في عصر السيارات المتصلة (Connected Automated Vehicles - CAVs)، يواجه العالم تحديات جديدة في مجال تحسين تدفق حركة المرور، خاصة في ظل الازدحام المتزايد على الطرق السريعة. يعتمد النظام التقليدي في إدارة الازدحام على حدود السرعة المتغيرة (Variable Speed Limits - VSL) التي تنظم حركة المرور عبر لوحات الإعلانات الموجودة على جوانب الطريق. إلا أن هذه الطريقة تعاني من عدم تحديثها بشكل متكرر وافتقارها إلى الامتثال من قِبل السائقين.

تتجه الأبحاث الحديثة نحو استراتيجيات أكثر ذكاء، مثل الاستراتيجيات اللجرانجية (Lagrangian strategies) التي تتحكم في حركة السيارات بشكل فردي، مما يوفر استجابة سريعة وامتثال أكبر. لكن العقبة تتطلب معرفة نوايا السائقين الخاصة بتغيير المسار، الأمر الذي يجعل من اتخاذ قرارات فعالة على مستوى السيارة تحديًا.

ردًا على هذه الإشكالية، يقدم الباحثون نظام تحكم يعتمد على النموذج الأيوليري (Eulerian control system) والمُحسّن من خلال تقنية التعلم المعزز (Reinforcement Learning). هذا النظام يستخدم تقنية التحكم في الالتقاء بدلاً من الاعتماد على أوامر السرعة، مما يسمح له بالتعامل مع كثافة المرور بالقرب من النقاط الضيقة. تمت دراسة نظامين مختلفين: نظام التحكم في الالتقاء الزمني (time-headway) ونظام التحكم في الالتقاء المسافي (distance-headway)، وذلك خلال محاكاة على نطاق واسع تحت ظروف مرورية متنوعة.

نتائج البحث محورية، حيث حقق كلا النظامين تحسنًا في تدفق المرور يصل إلى 10.6% مقارنةً بحركة المرور البشرية، و6.7% مقارنةً بالحدود التقليدية للسرعة. كما تم اقتراح معيار جديد للسرعة يأخذ في الاعتبار حدود الطريق، مما يعالج إحدى الثغرات المعروفة في الدراسات المحاكية. تشير النتائج إلى تصميم نظام قابل للتطبيق وآمن وقابل للتوسع، مما يوفر مسارًا نحو تخفيف فعّال وآمن للازدحام على الطرق السريعة في المستقبل.

هل تعتقد أن هذه التكنولوجيا ستحدث ثورة في تجربة القيادة لدينا؟ شاركونا آرائكم!