⚡ electrical engineering

Highway Readiness Assessment for SAE Levels of Automation and V2X Notification

Dit artikel stelt een kwantitatieve Highway Readiness Index (HRI) voor om infrastructuurondersteuning voor SAE-automatiseringsniveaus te evalueren aan de hand van door experts gewogen statische ODD-kenmerken, demonstreert de toepassing daarvan in een casestudy om infrastructuurkloven te identificeren, en schetst de integratie daarvan in IVIM-berichten voor het communiceren van automatiseringsrichtlijnen op segmentniveau aan verbonden voertuigen.

Oorspronkelijke auteurs: Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Gepubliceerd 2026-05-26

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een zelfrijdende auto te besturen. Je zou kunnen denken dat de auto het enige is dat telt, maar dit artikel betoogt dat de weg zelf net zo belangrijk is. De auteurs, een team van een universiteit en een snelwegbeheermaatschappij in Italië, beseften dat terwijl we betere auto's bouwen, we geen goede manier hebben om te meten of onze wegen daadwerkelijk "klaar" zijn voor hen.

Hier is de uiteenzetting van hun oplossing, eenvoudig uitgelegd:

1. Het Probleem: De "Rijbewijs"-Kloof

Stel je zelfrijdende auto's voor als studenten die autorijden leren.

SAE-niveaus 1–2 zijn als een student met een leerlingrijbewijs: Ze kunnen automatisch sturen of remmen, maar een mens moet altijd de weg in de gaten houden.
SAE-niveaus 3–4 zijn als een student met een volledig rijbewijs: De auto rijdt zelf, en de mens grijpt alleen in als er iets misgaat.

Het probleem is dat wegen als klaslokalen zijn. Sommige klaslokalen hebben whiteboards, goede verlichting en rustige bureaus (uitstekend voor leren). Anderen hebben afbladderende verf, kapotte lampen en luidruchtige bouwactiviteiten naast de deur (vreselijk voor leren). Op dit moment hebben wegbeheerders geen test om te zien of hun "klaslokaal" goed genoeg is voor een "student" om door te stromen naar een hoger rijniveau.

2. De Oplossing: De "Highway Readiness Index" (HRI)

De auteurs hebben een scorekaart gecreëerd genaamd de Highway Readiness Index (HRI). Denk hierbij aan een rapport voor de weg.

In plaats van alleen naar de weg te kijken en te raden, hebben ze de weg opgesplitst in specifieke, meetbare onderdelen, zoals:

De Verf: Zijn de rijbaanmarkeringen helder, breed en consistent? (Als de verf vervaagd is, raakt de auto in de war).
De Borden: Kan de auto de borden duidelijk lezen?
Het Oppervlak: Is het asfalt glad, of is het hobbelig en gebarsten?
De Digitale Kaart: Heeft de auto een supergedetailleerde "GPS-kaart" (HD-kaart) geladen voordat hij zelfs maar begint met rijden?

3. Hoe Ze de Scorekaart Maken

Om ervoor te zorgen dat de scorekaart eerlijk was, vroegen ze 17 experts (zoals professoren, ingenieurs en technische directeuren) om te stemmen over wat het belangrijkst is.

Voor de "Leerling" (SAE 1–2): De experts zeiden dat duidelijke verf en zichtbare borden het belangrijkst zijn. Als de lijnen rommelig zijn, moet de menselijke bestuurder overnemen.
Voor de "Gediplomeerde" (SAE 3–4): De experts zeiden dat alles belangrijker wordt, maar HD-kaarten en noodstroken werden kritiek. Een zelfrijdende auto heeft een perfecte digitale kaart nodig om precies te weten waar hij is, en hij heeft een veilige plek nodig om aan de kant te gaan als hij vastzit.

Ze hebben deze meningen omgezet in wiskundige gewichten. Als een weg prachtige verf heeft maar geen HD-kaart, daalt de score voor het "Gediplomeerde"-niveau aanzienlijk.

4. Het "Verkeerslicht"-Bericht (IVIM)

Zodra ze de score berekenen, zetten ze deze om in een digitaal bericht dat van de weg naar de auto wordt gestuurd. Stel je een verkeerslicht voor, maar in plaats van Rood/Geel/Groen, vertelt het de auto:

Groen (Hoge Score): "Je kunt veilig op niveau 4 zelf rijden."
Geel (Gemiddelde Score): "Je kunt niveau 2 proberen, maar wees voorzichtig."
Rood (Lage Score): "Vertrouw de automatisering niet; de mens moet rijden."

Dit bericht wordt verzonden via een standaard systeem genaamd IVIM. Het is alsof de weg tegen de auto fluistert: "Hé, de verf bladdert hier vooruit, probeer niet hier zelf te rijden."

