In Deutschland ist die Zahl der Elektrofahrräder (Pedelecs) in den letzten Jahren kontinuierlich gestiegen. Sie erfreuen sich vor allem wegen der durch Motorunterstützung schnelleren und komfortableren Fortbewegung im Vergleich zum Fahrrad großer Beliebtheit. Allerdings bergen vor allem die höheren Geschwindigkeiten im Vergleich zu konventionellen Fahrrädern Gefahren. So steht zu befürchten, dass andere Verkehrsteilnehmer nicht mit der relativ hohen Geschwindigkeit eines sich annähernden Elektrofahrrades rechnen, und dessen Eintreffen an einem bestimmten Punkt (z.B. eine Kreuzung) falsch bewerten. Als Folge einer solche Fehlbewertung ist gegebenenfalls auch mit riskanterem Verhalten zu rechnen, welches in Kreuzungssituationen im Wesentlichen durch ein sehr knappes Kreuzen der Spur des Elektrofahrradfahrers (z.B. beim Linksabbiegen) charakterisiert ist. Ziel der im Rahmen des Projektes durchgeführten Untersuchungen war es daher, die von anderen Fahrzeugführern vorgenommene Einschätzung der Zeit bis zum Eintreffen an einem vordefinierten Punkt (Time-to-Arrival, TTA) sowie die Lückenwahl im Zusammenhang mit sich annähernden Zweirädern, im Speziellen konventionellen und Elektrofahrrädern, genauer zu betrachten. In einer Versuchsreihe bestehend aus vier Experimenten wurden verschiedene Einflussvariablen auf die Lückenwahl bzw. TTA-Schätzung untersucht. Ziel von Untersuchungen zur Lückenwahl ist es herauszufinden, welche Lücken Verkehrsteilnehmer vor oder zwischen anderen Fahrzeugen zum Einbiegen, Queren oder Einordnen wählen. Untersuchungen zur TTA-Schätzung hingegen befassen sich mit der Frage, für wie groß ein Verkehrsteilnehmer den zeitlichen Abstand zu einem anderen Verkehrsteilnehmer bewertet. Als zentraler Faktor wurde die Geschwindigkeit der sich annähernden Zweiräder variiert. Ebenfalls wurde der Einfluss des Zweiradtyps (Fahrrad o. Pedelec 45), des Blickwinkels sowie des Streckenprofils in einem realistischen Umfeld auf der Teststrecke geprüft (Experiment 1). Anschließend wurden drei weitere Experimente (Experimente 2-4) im Labor mit Hilfe von Videomaterial durchgeführt. Hierbei wurden der Einfluss des Alters des Fahrradfahrers, der Trittfrequenz sowie der Vergleich der beiden Fahrradtypen mit einem Moped auf die Lückenwahl und TTA-Schätzung getestet (Experimente 2-3). In einem vierten Versuch (Experiment 4) standen die Auswirkungen von verschiedenen Maßnahmen zur Verbesserung der Sichtbarkeit von Radfahrern auf die TTA-Schätzung im Mittelpunkt. Bei allen vier Experimenten wurde zudem auch das Alter der Beobachter als Einflussfaktor überprüft (30 bis 45 Jahre, 65 Jahre und älter). Auf der Teststrecke (Experiment 1) wurde die Lückenwahl der Teilnehmer erfasst, die dazu in einem echten Pkw saßen. Sie sahen einen Fahrradfahrer auf sich zukommen und sollten ein im Pkw angebrachtes Fußpedal in dem Moment betätigen, in dem ihrer Meinung nach die kleinste von ihnen akzeptierte Lücke zum Abbiegen vor dem Fahrrad erreicht war. In zwei der Laboruntersuchungen (Experimente 2-3) hatten die Teilnehmer die gleiche Aufgabe. Allerdings erfolgte hier die Bewertung anhand von Videos von sich nähernden Zweirädern. Zusätzlich zu der Aufgabe, die kleinste noch sichere Lücke anzugeben, sollten sie im Labor auch die Zeit bis zum Eintreffen an einem vordefinierten Punkt (TTA) für die sich annähernden Zweiräder schätzen (Experimente 2-4). Auch dazu sahen die Teilnehmer kurze Videosequenzen, in denen sich ein Zweiradfahrer näherte. Bevor der Zweiradfahrer jedoch die Höhe der Teilnehmer erreichte, wurde das Video ausgeblendet. Aufgabe der Probanden war es, eine Taste in dem Moment zu drücken, in dem sie glaubten, dass der Zweiradfahrer die vordefinierte Position erreicht hätte. In allen Experimenten konnte gezeigt werden, dass es bei höheren