MARC

 008250123s2024        us                              c    eng  d
■001000017160991
■00520250211151146
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384452003
■035    ▼a(MiAaPQ)AAI31235039
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aYang,  Mingyuan.
■24510▼aModeling  Adaptive  Cruise  Control  (ACC)  on  Internal  Combustion  and  Fully  Electric  Vehicles  in  Microscopic  Simulation
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a97  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Sengupta,  Raja.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aCommercial  availability  of  vehicle  automation  has  become  mainstream.  Most  of  today's  new  vehicles  can  perform  longitudinal  car  following  autonomously  via  Adaptive  Cruise  Control  (ACC).  Understanding  ACC  car  following  behaviors  has  become  crucial  to  modeling  traffic  flow  at  the  microscopic  level  as  market  penetration  increases.  Besides,  autonomous  vehicles  at  any  Society  of  Automotive  Engineers  (SAE)  level  use  ACC  for  longitudinal  control.  Thus,  ACC  vehicle  behavior  will  significantly  impact  traffic  over  a  long  period.Field  experiments  demonstrated  that  today's  commercially  available  ACC  vehicles  provide  similar  headways  and  capacities  as  human-driven  vehicles  on  freeways  under  steady-state  and  free-flow  conditions.  However,  field  tests  also  showed  that  combustion-based  vehicles  paired  with  ACC  could  lead  to  further  capacity  reduction  when  operating  in  non-steady  state  conditions  where  queues  are  present,  and  speeds  frequently  fluctuate.  Electric  vehicles  (EVs),  on  the  other  hand,  have  been  verified  to  allow  ACC  to  adopt  shorter  headways  and  accelerate  more  swiftly  to  maintain  shorter  headways  during  queue  discharge  due  to  their  unique  powertrain  characteristics  such  as  instantaneous  torque  and  regenerative  braking,  and  therefore  reverse  the  negative  impact  on  capacity.  These  experiments  generated  MicroSIMACC,  a  comprehensive  field  data  set  that  encompasses  full-speed  range  car  following  with  interruptions  from  lane  change  maneuvers.This  study  developed  full-speed  range  car-following  models  for  both  internal  combustion  engine  vehicles  (ICE  vehicle)  and  electric  vehicles  (EV)  equipped  with  ACC,  capturing  the  variable  gaps  under  large  speed  oscillation  and  heterogeneous  car-following  behaviors  across  different  speed  levels,  gap  settings,  and  powertrains.  New  ACC  trajectory  data  from  MicroSIMACC  were  utilized  to  help  identify  the  limitations  of  the  well-established  constant  gap  ACC  car-following  model  and  propose  changes.  More  importantly,  this  study  clarified  the  logistics  of  implementing  and  incorporating  the  new  ACC  models  with  other  models  in  microscopic  simulation  and  provided  novel  insights  about  the  impact  of  increasing  market  penetration  of  ACC  with  different  powertrains  via  sensitivity  analysis.  The  simulation  results  indicated  that  the  higher  the  market  penetration  rates  of  EVs  are,  the  larger  discharge  flow  and  longer  total  travel  distance  can  be  achieved  on  a  freeway  corridor.  This  was  consistent  with  filed  observations  and  proved  that  EVs  with  ACC  provided  better  traffic  performance  than  ICE  vehicles  with  ACC.
■590    ▼aSchool  code:  0028.
■650  4▼aTransportation
■650  4▼aEnvironmental  engineering
■653    ▼aAdaptive  cruise  control
■653    ▼aAutonomous  vehicles
■653    ▼aCar  following  models
■653    ▼aElectric  vehicles
■653    ▼aField  experiments
■653    ▼aMicroscopic  simulation
■690    ▼a0543
■690    ▼a0709
■690    ▼a0775
■71020▼aUniversity  of  California,  Berkeley▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160991▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books