, automatische transmissie, navigatiesystemen, GPS-diensten en hybride voertuigen hun intrede doen (zie Figuur 7) en op basis van aannames over de ontwikkeling van de aanschafprijs en het moment waarop de voertuigen standaard zelfrijdend worden ontwikkeld een inschatting gemaakt van de penetratiegraad van volledig zelfrijdende auto’s. Hij concludeert dat in de Verenigde staten vanaf het moment van introductie het 10 tot 30 jaar kan duren voordat de zelfrijdende auto de verkoop van auto’s domineert en dat het nog eens 10 tot 20 jaar kan duren voordat het merendeel van de verplaatsingen met zelfrijdende auto’s wordt afgelegd (zie Figuur 8).

Figuur 8: Verkooppercentage en penetratiegraad van zelfrijdende auto’s (Litman, 2014)

2.2 Wat is het effect van zelfrijdende auto’s op de capaciteit?

Figuur 9 geeft de relatie weer tussen ITS-systemen (automatisch en coöperatief) en de capaciteit volgens (Hoogendoorn, van Arem, & Hoogendoorn, 2014). In de figuur is te zien dat ITS-systemen een advies geven over de volgafstanden (of volgtijden)3_{, de snelheidskeuze en/of de strookkeuze (inclusief strookwisselingen)} of deze zelfs bepalen. Hiermee beïnvloeden ze de vrije capaciteit, de verdeling van voertuigen over

rijstroken, de stabiliteit van de verkeersstroom en daarmee de capaciteitsval. De vrije capaciteit en de capaciteitsval bepalen de effectieve capaciteit. De effectieve capaciteit en de vraag zijn samen bepalend voor het totaal aantal voertuigverliesuren op een weg. De manier waarop de ITS-systemen de vraag beïnvloeden is niet in deze figuur weergegeven.

In de literatuur zijn verschillende studies voor handen welke de invloed van automatisch rijden op bijvoorbeeld de vrije capaciteit, afrijcapaciteit, de capaciteitsval en de stabiliteit beschrijven. De studies richten zich voornamelijk op de invloed van Adaptive Cruise Control (ACC) en Coöperatieve Adaptive Cruise Control (CACC) op deze aspecten van de efficiëntie van de verkeersstroom. Veldproeven zijn beperkt uitgevoerd. De meeste studies baseren zich daarom op microsimulaties. De studies zijn soms lastig

vergelijkbaar omdat verschillende aannames gedaan zijn over de volgafstand en volgtijd, de voertuigmix, de penetratiegraad. Daarnaast zijn verschillende netwerkconfiguraties gebruikt in de simulaties: aantal

rijstroken, maximum snelheden, grote van de bottleneck etc. Hieronder worden enkele studies kort beschreven. Onder Figuur 9 worden de effecten op de verschillende aspecten van de capaciteit nader toegelicht. In bijlage A zijn voor een selectie van studies meer simulatiedetails en resultaten weergegeven.

3

Een volgafstand is de afstand tussen de achterkant van een auto en de voorkant van de achterligger. De volgtijd is de tijd die het kost om die afstand te overbruggen.

Figuur 9: Relatie tussen ITS-systemen (automatisch en coöperatie) en de capaciteit en doorstroming (Hoogendoorn, van Arem, & Hoogendoorn, 2014)

2.2.1 Capaciteit

Voor handmatig bestuurde voertuigen ligt de capaciteit van een snelweg afhankelijk van de omstandigheden en het percentage vrachtverkeer tussen 1800 en 2200 voertuigen per strook per uur. De capaciteit van een rijstrook is grotendeels afhankelijk van de volgtijd. Volgens (Calvert, van den Broek, & van Noort, 2012) is de minimale volgtijd in normaal verkeer ongeveer 1,5-2,0 seconde. Zij baseren zich daarbij op meerdere bronnen. De volgtijd kan variëren als gevolg van allerlei factoren zoals het weer en de kwaliteit van het asfalt. Met CACC kan de volgafstand omlaag naar 0,9 seconde4. Als de volgtijd nog lager wordt dan wordt het verkeer instabiel.

In stationair verkeer kan de capaciteit met de volgende formule worden berekend: 1 𝑐𝑎𝑝𝑎𝑐𝑖𝑡𝑒𝑖𝑡= 1 𝑛∑ ( 𝑣𝑜𝑒𝑟𝑡𝑢𝑖𝑔𝑙𝑒𝑛𝑔𝑡𝑒_𝑖 𝑠𝑛𝑒𝑙ℎ𝑒𝑖𝑑_𝑖 + 𝑣𝑜𝑙𝑔𝑡𝑖𝑗𝑑𝑖) 𝑛 𝑖=1 (1)

Hierin is i een index voor voertuigen. Als met een gemiddelde voertuiglengte, snelheid en volgtijd voor alle voertuigen wordt gerekend, kan de capaciteit als volgt worden berekend:

1 𝑐𝑎𝑝𝑎𝑐𝑖𝑡𝑒𝑖𝑡= 𝑣𝑜𝑒𝑟𝑡𝑢𝑖𝑔𝑙𝑒𝑛𝑔𝑡𝑒 𝑠𝑛𝑒𝑙ℎ𝑒𝑖𝑑 + 𝑣𝑜𝑙𝑔𝑡𝑖𝑗𝑑 (2) 4

Bij een gemiddelde voertuiglengte inclusief veiligheidsbuffer van 6,67 meter en een snelheid van 30 m/sec (=108 km/uur) is de theoretische capaciteit per rijstrook bij een volgtijd van respectievelijk 0,9 seconde, 1,5 seconde en 2,0 seconde gelijk aan 3208 voertuigen per uur, 2090 voertuigen per uur en 1620

voertuigen/uur. Dit betekent dat de rijstrookcapaciteit als gevolg van CACC met ongeveer 58% tot 98% zou kunnen toenemen. Als gevolg van strookwisselingen, in- en uitvoegen, samenvoegen en weven zal de theoretische toename echter niet worden gehaald. Bij ACC moeten grotere volgtijden gehanteerd worden dan 0,9 seconde, waardoor de capaciteit zelfs zou kunnen afnemen. Onderstaande simulatiestudies gaan hier nader op in.