5. Testen op een Echte Snelweg

Ze testten dit op een 24 kilometer lang stuk snelweg in Italië.

Scenario A (Normale Dag): De weg was goed onderhouden. De score was hoog, en het systeem zei: "Ja, auto's kunnen hier zelf rijden."
Scenario B (Wegwerkzaamheden): Ze simuleerden wegwerkzaamheden met rommelige tijdelijke verf. De score daalde scherp. Het systeem vertelde de auto direct: "Nee, neem het stuur over," omdat de omstandigheden te riskant waren voor een zelfrijdende auto.
Scenario C (Slecht Onderhoud): Ze simuleerden een weg met gebarsten verharding en ontbrekende borden. De score stortte in. Het systeem zei: "Geen automatisering toegestaan."

De Grote Conclusie:
Het artikel toont aan dat je niet zomaar een slimme auto kunt bouwen en verwachten dat het overal werkt. Je hebt een slimme weg nodig die erbij past. Door deze "Rapportkaart" (HRI) te gebruiken, kunnen wegbeheerders precies zien waar ze de verf moeten repareren of digitale kaarten moeten toevoegen om de snelweg veilig te maken voor zelfrijdende auto's. Het zet het vage idee van "is deze weg klaar?" om in een duidelijk, numeriek antwoord.

Technische Samenvatting: Beoordeling van de Kwaliteit van Autowegen voor SAE-niveaus van Automatisering en V2X-meldingen

Probleemstelling

Ondanks snelle vooruitgang in de technologie voor geautomatiseerd rijden (AuD) ontbreken wegbeheerders momenteel praktische, kwantitatieve methoden om te beoordelen of hun bestaande infrastructuur specifieke niveaus van automatisering (LOA) kan ondersteunen. Hoewel normen Operationele Ontwerpdomeinen (ODD's) en automatiseringsniveaus definiëren, bieden ze geen reproduceerbaar kader om statische wegkenmerken te koppelen aan de operationele vereisten van Systemen voor Geautomatiseerd Rijden (ADS's). Bijgevolg kunnen autoriteiten niet systematisch fysieke of onderhoudsgerelateerde factoren identificeren die hogere automatiseringsniveaus belemmeren, noch kunnen ze infrastructuurgegevens op gestandaardiseerde wijze doorgeven aan Connected and Automated Vehicles (CAV's). Bestaande kaders richten zich vaak op digitale connectiviteit of vertrouwen op uitgebreide tests met voertuigflotten, en falen in het bieden van een schaalbare, infrastructuurgerichte maatstaf voor beoordeling op netwerkniveau.

Methodologie

Het artikel stelt een kwantitatieve Highway Readiness Index (HRI) voor, ontworpen om statische en semi-statische infrastructuurcondities om te zetten in meetbare attributen die worden gewogen op basis van hun impact op de prestaties van ADS's. De methodologie is gestructureerd in drie fasen:

Operationalisering en Gewichten van Attributen:
- Taxonomie: De auteurs definiëren een set statische ODD-attributen die zijn gegroepeerd in vier macro-categorieën: Wegmarkeringen en Verkeersborden, Onderhoud en Beheer van de Weg, Wegontwerp en Veiligheidsvoorzieningen, en Voorgeladen High-Definition (HD)-kaarten.
- Expertenonderzoek: Om gewichten af te leiden, werd een enquête uitgevoerd onder 17 professionals uit de academische wereld, de industrie en het infrastructuurbeheer. Respondenten beoordeelden de impact van afwezigheid of degradatie van attributen op twee LOA-groepen: SAE 1–2 (Ondersteund Rijden) en SAE 3–4 (AuD).
- Differentiatie: De enquête toonde aan dat terwijl rijstrookzichtbaarheid en onderhoud kritiek zijn voor SAE 1–2, attributen zoals HD-kaarten, noodstroken en speciale AV-stroken aanzienlijk belangrijker worden voor SAE 3–4.
Model voor Kwaliteit op Segmentniveau:
- Wegsegmenten (bijvoorbeeld 100 m) worden beoordeeld aan de hand van meetbare criteria die zijn afgeleid van nationale ontwerpnormen.
- Een waargenomen waarde $v_i \in \{0, 1, 2\}$ wordt toegewezen aan elk attribuut op basis van toereikendheid.
- Een kwaliteitscijfer $S^{(\ell)}$ wordt berekend voor een specifiek automatiseringsniveau $\ell$ met behulp van een gewogen som genormaliseerd door de maximaal mogelijke score:
  $S^{(\ell)} = \frac{\sum w_i^{(\ell)} \cdot v_i}{\sum w_i^{(\ell)} \cdot v_{max}} \times 100$
- Distincte gewichten ( $w_i^{(\ell)}$ ) worden toegepast voor SAE 1–2 en SAE 3–4 om hun verschillende gevoeligheid voor infrastructuurkwaliteit weer te geven.
Infrastructuurrichtlijnen en IVIM-integratie:
- Scores worden ingedeeld in drie categorieën: Onwaarschijnlijk geschikt (0–33%), Mogelijk geschikt (33–66%) en Hoogstwaarschijnlijk geschikt (66–100%).
- Er wordt een conservatieve drempel van 66% vastgesteld. Alleen SAE-niveaus met scores boven deze drempel worden aan voertuigen doorgegeven.
- Deze aanbevelingen worden opgenomen in het gestandaardiseerde Infrastructuur-naar-Voertuig Informatiemessage (IVIM) binnen het raamwerk van het Coöperatief Intelligent Vervoerssysteem (C-ITS), waardoor Road Side Units (RSU's) automatiseringsrichtlijnen op segmentniveau kunnen uitzenden.