Geschwindigkeiten des sich nähernden Zweirads im Vergleich zu geringeren Geschwindigkeiten zu größeren TTA-Schätzungen und kleineren zum Abbiegen gewählten Zeitlücken kommt. / In Germany, electric bicycles (pedelecs) have become highly popular over the past few years. Reasons for that are their potential to reach higher speeds and the reduction of cycling effort. While these are desirable effects, safety concerns have been raised. Pedelecs are, with regard to their design, hardly distinguishable from conventional bicycles. It has been argued that this could result in other road users misjudging the approach of an oncoming pedelec (e.g. at intersections) and subsequent unsafe behaviour, e.g. choosing rather small time gaps for crossing in front of pedelec riders. Therefore, the goal of this study was to conduct a series of experiments investigating road users’ time-to-arrival estimations (TTA; the estimation of time gaps between the road user and other vehicles) and their gap acceptance behaviour (the gap a road user selects in front of or between other vehicles for turning or crossing) in relation to approaching two-wheelers, especially pedelecs and conventional bicycles. Three experiments were conducted to investigate the influence of two-wheelers’ approach speed, bicycle/vehicle type (conventional bicycle, S-pedelec, scooter), road gradient, observer perspective, observer age, cyclist age, and pedalling frequency on TTA estimation and/or gap acceptance. A fourth experiment investigated the impact of measures to enhance the visibility of cyclists on TTA estimation. An intersection scenario was implemented either in a realistic setting on a test track (Experiment 1) or in a laboratory using video material (Experiments 2 to 4). On the test track, participants were seated in a real car. They observed an approaching cyclist and were instructed to depress a foot pedal to indicate the smallest acceptable gap to turn in front of the bicycle rider (gap acceptance). In the laboratory studies, participants were asked to indicate the smallest acceptable gap, too, but provided their judgements on the basis of videos of approaching cyclists. For TTA estimations, participants watched short videos of approaching two-wheelers. Before the rider reached the position of the participant, the videos were masked, and the participants were required to press a button to indicate the moment they believed the rider would have reached a predefined position (TTA estimation, Experiment 2 to 4 only). In all four experiments, a higher approach speed of the two wheeler lead to higher TTA estimates and smaller accepted gaps in comparison to a lower approach speed. That means participants’ turning decisions tended to be riskier for higher speeds. In addition, there were differences in gap acceptance and TTA estimation between the two bicycle types. Participants selected smaller gaps for the S-pedelec compared to the bicycle. Likewise, TTA estimations for the S-pedelec were higher, i.e. participants judged the time remaining until the S-pedelec reached the observers’ position as longer compared to the bicycle, resulting in riskier turning behaviour. For the scooter, we found larger accepted gaps and smaller TTA estimations in comparison to the two bicycle types. This suggests a somewhat safer turning/crossing behaviour around scooters compared to bicycles. Furthermore, cyclists’ age influenced TTA estimations, with an older cyclist being judged as arriving earlier at the observers’ position than a younger cyclist. In addition, the participants chose smaller gaps and provided higher TTA estimations for a lower pedalling frequency in comparison to the higher one. The age of the participants affected only TTA estimation, not gap acceptance behaviour.