Zonder bottleneck

In Karaaslan et al. (1991) werd al gesteld dat automatisch rijden geacht kan worden een substantiële invloed te hebben op de capaciteit van de weg. Hierbij werd aangenomen dat deze invloed zich met name laat gelden middels het vormen van pelotons van automatische voertuigen. Door middel van microscopische simulaties stelden zij vast dat, afhankelijk van de grootte van het peloton, dat automatisch rijden een substantiële invloed heeft op de vrije snelheid als ook de separatie tussen voertuigen. Te dien aanzien stelden zij dan ook dat op deze wijze de capaciteit aanzienlijk vergroot kan worden.

Van Arem et al. (1996) vonden dat ACC weliswaar kan bijdragen aan de stabiliteit (standaarddeviatie) van het verkeer, maar dat het effect op de doorstroming negatief kan zijn. Zij beschouwde voor een rechte weg van 3 rijstroken in totaal vier combinaties van ACC waarbij de penetratiegraad 20% en 40% was en de volgtijd 1,0 seconde en 1,5 seconde. Als gevolg van ACC neemt de gemiddelde reistijd in alle vier de scenario’s toe wat een afname van de vrije capaciteit impliceert. Bij drie scenario’s is de toename van de reistijd klein (1% tot 4%). Bij het scenario met een penetratiegraad van 40% en een volgtijd van 1,5 seconde is de toename echter 17%. De standaarddeviatie van de reistijd nam bij 3 scenario’s af. Alleen bij een penetratiegraad van 40% en een volgtijd van 1,5 seconde nam deze toe.

In Ioannou (1997) is eveneens onderzoek gedaan naar de invloed van automatisch rijden op de capaciteit van de weg. In het bijzonder werd in dit onderzoek pelotonvorming met gecoördineerd remmen onderzocht. In zijn simulaties werd voor wat betreft de schatting van de capaciteit, de maximale deceleratie gebaseerd op testdata. Verder werd een onderscheid gemaakt tussen drie scenario’s, te weten autonome pelotons, pelotons die worden ondersteund door de infrastructuur en pelotons die worden gemanaged door de infrastructuur. In hun simulaties werd daarnaast een onderscheid gemaakt tussen situaties met wel of geen verschillende voertuigklassen. Uit de resultaten kwam naar voren dat pelotonvorming een positieve invloed heeft op de capaciteit. Indien men bijvoorbeeld pelotons gebruikte van 10 voertuigen, was een capaciteit waar te nemen van 7489 vtg/uur (3 rijstroken). Echter kwam wel uit het onderzoek naar voren dat het toepassen van verschillende voertuigklassen een negatief effect had op de capaciteit.

Van der Werf et. al. (2002) en Van der Werf et al. (2004) hebben onderzocht wat het effect is van

verschillende penetratiegraden van ACC (volgtijd 1,4 en 1,55 seconde) en CACC (volgtijd 0,5 seconde). Zij concludeerden dat ACC met een volgtijd van 1,4 seconde een marginaal effect heeft op de capaciteit. Bij een penetratiegraad tussen de 0% en 20% is het effect het grootst. Tussen de 20% en de 40% is het effect kleiner (maximaal 7% capaciteitswinst), tussen de 40% en 60% is er nauwelijks effect. Boven de 60% neemt de capaciteit af als gevolg van de volgtijd van 1,4 seconde. Bij volgtijden van 1,55 seconde is dit al boven een penetratiegraad van 40%. Zij adviseren om voor ACC geen doelgroepstroken aan te leggen, omdat een spreiding van ACC-voertuigen over de verschillende stroken schokgolven vermindert. Voor CACC vonden zij een kwadratische toename van de capaciteit. Bij hoge penetratiegraden van CACC raden zij wel doelgroepstroken aan waarbij de capaciteit zou kunnen toenemen van 2200 pae/uur naar 4200 pae/uur per strook. Echter, in deze studie werd slechts gebruikt gemaakt van één voertuigklasse. Verder was geen rekening gehouden met strookwisselingen in deze studie.

Arnaout en Bowling (2011) vonden voor een weg met 4 rijstroken in een scenario met en zonder oprit dat CACC een positief effect op de capaciteit heeft (tot +60% bij een penetratiegraad van 100%) als de penetratiegraad groter is dan 40% en de instroom hoog genoeg is. Bij lagere penetratiegraden was het positieve effect klein. Als de instroom laag is (vrije doorstroming), vonden ze geen effect op de capaciteit. Ze veronderstelden dat CACC voertuigen een volgtijd van 0,5 seconde aanhouden als ze achter een ander CACC-voertuig rijden en 0,8 tot 1,0 seconde (uniform verdeeld) als ze achter een ander voertuig rijden. Of men in praktijk deze korte volgtijden durft aan te houden is een grote uitdaging volgens hen.

In (Shladover, Su, & Lu, 2012) is een vorm van CACC getest die alleen V2V-communicatie gebruikt met voertuigen in de buurt. De CACC-voertuigen kunnen hun voorliggers volgen zonder dat de bestuurder gas hoeft te geven of hoeft te remmen; de bestuurder moet wel het voertuig in de strook houden. Er werd een overbelaste snelweg in gemodelleerd, met een lengte van 6,5 km en een snelheidslimiet van 105 km/uur zonder bottleneck. In de simulaties waren vier voertuigtypen aanwezig: 1) niet-uitgeruste voertuigen, 2) voertuigen uitgerust met ACC; 3) voertuigen die alleen maar hun locatie en snelheid doorgeven - “Here I am” vehicles; 4) Voertuigen uitgerust met C-ACC. De volgtijden zijn gebaseerd op waarnemen bij veldtesten:  Manueel: 1,5 seconde plus of min 10% (capaciteit ~2200 voertuigen/uur -> effectief 2018

voertuigen/uur).

 ACC: 31,1% met 2,2 seconde, 18,5% met 1,6 seconde, 50,4% met 1,1 seconde.

