Come il modello GOLC migliora sicurezza e fluidità del traffico?

Il modello GOLC (Global Optimal Lane-Changing) è stato progettato per prendere decisioni di cambio corsia tenendo conto non solo dell’impatto immediato sulle auto vicine, ma anche sull’intero gruppo di veicoli interessato. Utilizzando un’onda cinematica, il modello prevede come un cambio corsia influenzerà velocità e distanza di tutti i veicoli nel tratto successivo, riducendo frenate brusche e manovre inutili. Testato nel simulatore SUMO, il GOLC è stato confrontato con due modelli tradizionali: MOBIL e LC2013. Nei scenari a medio‑alto flusso su tre corsie, il GOLC ha diminuito il ritardo medio dal 3,4% al 46,8% rispetto a MOBIL. Inoltre ha tagliato le cambiate non necessarie di 1,1 volte rispetto a LC2013, rendendo il traffico più sicuro. In situazioni di incidente, il modello mantiene velocità più alte e tempi di percorrenza più bassi, limitando le variazioni di velocità e le decelerazioni brusche. Questi risultati mostrano come integrare teorie del traffico su larga scala nelle decisioni di guida possa portare a sistemi di assistenza alla guida più intelligenti e a strade più sicure per tutti.

Il modello GOLC si basa su una formulazione ottimistica che minimizza una funzione di costo globale composta da termini di ritardo, consumo di energia e rischio di collisione. La funzione di costo integra le equazioni di Lighthill‑Whitham‑Richards (LWR) per descrivere la densità di traffico come un’onda cinematica, permettendo di calcolare l’impatto spaziotemporale di un cambio corsia su tutto il tratto successivo. A differenza di modelli locali come MOBIL, che valutano solo il guadagno di velocità relativo al veicolo che cambia corsia e ai suoi vicini immediati, GOLC considera l’effetto cumulativo su tutti i veicoli del platoon interessato, risolvendo un problema di ottimizzazione vincolata mediante programmazione dinamica. Le simulazioni SUMO hanno mostrato che, sotto flussi di 1500‑2000 veicoli/ora per corsia, il GOLC riduce l’indice di variazione di velocità (speed dispersion) del 22% rispetto a LC2013 e diminuisce le decelerazioni medie del 18%. Inoltre, il numero di cambi di corsia indotti da perturbazioni esterne (es. veicolo di emergenza) è inferiore del 15%, indicando una maggiore robustezza del modello in condizioni di traffico non stazionario. Questi risultati suggeriscono che l’integrazione di modelli macroscopici nei processi decisionali microscopici possa essere realizzata in hardware di bordo tramite algoritmi di previsione a breve termine, aprendo la strada a funzioni avanzate di ADAS come il cambio corsia cooperativo e l’assistenza al mantenimento di corsia in scenari urbani complessi.