Connected and automated vehicles (CAVs) will behave fundamentally differently than human drivers. In mixed traffic, this could lead to inefficiencies and safety-critical situations since neither human drivers nor CAVs will be able to fully anticipate or predict surrounding traffic dynamics. Thus, some researchers proposed to separate CAVs from conventional vehicles by dedicating exclusive lanes to them. However, the separation of road infrastructure can negatively impact the system’s capacity. While the effects of CAV lanes were addressed for freeways, their deployment in urban settings is not yet fully understood. This paper systematically analyzes the effects of CAV-lanes in an urban setting accounting for the corresponding complexities. We employ microscopic traffic simulation to model traffic flow dynamics in a detailed manner and to be able to consider a wide array of supply-related characteristics. These concern intersection geometry, public transport operation, traffic signal control, and traffic management. Our study contributes to the existing literature by revealing the potential of CAV lanes in an urban setting while accounting for the behavioral and topological complexities. The results of this study can support decision-makers in the design of future urban transportation systems and to prepare cities for the upcoming era of automation in traffic.

In naher Zukunft werden hochautomatisierte Fahrzeuge (SAE, 2018) eingeführt werden, die zunächst auf der Autobahn automatisch fahren, wobei sich der Fahrer in dieser Zeit mit anderen Dingen beschäftigen kann. Andere Fahrzeuge mit menschlichen Fahrern werden dann diesen hochautomatisierten Fahrzeugen im Verkehr begegnen. Diese werden wahrscheinlich ein für menschliche Fahrer ungewohntes Verhalten zeigen. Deshalb wurde die erste Studie im Fahrsimulator durchgeführt, um zu untersuchen, wie dieses ungewohnte Verhalten in typischen Interaktionssituationen von menschlichen Fahrern erlebt wird und ob sich gerade bei der Interaktion mit diesen Fahrzeugen durch dieses ungewohnte Verhalten Probleme ergeben. In der zweiten Studie wurden dann längere Fahrten mit unterschiedlichen Durchdringungsraten hochautomatisierter Fahrzeuge untersucht. Als Vorbereitung auf diese Studien wurden zunächst Interviews mit Experten von Automobilherstellen und Zulieferern geführt, um relevante Interaktionssituationen im Mischverkehr zu identifizieren und das Fahrverhalten automatisierter Fahrzeuge in diesen Situationen zu spezifizieren. Dabei zeigte sich, dass sich hochautomatisierte Fahrzeuge im Gegensatz zu menschlichen Fahrern wesentlich defensiver und absolut regelkonform verhalten werden. So halten automatisierte Fahrzeuge zum Beispiel große Sicherheitsabstände ein und halten sich genau an die zulässige Höchstgeschwindigkeit. Weiter wurde auch diskutiert, ob hochautomatisierte Fahrzeuge nach außen als solche gekennzeichnet sein sollen. Die erste Studie mit N = 51 Personen untersuchte den Erstkontakt menschlicher Fahrer in vier ausgewählten Fahrszenarien, die im Wesentlichen Fahrstreifenwechselsituationen sowie die Fahrt bei einer Geschwindigkeitsbeschränkung umfassten. Dabei wurde einerseits untersucht, wie menschliche Fahrer auf das typische Verhalten der hochautomatisierten Fahrzeuge in diesen Situationen reagiert, zum anderen, wie hochautomatisierte Fahrzeuge auf menschliches Verhalten reagieren und wie diese Reaktionen wiederum durch menschliche Fahrer bewertet werden. Dabei wurde auch die Kennzeichnung der hochautomatisierten Fahrzeuge variiert. In der zweiten Fahrsimulatorstudie mit N = 51 Probanden fuhren die Testfahrer auf vier Autobahnabschnitten von 35 km Länge mit steigender Durchdringungsrate automatisierter Fahrzeuge (0 %, 25 %, 50 %, 75 %). Auch hier wurde die Art der Kennzeichnung variiert. Zusammenfassend zeigen beide Studien, dass hochautomatisierte Fahrzeuge auf der Autobahn dazu beitragen, die Geschwindigkeiten zu reduzieren und Geschwindigkeitsbegrenzungen besser einzuhalten. Beim Einfädeln, Spurwechsel und Überholen wirkt das Verhalten hochautomatisierter Fahrzeuge für menschliche Fahrer angenehm defensiv und kooperativ. Im Verkehrsfluss werden von menschlichen Fahrern hochautomatisierte Fahrzeuge allerdings als Behinderung erlebt, sodass die prinzipiell sicherheitsfördernde Wirkung der reduzierten Geschwindigkeit durch dabei entstehende sicherheitskritische Sekundenabstände verringert werden könnte. Eine entsprechende Abschätzung der Gesamtwirkung ist auf Basis der vorliegenden Studien allerdings nicht möglich. Eine Kennzeichnung des aktuellen Fahrmodus der hochautomatisierten Fahrzeuge könnte dazu beitragen, dass Fahrer das Verhalten der hochautomatisierten Fahrzeuge besser vorhersehen können, sodass die kleineren Sekundenabstände vermieden werden könnten. Dazu sind aber vermutlich längere Lernprozesse notwendig, die im Rahmen der vorliegenden Studien nicht realisiert werden konnten. Der Eindruck der Behinderung durch hochautomatisierte Fahrzeug wird durch eine solche Kennzeichnung allerdings nicht aufzuheben sein.