 CACC: 12% met 1,1 seconde, 7% met 0,9 seconde, 24% met 0,7 seconde, 57% met 0,6 seconde. Figuur 10a geeft de rijstrookcapaciteit weer als functie van de penetratiegraad van CACC-voertuigen (met 0% ACC). Figuur 10b geeft weer hoe de rijstrookcapaciteit afhangt van percentage ACC en CACC

voertuigen. Hieruit blijkt dat de procentuele toename van de capaciteit varieert tussen de 0% en 64% afhankelijk van de penetratiegraad van ACC- en CACC-voertuigen.

a b 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0% 2018 3970 10% 2065 2090 2170 2265 2389 2458 2662 2963 3389 0 20% 2065 2110 2179 2265 2378 2456 2671 2977 0 0 30% 2077 2127 2179 2269 2384 2487 2710 0 0 0 40% 2088 2128 2192 2273 2314 2522 0 0 0 0 50% 2095 2133 2188 2230 2365 0 0 0 0 0 60% 2101 2138 2136 2231 0 0 0 0 0 0 70% 2110 2084 2155 0 0 0 0 0 0 0 80% 2087 2101 0 0 0 0 0 0 0 0 90% 2068 0 0 0 0 0 0 0 0 0 100% 0 0 0 0 0 0 0 0 0 0 P er ce n ta ge o f A C C v eh ic le s

Percentage of CACC Vehicles

Niet vermeld in artikel (alleen grafisch)

N iet ver m el d in a rti kel

Figuur 10: a) Rijstrookcapaciteit als functie van het percentage voertuigen met CACC. b) Rijstrookcapaciteit en procentuele toename van de capaciteit als functie van het percentage ACC en CACC voertuigen

Met bottleneck

(van Arem, de Vos, & Vanderschuren, 1997) hebben voor een snelweg met 4 rijstroken en een

wegversmalling naar 3 rijstroken onderzocht wat het effect is van ACC met en zonder doelgroepstrook. Zij vonden dat in de situatie zonder doelgroepstrook ACC bij een penetratiegraad van 50% een positief effect heeft op de capaciteit van ongeveer 4%. Met doelgroepstrook is dit 6%-8%. Deze grotere toename komt door de veronderstelling dat op een doelgroepstrook een kleinere volgtijd van 0,7 seconde kan worden aangehouden.

In (van Arem, Driel, & Visser, 2006) is ook de invloed van verschillende percentages CACC-voertuigen op de efficiëntie van de verkeersstroom gesimuleerd voor een snelweg die van 4 naar 3 rijstroken gaat. De CACC-voertuigen hadden een volgtijd van 0,5 seconde als ze een ander CACC-voertuig volgen en 1,4 seconde als ze geen CACC-voertuig volgen. Daarnaast is het effect van een doelgroepstrook onderzocht. De studie liet zien dat CACC een potentieel positief effect heeft op de capaciteit. Bij een penetratiegraad boven de 40%

vonden zijn kleine positieve effecten van 3%-5%. De doelgroepstrook leidde niet tot een

capaciteitsverbetering (zelfs een kleine afname). Zij vonden ook dat als de communicatie tussen de CACC-voertuigen beperkt bleef tot longitudinale communicatie, CACC een negatief effect kan hebben op de veiligheid omdat andere voertuigen dan niet meer kunnen invoegen in de CACC-pelotons. Laterale

communicatie, het laten vallen van grotere gaten als een auto CACC wil invoegen en het beperken van de lengte van een peloton tot bijvoorbeeld maximaal 5 voertuigen kunnen hier oplossingen voor zijn.

(Van Driel & van Arem, 2010) hebben op basis van simulaties voor de A12 het effect van een file-assistent (soort ACC: actief gaspedaal en stop-en-go) bepaald voor een samenvoeging van 4 naar 3 rijstroken. Hieruit is gebleken dat de file-assistent de gemiddelde reistijd significant kan reduceren. Bij een penetratiegraad van 10% en 50% is de reductie respectievelijk 30% en 60%. De reductie wordt grotendeels door stop-en-go bereikt. Het actieve pedaal heeft een beperkte bijdrage. De afrijcapaciteit nam bij een penetratiegraad van 10% en volgtijd van 1,0 seconde met 3% toe. Bij een penetratiegraad van 50% en een volgtijd van 0,8 seconde vonden zij een toename van de capaciteit van 7%.

(Wang, 2014) heeft in zijn proefschrift simulaties uitgevoerd voor een snelweg van 14 kilometer met twee rijstroken. De vervoervraag was 1900 voertuigen per strook. De bottleneck bestond uit een verlaagde snelheidslimiet gedurende 2 minuten van 80 km/uur, 60 km/uur en 40 km/uur respectievelijk bij kilometer 11, 11,5 en 12. Dergelijke bottlenecks veroorzaken schokgolven. Bij penetratiegraden van 5%, 10%, 50% en 100% ACC vond hij respectievelijk een toename van de effectieve capaciteit bij de bottleneck van 10%, 13%, 12% en 13%. Bij penetratiegraden van 5%, 10%, 50% en 100% CACC vond hij respectievelijk een toename van de effectieve capaciteit bij de bottleneck van 9%, 14%, 13% en 13%.

Overzicht CACC

(Wilmink, Jonkers, Netten, & Ploeg, 2013) hebben op basis van een selectie van studies een overzicht gegeven van het effect van CACC op de capaciteit bij verschillende penetratiegraden. Dit overzicht is weergegeven in Figuur 11. De proef op de A2705 _{valt buiten de range van de andere studies in de figuur} omdat dat een informerend systeem betrof. Hierin verwijst Path simulaties naar (Shladover, Su, & Lu, 2012), Simulaties Amsterdam naar (Calvert, van den Broek, & van Noort, 2011)(zie ook paragraaf over

schokgolven) en Simulaties Arnaout naar ( (Arnaout & Bowling, 2011).

Figuur 11: Capaciteitseffecten van CACC bij verschillende penetratiegraden (Wilmink, Jonkers, Netten, & Ploeg, 2013)

2.2.2 Capaciteitsval

Naast een effect op de capaciteit heeft automatisch rijden ook een effect op de capaciteitsval. De

capaciteitsval houdt in dat wanneer er sprake is van congestie, bestuurders een grotere volgtijd hanteren

5

In februari 2010 zijn een aantal grootschalige experimenten uitgevoerd op de A270 tussen Helmond en Eindhoven. Doel was om de potentie van coöperatieve systemen te demonstreren voor het dempen van filegolven. Het coöperatieve systeem geeft individueel advies aan de bestuurder in welke mate hij moet versnellen of vertragen.

dan voordat de congestie optrad. Dit leidt tot een afname in de capaciteit van de weg. Onderzoek heeft aangetoond dat met name hoge intensiteiten dit fenomeen in gang zet.