Belangrijkste Resultaten

De methodologie werd gevalideerd via een casestudie op de corridor Gallarate–Gattico (24 km) in Noord-Italië, beheerd door Autostrade Per l'Italian (ASPI).

Basiscondities: Onder huidige goed onderhouden condities ondersteunt de corridor consistent SAE 1–2 en SAE 3–4 (scores >66%), wat aangeeft dat bestaande hoogwaardige autowegen geavanceerde automatisering kunnen ondersteunen in stabiele configuraties.
Scenario Wegwerkzaamheden: Het simuleren van tijdelijke wegwerkzaamheden (kilometer 11–17) met verslechterde markeringen en geometrische overgangen veroorzaakte een scherpe daling in de kwaliteit, met name voor SAE 3–4. Meerdere segmenten vielen onder de 66%-drempel, wat correct een conservatief IVIM-bericht activeerde dat automatiseringsaanbevelingen voor die secties achterhield.
Onderhoudsscenario: Het simuleren van langdurig slecht onderhoud (verslechterde markeringen, slijtage van het wegdek, ontbrekende veiligheidsvoorzieningen) resulteerde in aanzienlijke kwaliteitsdalingen over de hele corridor, waarbij veel segmenten in het bereik "Onwaarschijnlijk geschikt" terechtkwamen voor beide automatiseringsgroepen.
Gevoeligheidsanalyse: Een theoretische analyse toonde aan dat Voorgeladen HD-kaarten het hoogste gewicht hebben voor SAE 3–4. De opname van HD-kaarten in scenario's met verslechterde infrastructuur compenseerde gedeeltelijk fysieke tekortkomingen, waardoor de kwaliteitscores verschoven van "Onwaarschijnlijk" naar "Mogelijk geschikt", wat de cruciale rol van digitale lagen naast fysieke infrastructuur benadrukt.

Betekenis en Claims

Het artikel claimt de eerste kwantitatieve, infrastructuurgerichte en schaalbare methodologie te bieden om statische wegkenmerken te koppelen aan operationele vereisten van ADS's. De primaire bijdragen zijn:

Een Reproduceerbare Maatstaf: De HRI biedt wegbeheerders een gestructureerde aanpak om de kwaliteit van infrastructuur te evalueren en specifieke gaten te identificeren (bijvoorbeeld consistentie van markeringen, vegetatiebeheer) die hogere automatiseringsniveaus beperken.
Gedifferentieerde Beoordeling: Door onderscheid te maken tussen SAE 1–2 en SAE 3–4, erkent het kader dat hogere automatiseringsniveaus meer afhankelijk zijn van stabiele geometrie, fallback-gebieden en digitale redundantie (HD-kaarten) dan alleen visuele aanwijzingen.
Operationele Integratie: Het werk overbrugt de kloof tussen infrastructuurevaluatie en voertuigbediening door te definiëren hoe kwaliteitscores direct kunnen worden vertaald naar gestandaardiseerde V2X-berichten (IVIM). Dit stelt infrastructuur in staat voertuigen proactief te begeleiden, wat mogelijk ontkoppelingen voorkomt door bestuurders of systemen te waarschuwen voor ongeschikte segmenten voordat deze worden aangedaan.
Strategische Planning: Het kader dient niet alleen als diagnostisch instrument voor specifieke corridors, maar ook als strategisch instrument voor planning op netwerkniveau, waardoor autoriteiten onderhoud en investeringen in digitalisering kunnen prioriteren op basis van hun impact op de automatiseringskwaliteit.

De auteurs concluderen dat hoewel het huidige kader zich richt op statische en semi-statische condities, het de basis legt voor toekomstige integratie met dynamische factoren (verkeer, weer) en uitgebreide internationale validatie.