The introduction of automated vehicles (AVs) changes the way road users interact and communicate. In AVs, informal communication such as eye contact or gestures with other road users is omitted. Because interaction should still be objectively and subjectively safe, many studies are currently focusing on the communication processes between (automated) vehicles and predominantly vulnerable road users (VRUs), like pedestrians and cyclists [1 ]. These road users are highly at risk of being fatally injured in road traffic accidents, with the WHO reporting pedestrians and cyclists account for 32 % of all fatalities in Europe [2].... This shows why it is so important to study the interaction processes between VRUs, such as cyclists, and A Vs in real traffic. The algorithms of the A Vs must be able to anticipate the behavior of VRUs and thus ensure a subjectively and objectively safe interaction (cyclists should feel and be safe a.round them). This is the aim of the present study. How do cyclists behave when they encounter an apparent A V for the first time? How do they assess the situation and on what basis do they decide to cross? To answer these questions, a field study will take place in Munich in the summer of 2022, in which such interactions will be observed and the cyclists will be interviewed afterward. The study takes place within the TEMPUS project funded by the BMDV (German Federal Ministry for Digital and Transport). [From: Introduction]

Transportation in Sweden currently accounts for one-third of domestic GHG emissions. Thereof more than 90 % are allocated to road traffic with passenger cars being the largest contributor. Hence, the Swedish government adopted stringent climate policies to cut transport emissionsby 70 % (compared to 2010) latest until 2030. Electrification is seen as one of the key strategies to mitigate climate change and to accomplish set climate goals. Hence, estimation and quantification of electric vehicle life cycle carbon footprints is of major interest to understand their environmental performance. As part of this study lifetime burdens for gasoline, diesel and battery electric vehicles were contrasted. Nominal end of life was assumed to be reached after 200.000 km. The life cycle inventory was conducted based on market and literature data and by employing the open-source LCA tool carculator. Impacts on material resources were assessed by various materialization models for vehicle glider, combustion powertrain and electric powertrain. Additional impact categories such as formation of fine particles, freshwater use and terrestrial ecotoxicity were included. Results showed that lifetime carbon footprints of electric vehicles in Sweden are 45-51 % lower compared to conventional diesel and gasoline drives. Per driven kilometer, electric vehicles caused 137,46 g CO2-eq./km, diesel vehicles 249,28 g/km and gasoline vehicles 282,75 g/km. Savings of electric drives mainly originate from vehicle operation (zero tailpipe emissions) and low carbon electricity generation (predominantly hydropower, nuclear energy and wind energy). Lifetime battery charging according to the Swedish energy system was found to provoke 1,03 t of GHG emissions. This is ten times lower compared to average EU loads. Modeling results for electric vehicle manufacturing disclosed a total carbon footprint of 17,63 t CO2-eq. with a significant portion of 5,99 t originating from lithium-ion batteries. This is 57-63 % higher than estimated