Onderzoek naar de invloed van automatische voertuigen op de capaciteitsval is schaars. Echter, in Kesting et al. (2007) werd aangetoond dat een toename in de capaciteit niet lineair is, afhankelijk van de

penetratiegraad. Boven ongeveer 50% CACC voertuigen nam de capaciteit sneller toe dan bij lagere penetratiegraden. Dit is bevestigd in Kesting et al. (2010). In deze studie werd wederom gebruik gemaakt van microsimulaties. Verder werden in hun studie vijf verschillende scenario’s onderzocht, zoals vrij verkeer en bottlenecks. Uit deze studies kwam naar voren dat de waardes van de capaciteitsval liggen tussen 2 en 12%. Ook hier kwam naar voren dat de penetratiegraad een belangrijke factor is.

2.2.3 Stabiliteit en schokgolven

Naast de capaciteitsval kan in theorie het automatiseren van voertuigen eveneens een positieve impact hebben op de stabiliteit van het verkeer (met name van belang voor schokgolven). In zijn algemeenheid geldt dat een systeem stabiel is wanneer na een verstoring het systeem weer terugkeert naar zijn evenwichtstoestand. Gebaseerd op een extensieve review, identificeerden Kesting en Treiber (2013) drie soorten stabiliteit: lokale stabiliteit, peloton stabiliteit en stabiliteit van de verkeersstroom. In Eyre et al. (1998) werd al de invloed van pelotons op peloton stabiliteit onderzocht. In hun onderzoek werd

aangetoond dat een controller voor een vaste volgtijd een positieve invloed had op de stabiliteit. Hiernaast werd echter in Darbha en Rahjagopal (1999) aangetoond dat een constante volgtijdstrategie een negatieve invloed heeft op de stabiliteit. Volgtijden van 1 seconde leidde in hun onderzoek tot onwenselijke

karakteristieken ten aanzien van de stabiliteit. Deze bevindingen werden weer tegengesproken in Li en Shrivastava (2002). Zij bestudeerden de stabiliteit van de verkeersstroom op een ringweg waarbij zij gebruik maakten van een Constant Time Headway6_{. In deze studie toonden zij aan dat indien gebruik wordt}

gemaakt van deze strategie, er sprake is van stabiliteit.

(van Arem, Driel, & Visser, 2006)7 _{vonden dat het aantal schokgolven voor de bottleneck met ongeveer 30%} tot 90% afnam bij een toenemende penetratiegraad van CACC-voertuigen. Ook de standaarddeviatie van de snelheid werd een stuk kleiner.

In Schakel et al. (2010) werd de stabiliteit onderzocht indien er sprake is van verschillende voertuigklassen. In hun studie concludeerden zij dat de toename in de variabiliteit van de volgtijden door de aanwezigheid van de verschillende voertuigklassen maar een beperkte invloed had op stabiliteit. Wel bleek met name de penetratiegraad van CACC-voertuigen een substantiële invloed te hebben op het voorkomen van

schokgolven. Bij hogere penetratiegraden bleek de duur van de schokgolven aanmerkelijk korter, maar de schokgolfsnelheid en de afstand waarover de schokgolf zicht verplaatst hoger. Uit een veldtest op A270 demo is gebleken dat AAC (accelaratie advies gerelateerd aan CACC) automobilisten help met anticiperen wat tot verbeterde accelaratie en deceleratie leidt. Hierdoor ontstaan minder variatie in volgtijden en snelheden, waardoor schokgolven gestabiliseerd worden. De variatie in dichtheid verbeterde met 13%. (Calvert, van den Broek, & van Noort, 2011) hebben het effect van verschillende penetratiegraden van CACC-voertuigen op schokgolven gesimuleerd voor een gekalibreerd deel van het snelwegennetwerk van Amsterdam (de A1 en de A10-zuid). Op de A1 was er een bottleneck vanwege een wegversmalling van 4 naar 3 rijstroken. Hierdoor ontstaan schokgolven die terugslaan naar de A10. Zij vonden dat CACC bij een penetratiegraad van respectievelijk 5%, 10% 25%, 50%, 75% en 100% een toename van het totaal aantal aankomsten (indicator voor doorstroming) van 0%, 3%, 10%, 22%, 39% en 68%. In ieder scenario ontstond file bij de bottleneck, maar boven een penetratiegraad van 25% wordt de ernst van de

schokgolven een stuk kleiner. Boven een penetratiegraad van 50% slaan de schokgolven niet meer terug naar de A10 en bij een penetratiegraad van 100% ontstaan helemaal geen schokgolven meer. In een vervolgstudie (Calvert, van den Broek, & van Noort, 2012) hebben ze bepaald wat de optimale volgtijd is van CACC-voertuigen bij een mix van 50% ACC en 50% CACC-voertuigen. Zij concluderen dat het aantal aankomsten een piek heeft bij een volgtijd van 0,5 seconde en de gemiddelde snelheid in het netwerk een piek heeft bij 0,7 seconde. Echter in theorie leidt een volgtijd onder de 0,9 seconde voor de gekozen

6 _{Een headway is de afstand van de voorkant van een auto tot de voorkant van de volgende auto. Een volgafstand is de afstand}

tussen de achterkant van een auto en de voorkant van de achterligger. Hieruit volgt: headway = lengte voertuig/snelheid + volgafstand.

7

controller volgens hen tot instabiliteit (hoewel het praktisch wel mogelijk bleek). Een vergelijking tussen een volgtijd van 0,9 en 1,2 seconde liet zien dat bij penetratiegraden van 50% en 75% het totaal aantal

aankomsten bij een volgtijd van 0,9 groter is dan bij een volgtijd van 1,2. Bij een penetratiegraad van 100% maakt het niet uit, omdat dan bij een volgtijd van 1,2 seconde alle congestie al verdwenen was. Bij lage penetratiegraden had de volgtijd van 0,9 seconde een negatief effect. Dit kan het gevolg zijn van

stochasticiteit in de simulaties en modelaannames. Een andere mogelijke verklaring is dat bij een volgtijd van 1,2 seconde het verkeer homogener en dus stabieler is.

