Adaptive SDN-Assisted Traffic Signal Control for Road Traffic Congestion Mitigation in VANETs

Jeden Tag navigieren Millionen von Autofahrern durch Stadtstraßen und finden sich oft in langen Schlangen an Kreuzungen wieder, an denen die Ampeln nach einem starren, unveränderlichen Zeitplan umschalten. Diese festen Timer wissen nicht, ob eine Fahrspur mit Autos vollgestopft oder leer ist, was zu verschwendeter Zeit, zusätzlichem Kraftstoffverbrauch beim Leerlauf und einem frustrierenden Rückstau von Fahrzeugen führt, der das gesamte Netzwerk verlangsamt. In den letzten Jahren haben Ingenieure begonnen, Autos mit der Straßeninfrastruktur selbst zu vernetzen, sodass Fahrzeuge ihre Geschwindigkeit und Position an Straßenseiten-Einheiten senden können. Dieser Fluss von Echtzeitdaten bietet die Chance, über statische Timer hinauszugehen, aber die Verwaltung dieser Informationen erfordert ein zentrales Gehirn, das schnelle, faire Entscheidungen für das gesamte System treffen kann. Die Herausforderung besteht darin, ein Steuerungssystem zu schaffen, das sofort sehen kann, welche Straße am stärksten überlastet ist, dieser Spur Grün gibt und dennoch sicherstellt, dass keine andere Richtung ewig warten muss.

Forscher der Pondicherry University haben einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem sie die Fahrzeugkommunikation mit einem zentralisierten Netzwerkmanagementsystem namens Software-Defined Networking kombinieren. Anstatt sich auf voreingestellte Timer zu verlassen, agiert ihr System wie ein dynamischer Verkehrsmanager, der ständig auf die Autos hört. Wenn sich Fahrzeuge einer Kreuzung nähern, senden sie kurze digitale Signale aus, die ihre Position und Geschwindigkeit enthalten. Straßenseiten-Einheiten sammeln diese Informationen und fassen die Bedingungen jeder Fahrspur zusammen, indem sie zählen, wie viele Autos stehen oder sich langsam bewegen, und deren Durchschnittsgeschwindigkeit berechnen. Diese Zusammenfassung wird an einen zentralen Controller gesendet, der wie ein Verkehrskommandozentrum fungiert und die Daten analysiert, um zu bestimmen, welche Fahrspur in diesem exakten Moment die höchste Nachfrage hat.

Das System trifft dann eine Entscheidung darüber, welche Ampel Grün zeigen soll. Es identifiziert die Fahrspur mit der größten Verkehrsbelastung und gewährt ihr Priorität, sodass diese Fahrzeuge die Kreuzung zuerst passieren können. Um Fairness zu gewährleisten, verwendet das System eine strukturierte Rotationsmethode für die verbleibenden Spuren, sodass sich die Straßen abwechseln, wenn zwei Wege ein ähnliches Verkehrsaufkommen haben, anstatt dass eine Seite ignoriert wird. Dieser Prozess wiederholt sich alle fünfzig Sekunden, wodurch die Ampeln sich kontinuierlich an den wechselnden Fahrzeugfluss anpassen können. Die Forscher testeten diese Idee mithilfe einer anspruchsvollen Computersimulation, die eine vierarmige städtische Kreuzung mit bis zu 250 Fahrzeugen modellierte. Sie verglichen ihr adaptives System mit traditionellen festen Zeitsignalen und anderen bestehenden Methoden, um zu sehen, wie gut es unter schweren Verkehrsbedingungen abschneidet.

Die Ergebnisse dieser Simulationen zeigten einen klaren Vorteil für den adaptiven Ansatz. Wenn das Verkehrsaufkommen zunahm, hatte das traditionelle System Schwierigkeiten, wobei die Fahrzeuge während der Spitzenzeiten durchschnittlich über fünf Minuten warten mussten. Im Gegensatz dazu hielt das neue System die durchschnittlichen Wartezeiten signifikant niedriger und hielt sie bei etwa 51 Sekunden, selbst als die Straßen am stärksten überlastet waren. Diese Effizienz schlug sich direkt in einer besseren Bewegung der Fahrzeuge nieder; im Verlauf der Simulation ließ das adaptive System 415 Autos durch die Kreuzung fahren, verglichen mit nur 261 bei den traditionellen festen Zeitsignalen. Dies stellt eine erhebliche Verbesserung dar, wie schnell die Kreuzung den Rückstau an Fahrzeugen bewältigen konnte.

Über die schnellere Bewegung der Autos hinaus verbesserte das System auch die Kommunikation zwischen Fahrzeugen und der Straße. Da die adaptiven Signale die Warteschlangen effizienter auflösten, gab es weniger Staus auf den Straßen, was wiederum die Anzahl der verlorenen oder verzögerten Datenpakete während der Übertragung reduzierte. Das System hielt eine höhere Rate der erfolgreichen Datenübertragung aufrecht und hielt die Zeit, die Informationen von einem Punkt zum anderen benötigen, deutlich niedriger als bei den konventionellen Methoden. Zusätzlich führte die Reduzierung von Leerlaufzeiten und Stop-and-Go-Verkehr zu einem messbaren Rückgang des Kraftstoffverbrauchs, wobei die Fahrzeuge im Vergleich zu denen, die in den längeren Warteschlangen der festen Timer feststeckten, deutlich weniger Kraftstoff verbrauchten.

Die Studie zeigt, dass Städte durch die Nutzung von Echtzeitdaten zur Steuerung der Ampeln den Verkehr effektiver bewältigen können, ohne neue Straßen bauen zu müssen. Obwohl die Ergebnisse aus einer Computersimulation und nicht aus einer physischen Stadt stammen, legen die Erkenntnisse nahe, dass ein System, das in der Lage ist, der Straße zuzuhören und sich in Echtzeit anzupassen, Verzögerungen erheblich reduzieren, Kraftstoff sparen und Kommunikationsnetze reibungslos am Laufen halten kann. Die Forscher kommen zu dem Schluss, dass diese Methode eine ausgewogene und skalierbare Art und Weise darstellt, um die komplexen Anforderungen des modernen Stadtverkehrs zu bewältigen, und beweist, dass ein flexibler, datengesteuerter Ansatz weit überlegen gegenüber den starren Zeitplänen der Vergangenheit ist.