production footprints for fossil fuel vehicles with the same amount of 8,63 t CO2-eq. allocated to the glider. However, performed sensitivity studies revealed significant potential to cut emissions from battery manufacturing with transition to European sites. Replacement and conversion of vehicles from the Swedish fleet was assessed according to both, a fixed lifetime perspective of 200.000 km and year-by-year scenario models. Three different paths projecting development of the vehicle stock until 2030 are presented. Results of this work showed that vehicle conversion offers potential to save about 1.191 kg of material resources (thereof 728 kg ferrous metals, 104 kg aluminum, 149 kg plastics and 210 kg other materials). Corresponding savings in production emissions comprise 8,63 t CO2-eq. through reuse of the vehicle glider. From a nationwide perspective, up to 34 % of annual GHG emissions and up to 60 % of the annual material demand could be saved. Results further suggest a target value of around 3,8 millionelectric vehicles by 2030 to achieve aspired emission limits. / Kurzzusammenfassung - Siehe angehängtes Dokument / <p>NOT KTH STUDENT (INTERNSHIP AT ITRL)</p> / International collaboration with University of Stuttgart

"Cognitive Computing" has initiated a new era in computer science. Cognitive computers are not rigidly programmed computers anymore, but they learn from their interactions with humans, from the environment and from information. They are thus able to perform amazing tasks on their own, such as driving a car in dense traffic, piloting an aircraft in difficult conditions, taking complex financial investment decisions, analysing medical-imaging data, and assist medical doctors in diagnosis and therapy. Cognitive computing is based on artificial intelligence, image processing, pattern recognition, robotics, adaptive software, networks and other modern computer science areas, but also includes sensors and actuators to interact with the physical world. Cognitive computers – also called "intelligent machines" – are emulating the human cognitive, mental and intellectual capabilities. They aim to do for human mental power (the ability to use our brain in understanding and influencing our physical and information environment) what the steam engine and combustion motor did for muscle power. We can expect a massive impact of cognitive computing on life and work. Many modern complex infrastructures, such as the electricity distribution grid, railway networks, the road traffic structure, information analysis (big data), the health care system, and many more will rely on intelligent decisions taken by cognitive computers. A drawback of cognitive computers will be a shift in employment opportunities: A raising number of tasks will be taken over by intelligent machines, thus erasing entire job categories (such as cashiers, mail clerks, call and customer assistance centres, taxi and bus drivers, pilots, grid operators, air traffic controllers, …). A possibly dangerous risk of cognitive computing is the threat by “super intelligent machines” to mankind. As soon as they are sufficiently intelligent, deeply networked and have access to the physical world they may endanger many areas of human supremacy, even possibly eliminate humans. Cognitive computing technology is based on new software architectures – the “cognitive computing architectures”. Cognitive architectures enable the development of systems that exhibit intelligent behaviour.