Tot slot heeft (Wang, 2014) in zijn simulaties aangetoond dat de ACC-systemen de stabiliteit

stroomopwaarts van de bottleneck verbeteren. De resulterende filegolf heeft geen constante snelheid stroomopwaarts, maar de snelheid hangt af van de verhouding tussen ACC voertuigen en andere voertuigen. De CACC systemen verbeteren de stabiliteit aan zowel het begin als het einde van een

opstopping en verhogen de effectieve capaciteit van het knelpunt in vergelijking met menselijke bestuurders en ACC systemen. Een noemenswaardige eigenschap van CACC systemen is dat filegolven zich sneller stroomopwaarts verplaatsen als gevolg van de voertuig-voertuig communicatie.

2.2.4 Effect van pelotonvorming vrachtverkeer op de capaciteit en de PAE-factor

De literatuur ten aanzien van de effecten van pelotonvorming van vrachtverkeer op de capaciteit en de pae-waarde (personen-autoequivalenten) is beperkt. Naar verwachting neemt als gevolg van pelotonvorming van vrachtverkeer de capaciteit uitgedrukt in voertuigen per uur naar verwachting toe mits de colonnes niet te veel het weven en in- en uitvoegen bemoeilijken. De verklaring hiervoor is dat vrachtwagens dichter achter elkaar kunnen rijden. (Minderhoud & Hansen, 2002) hebben met behulp van een simulatiestudie laten zien wat het effect van pelotonvorming van vrachtverkeer kan zijn. Zij hebben een snelweg gesimuleerd met een op- en afrit waarbij de rechterrijstrook een doelgroepstrook is voor de vrachtpelotons. Om het overige verkeer veilig de doelgroepsstrook te kunnen laten passeren werkten zij met stopsignalen voor het

vrachtverkeer die door wegkantsystemen worden afgegeven. In de simulatie was de maximale omvang van de pelotons 10 vrachtwagens. De afstand tussen de vrachtwagens in een peloton was 10 meter, de

minimale afstand tussen twee pelotons was 150 meter en de wenssnelheid 85 kilometer/uur. In theorie (zonder op- en afritten) zou de capaciteit van de doelgroepstrook kunnen toenemen van 1400 vrachtwagens per uur naar 2180 vrachtwagens per uur. Uit de simulaties bleek echter dat de extra capaciteit niet gehaald kon worden, omdat de vrachtpelotons moesten stoppen voor de stopsignalen. De netwerkprestatie ging zelfs achteruit.

De capaciteit uitgedrukt in pae zal naar verwachting ongeveer gelijk blijven. Immers, als gevolg van de korte volgtijden neemt de pae-factor naar verwachting af. We hebben geen literatuur kunnen vinden die hier verder op in gaat. Wel zijn de onderstaande verwante studies uitgevoerd die inzicht kunnen bieden. (Schermers & Malone, 2004) hebben een studie met een rijsimulator en simulatiemodel (MIXIC) uitgevoerd om naar het effect van pelotonvorming in het vrachtverkeer te kijken waarbij een het vrachtverkeer werd uitgerust met een ‘chauffeur-assistent’ die het volggedrag en het ‘in de strook blijven’ (lane keeping) regelt. Hierbij is gerekend met een volgtijd van 1,5 seconde tussen pelotons en 1 seconde binnen pelotons en met pelotons van maximaal 10 voertuigen. De simulatie is uitgevoerd voor een snelweg van 6 kilometer met 3 rijstroken zonder bottleneck met 10% vrachtverkeer en met 20% vrachtverkeer. Zij concludeerden dat de chauffeur-assistent geen negatief effect heeft op de doorstroming. Ze vonden geen significant effect op de reistijden, snelheden en dichtheden en veiligheidsindicatoren. Het aantal strookwisselingen nam wel af met minder schokgolven als gevolg. Daarnaast vonden zij dat de spreiding in volgtijden op de rechter rijstrook groter werd wat er op zou kunnen duiden dat personenauto’s minder gebruik maken van de rechter rijstrook, of dat, als ze wel gebruik maken van de rechter rijstrook, ze aanpassingen van de volgtijden voor het vrachtverkeer veroorzaken.

(Minderhoud, 2011) heeft een simulatiestudie8 _{op een snelweg van 6 kilometer met 2 rijstroken uitgevoerd} waarbij hij heeft geanalyseerd wat het effect is van een toenemend percentage vrachtverkeer (0% - 40%) bij toenemende intensiteiten (van 300 naar 4100 voertuigen/uur) op de gemiddelde snelheden en daarmee

8 _{Gehanteerde wenssnelheid personenauto’s: 115 km/uur met een standaarddeviatie van 4 km/uur;} wenssnelheid vrachtauto’s: 88 km/uur met een standaarddeviatie van 4 km/uur.

de reistijden. Op basis van de simulaties kon niet bewezen worden dat de time to collision9 _{invloed heeft op} de reistijd voor personenauto’s. Deze conclusie kan niet één op één vertaald worden naar uitvoegsituaties bij pelotonvorming omdat bij uitvoegen de noodzaak om naar rechts te gaan groter is en bij pelotonvorming de tijd die nodig is voordat je kan uitvoegen groter is (omdat er meer vrachtwagens achter elkaar rijden waar je niet tussendoor kan), maar het geeft wel een eerste indicatie dat pelotonvorming van vrachtwagens bij afritten beperkt invloed zou kunnen hebben op de doorstroming.

Vervolgens is een bottleneck geïntroduceerd om naar de capaciteitswaarden en pae-factoren te kijken bij een toenemende intensiteit en toenemend percentage vracht. Als de capaciteit bereikt is ligt de pae-waarde tussen de 1,9 en de 2,1 afhankelijk van het percentage vracht met een elasticiteit van 0,01 (als het

percentage vracht met 1% toeneemt, neemt de pae-waarde met 0,01 toe). Dit is alleen getest voor vrachtpercentages tussen de 0%-20%. De capaciteit in pae blijft ongeveer constant.

