Come possono le auto connesse rendere più veloce il traffico dopo un incidente?

Immagina una strada bloccata da un incidente: code infinite, tempo perso e stress a non finire. Gli scienziati hanno testato sette strategie per far sì che le auto connesse e autonome (CAV) collaborino con i sistemi di gestione del traffico (ATM) e riducano il caos.

Le prime tre idee sono semplici ma potenti. La prima (MS1) abbassa la velocità massima, ma lascia libere le manovre di sorpasso. Con solo il 10 % di veicoli CAV, il tempo di viaggio scende dell'11,6 % rispetto al 1,9 % senza interventi. La seconda (MS2) dice alle CAV di cambiare corsia prima del punto critico, idealmente un miglio prima dell’incidente, ottenendo una riduzione del 6 % del tempo di percorrenza. La terza (MS3) vieta ai veicoli CAV di cambiare corsia vicino all’incidente, un vincolo che diventa più efficace man mano che la percentuale di CAV aumenta.

Le combinazioni (MS4‑MS7) mescolano queste regole, dimostrando che l’unione di più strategie può dare risultati ancora migliori. Le simulazioni VISSIM mostrano che, quando le CAV seguono le indicazioni di velocità e di cambio corsia, le code si accorciano e i tempi di viaggio migliorano notevolmente.

In pratica, una flotta di auto intelligenti che ascolta le indicazioni del traffico può trasformare una situazione di blocco in un flusso più fluido, riducendo lo stress per tutti gli utenti della strada.

Le simulazioni sono state eseguite con VISSIM, un software di micro‑simulazione che riproduce il comportamento individuale di ogni veicolo. Il modello CAV è stato parametrizzato con capacità di comunicazione V2X (vehicle‑to‑everything), consentendo lo scambio di dati su velocità, posizione e intenzioni di cambio corsia in tempo reale.

MS1 sfrutta il controllo longitudinale: una riduzione dinamica del limite di velocità è trasmessa via DSRC (Dedicated Short‑Range Communications) a tutti i veicoli, riducendo la probabilità di shockwave di congestione. MS2 utilizza algoritmi predittivi basati su modelli di car‑following (es. IDM – Intelligent Driver Model) per calcolare il punto ottimale di cambio corsia, minimizzando l’interferenza con veicoli non connessi. MS3 impone restrizioni laterali mediante messaggi di restrizione di lane change (LCM – Lane Change Management), che i CAV rispettano grazie a sistemi di controllo di stabilità.

Le combinazioni (MS4‑MS7) sono state valutate con design of experiments (DOE) a fattori multipli, variando la percentuale di penetrazione CAV (10 %‑30 %) e la distanza di attivazione delle strategie (0,5‑2 miglia). I risultati mostrano una sinergia non lineare: ad esempio, MS1+MS2 a 30 % CAV riduce il tempo medio di viaggio di oltre il 20 %, grazie alla mitigazione simultanea di bottleneck longitudinali e laterali. L’analisi di sensitività evidenzia che la latenza di comunicazione (≤ 100 ms) è cruciale per mantenere l’efficacia delle strategie, mentre una perdita di pacchetti superiore al 5 % degrada rapidamente i benefici. Questi dati supportano l’adozione di protocolli V2X a bassa latenza e di infrastrutture edge‑computing per gestire in tempo reale le decisioni di traffico in scenari post‑incidente.