Projekt BeMobility: Carsharing mit e-Fahrzeugen Ziel war die Einbindung von Elektroautos in eine Carsharing- Flotte und ihre Integration in multimodale Angebotskonzepte. Nutzergerechte Mobilitätsangebote für urbane Räume wurden entwickelt und im Realbetrieb beurteilt; hierbei wurde die Attraktivität des Carsharing mit e-Autos untersucht. (Kapitel 1) Forschungsansatz: Feldtest mit multimethodaler Begleitforschung Die angewandte Forschung des InnoZ setzte auf eine Kombination verschiedener Methoden. Sowohl vor als auch während des Feldtests wurden potenzielle Nutzer bzw. Testkunden befragt. Dazu wurden die Methoden Lead-User-Integration, Fokusgruppen sowie breite Befragungen gewählt. (Kapitel 2) Interessenten und Testkunden: Männlich, gebildet und ÖV-affin Potenzielle Nutzer und Testkunden sind den sozialen Leitmilieus zuzuordnen. Sie können als sogenannte Lead User gelten. Die Begleitforschung mit über 500 Befragten in vier Teilstudien lässt wichtige Schlüsse auf Akzeptanz und zukünftige Verbreitung von e-Autos im Carsharing zu. (Kapitel 3) Elektrofahrzeuge: Hoher Fahrspaß, aber Reichweite kritisch Die Erwartungen potenzieller Nutzer aus der Vorfeldphase werden im Praxistest teilweise übertroffen. Dies gilt insbesondere für die Fahreigenschaften der Elektrofahrzeuge. Allerdings werden die Erwartungen an Batterie und Laden sowie speziell an die Reichweite nicht erfüllt. (Kapitel 4) Preisbeurteilung: Geringe Aufpreisbereitschaft für e-Carsharing Für elektrisch betriebene Fahrzeuge gibt es auch im Carsharing- Einsatz kaum eine Aufpreisbereitschaft. Für ausgewählte zusätzliche Services besteht auf Nutzerseite aber eine – wenn auch geringe – ergänzende Zahlungsbereitschaft. (Kapitel 5) Mobilitätskarte: Multimodales Angebot gut bewertet Die befragten Nutzer sehen die Kombination von e-Fahrzeugen mit dem öffentlichen Verkehr als wichtig an. Eine Mobilitätskarte, die eine Nutzung von Flinkster, Call a Bike und ÖPNV ermöglichte, wurde im Feldtest positiv bewertet. (Kapitel 6) Akzeptanz: Hohe Kundenbindung, aber geringe Nutzung Die Testnutzer haben eine hohe emotionale Kundenbindung. Diese wurde aber im Regelfall nicht in eine entsprechend häufige Nutzung der Fahrzeuge umgesetzt. Vielnutzer beurteilten die Dienstleistung e-Carsharing signifikant besser als die große Gruppe der Wenignutzer. (Kapitel 7) Mobilitätstypen: Öko-Überzeugte und ÖV-Affine mit Potenzial Auf Basis des Mobilitätstypenansatzes wurde die Stichprobe der potenziellen e-Carsharing-Kunden in verschiedene Typen aufgeteilt. Die höchsten Potenziale ergaben sich bei den Typen „ökologisch überzeugte Radfahrer und Multimodale“ und „pragmatisch orientierte ÖV-Nutzer“. (Kapitel 8) / The BeMobility Project: Car-sharing with Electric Vehicles The aim of the project was the insertion of e-vehicles into a carsharing fleet and its subsequent integration with multi-modal public transport offerings. User-friendly urban mobility services were developed and evaluated under real-world conditions. The attractiveness of integrating e-vehicles into an existing car-sharing service was investigated. (Chapter 1) Methodology: Field Trials and Multi-Method Market Research Potential users and customers were interviewed before and during the field trials. In addition, methods such as “lead-user integration”, focus groups, as well as a general survey of user attitudes were chosen. (Chapter 2) Interested Users and Pilot Customers: Male, Highly-Educated, with an Affinity to Public Transport Potential users and customers generally belong to social groups A/B and can be considered ‘lead-in’ users. The survey of more than 500 users in 4 separate market research studies yielded important insights regarding user acceptance and the future spread of e-vehicles in car-sharing fleets. (Chapter 3) E-Vehicles: Positive Driving Experience but Range is Critical Some expectation of potential users from the pre-trial phase were met or even over-fulfilled. This is true in particular with regards to the driving experience associated with e- vehicles. However, the expectation of users with regard to batteries, charging and, specifically, the range of e-cars were not met. (Chapter 4) Pricing Expectations: Low Acceptance of Surcharges for eCar-Sharing There is very low user acceptance of premium pricing for e-vehicles even when they are deployed as part of a car-sharing service. There was some, but relatively low willingness to pay for additional electric mobility services amongst users. (Chapter 5) Smart Mobility Card: Positive User Response to Multi-Modal Services Offerings The users that were surveyed view the combination of e-vehicles with public transport as important. A smart mobility card, which integrated flat-rate access to the Flinkster e-car-sharing service, the Call-a-Bike service and public transport were positively evaluated in the field trials. (Chapter 6) User Acceptance: Emotional Affinity – Low-Frequency Service Use The test users displayed a strong emotional affinity to the mobility service offerings. Routine, high-frequency users judge the electric car-sharing services significantly more positive than the bigger group of low-frequency users. (Chapter 7) User Characteristics: Green Values and Public Transport Affinity Indicate Potential A sample of car-sharing clients was surveyed. The highest user potential was documented in user types “green-conscious cyclists and multi-modal users” and “pragmatic public transport users”. (Chapter 8)