2.2.5 Efficiënter gebruik van de weg

(Litman, 2014) geeft aan dat de weg mogelijk efficiënter gebruikt kan worden omdat rijstroken smaller kunnen worden en vluchtstroken gebruikt kunnen worden. Ook noemt hij dat op het onderliggend wegennetwerk bij kruisingen minder gestopt hoeft te worden.

2.3 Wat is het effect van zelfrijdende auto’s op de tijdwaardering?

(Gucwa, 2014) geeft aan dat zelfrijdende auto’s van invloed kunnen zijn op de tijdwaardering van autobestuurders. Om een uitspraak te doen over hoeveel de tijdwaardering kan afnemen heeft hij een vergelijking gemaakt met hoogwaardig openbaar vervoer. Hij geeft aan dat het voordeel van reizen met de auto is dat de auto flexibel is, persoonlijke veiligheid en privacy biedt en relatief snel is vergeleken bij het openbaar vervoer. Als voordeel van het reizen met het openbaar vervoer noemt hij dat het openbaar vervoer al zelfrijdend is en de tijd in het voertuig dus nuttig(er) besteed kan worden. Daarnaast is er geen stress van het besturen van een voertuig, vinden er weinig ongelukken plaats, worden mensen minder snel ‘reisziek’ en is er geen persoonlijke aansprakelijkheid. De zelfrijdende auto heeft volgens hem potentie om de voordelen van de beide voertuigen te combineren in één vervoerwijze. In hoeverre dat lukt, is echter maar de vraag. Om deze reden heeft hij vier scenario’s gedefinieerd: 1) de tijdwaardering wijzigt niet, 2) de tijdwaardering is gelijk aan laagste tijdwaardering van auto of openbaar vervoer, 3) de tijdwaardering voor de auto wordt gehalveerd, 4) de tijdwaardering gaat terug naar 0 euro per persoon per uur.

Naast de bovenstaande studie zijn er in de literatuur voor zover bekend geen andere studies beschikbaar over hoe zelfrijdende auto’s de tijdwaardering beïnvloeden. Studies die de ontwikkeling van de

tijdwaardering in de tijd weergegeven zijn wel (beperkt) beschikbaar. Uit KIM (2013) blijkt bijvoorbeeld dat de tijdwaardering tussen 1997 en 2010 voor het autoverkeer met 19% is gedaald voor het woon-werk en zakelijk verkeer. Voor de overige motieven is deze toegenomen met 39%. Hierbij is voor inflatie en methodebreuk gecorrigeerd.

Tussen 1997 en 2010 is de reële loonvoet met 30% gestegen. Dit impliceert volgens de aanvulling voor de Directe Effecten op de Leidraad OEI dat we zouden mogen verwachten dat de reële reistijdwaardering met ongeveer +15% zou groeien (inkomenselasticiteit 0,5) als gevolg van de stijging van de reële loonvoet. Een mogelijke verklaring (hypothese) voor een groei die onder de +15% uitkomt, zou het gebruik van de mobiele telefoon tijdens de reis kunnen zijn (KiM, 2013). De reistijd kan hierdoor voor een deel nuttig worden besteed. Dit wordt ook wel reistijdverrijking genoemd. Dit fenomeen werd voor het eerst beschreven door Hugh Gunn (2001). Hij concludeert dat, ondanks een forse stijging van het inkomen, in de periode 1988-1997 de reële waardering voor de verandering in reistijd in Nederland ruwweg constant bleef.

Bij de trein was juist een toename van de tijdwaardering te zien van 17% voor het woon-werk verkeer, 28% voor het zakelijk verkeer en 27% voor het overig verkeer. De reistijdverrijking heeft bij de trein dus niet zo sterk doorgezet als bij de auto, terwijl de trein in potentie juist goede mogelijkheden biedt om te kunnen werken tijdens de reis. “Misschien dat overvolle treinen – waardoor het moeilijk is een zitplaats te vinden – hierbij een rol hebben gespeeld. Wellicht ook bestaat zoiets als reistijdverrijking al veel langer in de trein. Denk aan het lezen van de krant of rapporten, waardoor de toegevoegde waarde van ICT-ontwikkelingen

9

De time to collision is het artikel van (Minderhoud, 2011) gedefinieerd als de minimale tijd dat automobilisten rechts willen kunnen rijden zonder gehinderd te worden door langzamer verkeer.

hier in vergelijking met de auto beperkt is gebleven. Misschien is er in de trein nog een kleine vooruitgang te verwachten door de introductie van WiFi.”

Bovenstaande leidt tot de vraag hoever de reistijdverrijking voor de auto nog door kan zetten als gevolg van de introductie van zelfrijdende auto’s. Een indicatie kan zijn dat de tijdwaardering voor de autopassagier 80% is van de tijdwaardering voor de autobestuurder (OEI leidraad, 2000).

Literatuur over de mate waarin vrachtpelotonvorming de tijdwaardering voor het vrachtverkeer beïnvloedt valt buiten de scope van deze literatuurstudie.

2.4 Welke factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag (naast de capaciteit en de tijdwaardering) worden nog meer beïnvloed door zelfrijdende auto’s?

In de literatuur zijn de volgende aanvullende factoren te vinden die de verkeersafwikkeling en het verplaatsingsgedrag beïnvloeden:

 Minder stress bij het rijden (Litman, 2014) waardoor de tijd nuttiger kan worden gebruikt.

 Autogebruik: volgens (Brown, Gonder, & Repac, 2013) kunnen kinderen, ouderen en gehandicapten die nu niet zelfstandig kunnen rijden als gevolg van zelfrijdende auto’s wel hun verplaatsingen met de auto maken. Ze geven niet aan met hoeveel procent het aantal autoverplaatsingen stijgt. Wel hebben zij het effect op het aantal voertuigkilometers ingeschat: + 40% (zie volgende paragraaf).

 Autobezit: volgens (Litman, 2014) kan het autobezit afnemen als gevolg van autodelen, maar zou het autobezit ook toe kunnen nemen indien auto’s goedkoper worden.

 Autobezettingsgraad: (Brown, Gonder, & Repac, 2013) geven aan dat als gevolg van zelfrijdende auto’s de bezetting van auto’s omhoog kan gaan. Ze verwijzen hierbij naar autodeelsystemen.

 Autobezitkosten: de kosten van een auto (aanschaf, onderhoud en diensten) kunnen volgens (Litman, 2014) omhoog gaan.

 Brandstofkosten: de brandstofkosten kunnen volgens (Brown, Gonder, & Repac, 2013) omlaag gaan als gevolg van zuiniger rijden. Ze kunnen echter ook omhoog gaan als er meer voertuigkilometers worden afgelegd. Paragraaf 2.5 gaat hier nader op in. (Gucwa, 2014) geeft aan dat het brandstofverbruik kan afnemen met ongeveer 24% als gevolg van ‘eco-driving’, maar om hoge capaciteiten te realiseren is soms ook ‘agressief’ rijden nodig. Hij veronderstelt in zijn simulaties daarom een afname van 15%.  Lagere chauffeurskosten voor het vrachtverkeer en bij taxi’s (Litman, 2014)

 Parkeren: Volgens (Brown, Gonder, & Repac, 2013) kunnen zelfrijdende auto’s het aantal afgelegde kilometers als gevolg van het zoeken naar parkeerplaatsen reduceren omdat de auto op een andere locatie dan op de bestemming kan worden geparkeerd. Ook kunnen de parkeerkosten omlaag gaan.  Autovormgeving en inrichting: (Gucwa, 2014) geeft aan dat de auto’s groter zouden kunnen worden, om

meer comfort te bieden. Zelfrijdende auto’s verkleinen volgens hem bovendien de huidige problemen van grote auto’s ten aanzien van parkeren en het rijden in congestie. Uiteindelijk kan de inrichting van auto’s ook veranderingen als het niet meer vereist is om een stuur te hebben en door voorruit naar buiten te kunnen kijken.

 Veiligheid: in het project eIMPACT (Wilmink, et al., 2008) is uitgebreid gekeken naar de mogelijke effecten van automatisch rijden op de verkeersveiligheid. Als zich minder incidenten voordoen verbetert de verkeersafwikkeling onder deze omstandigheden. Paragraaf 2.5 gaat hier nader op in. (Litman, 2014) geeft echter ook aan dat zich nieuwe risico’s kunnen voordoen zoals falende systemen. Daarnaast worden wellicht meer risico’s genomen (offsetting behavior).

 Informatie: geavanceerde informatie- en navigatiesystemen. Volgens (Brown, Gonder, & Repac, 2013) kan als gevolg van coöperatieve systemen betere routeinformatie worden verschaft wat een positief effect op de verkeersafwikkeling kan hebben.

 Snelheid: volgens (Gucwa, 2014) bestaat er een mogelijkheid (afhankelijk van de regelgeving) dat als gevolg van zelfrijdende auto’s de snelheidslimieten strikt gehanteerd worden.

2.5 Wat zijn de effecten van zelfrijdende auto’s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu?

2.5.1 Aantal verplaatsingen, voertuigkilometers

(Litman, 2014) geeft aan dat pas bij een hoge penetratiegraad (waarschijnlijk tussen 2040 en 2060) significante effecten verwacht mogen worden op de doorstroming, verkeersveiligheid, brandstofverbruik en milieu. Hij geeft aan dat het aantal afgelegde kilometers dan toe zou kunnen nemen.

(Gucwa, 2014) heeft met het ‘San Francisco’s Metropolitan Commission’s Travel Model One’ meerdere scenario’s doorgerekend waarin de capaciteit (0%, +10% en +100%) en de tijdwaardering zijn gevarieerd (0%, min(auto, OV), -50%, -100%). Zijn modelruns geven aan dat het aantal voertuigkilometers naar verwachting 4%-8% toeneemt.

In (Brown, Gonder, & Repac, 2013) is een overzicht gegeven van mogelijke effecten van automatisch rijden op het aantal voertuigkilometers (UI), de “energy efficiency” (EI) en “fuel efficiency”. Volgens hen kunnen automatisch voertuigen de CO2-uitstoot en het brandstofverbruik verminderen als gevolg van een hogere brandstofefficiency, betere routekeuze en minder congestie. Daar staat tegenover dat automatische

voertuigen het brandstofverbruik ook zouden kunnen vergroten als gevolg van langere afstanden die worden afgelegd en hogere snelheden. De effecten zijn samengevat in Figuur 12.

2.5.2 Voertuigverliesuren, Reistijden en Filegolven

In (Wilmink, Jonkers, Netten, & Ploeg, 2013) is op basis van een literatuuronderzoek inzicht gegeven in de potentiële effecten van (snelheids)maatregelen op filegolven. Hierbij zijn de volgende

(snelheids)maatregelen beschouwd:

 Wegkantoplossingen (met intelligente algoritmen zoals gebruikt in Dynamax A12 SPECIALIST en (deels) Dynamax In Car);

 Connected vehicles (gebruik navigatiesystemen om snelheidsadvies te geven, zonder communicatie met de wegkant);

 Coöperatieve systemen (snelheidsadvies op basis van voertuig-wegkant communicatie, zoals in de in-car varianten gesimuleerd in Dynamax In Car).

 Coöperatieve systemen (snelheidsadvies op basis van informatie van nabije (stroomafwaartse) voertuigen).

In de diverse bronnen die zij bestudeerden zijn verschillende penetratiegraden en opvolgingspercentages van de verschillende systemen onderzocht. Figuur 13 geeft aan welke penetratiegraden per

snelheidsmaatregel zijn beschouwd. In Tabel 12, Tabel 13 en Tabel 14 in Bijlage A is respectievelijk het effect van deze systemen op het aantal voertuigverliesuren, de reistijd en het aantal schokgolven

weergegeven. Hieruit blijkt dat afhankelijk van het systeem, de locatie van toepassing, de penetratiegraad en de mate van opvolging het aantal voertuigverliesuren met 0%-60% afneemt, de reistijd met 0%-68% afneemt en het aantal filegolven met 8%-89% afneemt.