An optimal-control based path planning algorithm has been developed recently for Connected and Automated Vehicles (CAVs) driving on a lane-free highway, including vehicle nudging. That vehicle movement strategy considers, in the lateral direction, a lateral desired speed that had been set to zero in previous works; in other words, vehicles avoid lateral movement if this is not helpful in achieving some of their goals, e.g. achieving a longitudinal desired speed by overtaking slower vehicles. In this work, a lateral positioning strategy for the vehicles is proposed, aiming to improve the vehicles’ longitudinal speeds and the traffic flow, mainly at intermediate densities, by distributing laterally the vehicles based on their longitudinal desired speeds. The intention is to leverage the existing optimal control formulation to move the CAVs to appropriate lateral positions, while respecting other, higher-priority sub-objectives, such as avoiding crashes. First, the longitudinal desired speed of each vehicle is mapped to a lateral desired position under the premise “faster vehicles drive farther left”. Then, the value of the desired lateral speed is updated in real-time in dependence on the vehicle’s current versus the desired lateral position, letting the optimal control problem, with the given sub-objective priorities, decide on the actual vehicle path. The proposed strategy is demonstrated via traffic simulations, involving various traffic densities, on a ring-road. Several quantities, such as the reached average flows and statistical measures of the error in the lateral position are computed for evaluation and comparison purposes.

Intelligent transport systems are preparing to welcome connected and automated vehicles (CAVs), although it is uncertain which algorithms should be employed for the effective and efficient management of CAV systems. Even though remarkable improvements in telecommunication technologies, such as vehicle-to-everything (V2X), enable communication and computation sharing among different agents, e.g. vehicles and infrastructures, within existing approaches, a significant part of the computation burden is still typically assigned to central units. Distributed algorithms, on the other hand, could alleviate traffic units from most, if not all, of the high dimensional calculation duties, while improving security and remaining effective. In this paper, we propose a formation-control-inspired distributed algorithm to rearrange vehicles’ passing time periods through an intersection and a novel formulation of the underlying trajectory optimization problem so that vehicles need to exchange and process only a limited amount of information. We include early simulation results to demonstrate the effectiveness of our approach.

International crash statistics indicate a decrease of bicycle crashes, but at a slower pace compared to total crash numbers. The share of crashes with involved cyclists is above the modal share (see [1] for an overview). Depending on sources, types of analyses, and geographic regions, crash statistics suggest high rates of singlebike crashes and crashes between cyclists and other vulnerable road users (VRUs) [2], while cars are opponents in more than half of all fatal crashes in the European Union [3]. The design of th.e road environment is of particular relevance for crash risks. A study from London found three times higher injury odds for cyclists at intersections [4]. Connected and automated vehicles (CAV) are frequently said to increase the safety level in road traffic since they are less prone to human errors [5]. This might hold true in transport systems with little complexity, such as highways [6]. However, when it comes to complex situations in multimodal systems with multiple interactions between different road users, such as intersections in urban environments, existing solutions are not sufficient yet in terms of protecting VRUs. ... In order to contribute to the safety of VRUs in the interplay with CAVs in current systems, we propose a geospatial model, which delineates potential interaction risk zones from high definition (HD) maps and enriching these zones with additional information. These enriched risk zones are then provided as standardized OGC web service, which can be integrated in V2X systems. With this, we contribute to the visibility, and thus the safety of VRUs in connected transport systems. From a methodological point of view, the proposed model is a first step in integrating spatial context and semantic information explicitly into V2X communication. [From: Introduction]