Maatregel/bron: 0 1 2 5 10 20 25 30 40 50 60 70 75 80 90 100

Dynamax SPECIALIST wegkant x x

Dynamax In Car x x x x x

Connected Cruise Control (CCC) x x x x x x

A270 proeven 2010 x x

SPITS A270 2011 x x x

CACC simulaties PATH x x x x x x x x x x

CACC - Freeway with a ramp x x x x x x

CACC - dynamics of cooperative flow x x x x x x

Fileassistent (CACC met V2I) x x x x x x x

CACC simulaties Amsterdam x x x x x x

Bekeken penetratiegraden (%)

Figuur 13: Penetratiegraden snelheidsmaatregelen

2.5.3 Verkeersveiligheid

In eIMPACT (Wilmink, et al., 2008) is voor 12 systemen het effect op de verkeersveiligheid bepaald. Dit betreft directe effecten in de vorm van veranderingen in volgtijden en indirect in de vorm van minder incidenten en minder congestieve als gevolg van incidenten. De volgende 12 systemen zijn beschouwd: 1. Electronic Stability Control (ESC)

2. Full Speed Range ACC (FSR) 3. Emergency Braking (EBR)

4. Pre-Crash Protection of Vulnerable Road Users (PCV) 5. Lane Change Assistant (Warning) (LCA)

6. Lane Keeping Support (LKS) 7. NightVisionWarn (NIW)

8. Driver Drowsiness Monitoring and Warning (DDM) 9. eCall (one-way communication) (ECA)

10. Intersection Safety (INS)

11. Wireless Local Danger Warning (WLD) 12. SpeedAlert (SPE)

Van deze systemen wordt van Electronic Stability Control verwacht dat het de meeste doden en gewonden voorkomt: 14% minder doden en 5,7% minder gewonden in 2020. Van SpeedAlert 5,2% doden), eCall (-3,5% doden) and Lane Keeping Support (-3,3% doden) worden ook substantiële effecten verwacht.

Naar verwachting hebben de onderzochte systemen een gering, maar in ieder geval geen negatief, effect op de doorstroming. Wel reduceren alle systemen de congestie als gevolg van incidenten.

Wat zijn de effecten van zelfrijdende auto’s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu?

2.6 Conclusies literatuuronderzoek

Scenario’s

Uit de literatuur blijkt dat de ontwikkeling van zelfrijdende auto’s langs twee assen plaatsvindt: de as van manueel naar automatisch en de as van autonoom naar coöperatief. Voor de as van manueel naar automatisch zijn zes internationaal gehanteerde niveaus gedefinieerd (sae-levels). Hoe snel deze ontwikkeling plaatsvindt en hoe het transitiepad (mix van voertuigen van verschillende niveaus van

automatisch rijden en mate van coöperatie) er precies uit ziet is niet volledig uitgewerkt. De overheid en de auto-industrie spelen hier een rol in. Zo blijkt uit de literatuur dat de volgende factoren bijvoorbeeld van invloed zijn: de snelheid van technologische ontwikkelingen, de snelheid waarmee verschillende barrières worden weggenomen, stimuleringsmaatregelen van de overheid, de economische levensduur van de voertuigen, de aanschafkosten van de voertuigen, de abonnementskosten van benodigde diensten om in een zelfrijdende auto te kunnen etc.

Capaciteit

De literatuur richt zich op het automatiseren van de longitudinale rijtaak met behulp van ACC en CACC. Vrijwel alle studies baseren zich op microsimulaties soms in combinatie met een veldtest. De studies zijn lastig vergelijkbaar omdat verschillende aannames gedaan zijn over de volgtijd, de voertuigmix en de penetratiegraad. Daarnaast zijn verschillende netwerkconfiguraties gebruikt in de simulaties: aantal rijstroken, maximum snelheden, het aanwezig zijn van een bottleneck, grote van de bottleneck, de mate waarin en de locatie waarvoor het model gekalibreerd is. Op basis van de beschikbare literatuur kunnen de volgende conclusies worden getrokken:

 ACC kan zowel een klein negatief als een klein positief effect hebben op de capaciteit (~ -5% - +10%). Dit hangt samen met de volgtijd die wordt gehanteerd. Als de volgtijd groter is dan de volgtijd die automobilisten zonder ACC hanteren, neemt de capaciteit af.

 Voor CACC rapporteren de meeste studies een kwadratische toename van de capaciteit als

penetratiegraad toeneemt met een maximale theoretische toename van 100% (verdubbeling). Ook hierbij is de mate van toename afhankelijk van de gehanteerde volgtijden en het aanwezig zijn van bottlenecks. De meeste studies geven aan dat de toename van de capaciteit pas groot wordt (>10%) als de penetratiegraad hoger is dan 40%.

 Bij volgtijden van CACC onder de 0,9 seconde wordt volgens (Calvert, van den Broek, & van Noort, 2012) het verkeer instabiel. Dit geldt voor de door hen beschouwde CACC-controller. Bij andere controllers kan dit anders zijn. In simulatiestudies wordt echter vaak met veel lagere volgtijden tot 0,5 seconde gerekend waarvan het de vraag is of dat realistisch is.

 De studies waarbij naar het effect van CACC bij een bottleneck is gekeken richten zich meestal op wegversmallingen van 4 naar 3 rijstroken. De gevonden studies laten zien dat de capaciteitstoename bij de gesimuleerde bottlenecks meestal kleiner is dan 10%. Bij een enkele studie is ook naar een

invoegstrook en een dynamische snelheidslimiet gekeken.

 Onderzoek naar de capaciteitsval is schaars. Uit onderzoek van Kesting et al. (2010) bleek dat bij hoge penetratiegraden van CACC de capaciteitsval kan afnemen van 12% naar 2%.

 ACC en CACC hebben een positief effect op de stabiliteit. Bij hogere penetratiegraden ontstaan minder schokgolven en is de duur van de schokgolven aanmerkelijk korter, maar verplaatsen schokgolven zich sneller stroomopwaarts. Bij hele hoge penetratiegraden van CACC ontstaan geen schokgolven meer.  Het effect van ACC en CACC op doelgroepstroken is in de literatuur beperkt onderzocht. De beschikbare

literatuur geeft aan dat doelgroepstroken voor personenauto’s bij ACC en CACC zowel een negatief als een positief effect op de capaciteit kunnen hebben. Hierbij is de volgtijd, de penetratiegraad en de grootte van de pelotons van belang. Een simulatiestudie voor pelotonvorming van vrachtverkeer op een doelgroepstrook (rechter rijstrook) bleek eveneens dat capaciteit in theorie wel omhoog zou kunnen, maar dat door in- en uitvoegen van overig verkeer de netwerkprestatie toch kan verslechteren.