MARC

 008250123s2024        us                              c    eng  d
■001000017165142
■00520250211153128
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346873976
■035    ▼a(MiAaPQ)AAI31767003
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aMa,  Ke.
■24510▼aDesign,  Testing,  and  Evaluation  of  Automated  Vehicle  Control  Systems  in  Transportation
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a146  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aIncludes  supplementary  digital  materials.
■500    ▼aAdvisor:  Li,  Xiaopeng  Shaw.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2024.
■520    ▼aAutomated  vehicles  (AVs)  hold  the  promise  of  transforming  transportation  systems  by  enhancing  safety,  mobility,  stability,  and  sustainability.  However,  current  research  often  falls  short  of  fully  capturing  the  unique  characteristics  of  AV  behaviors,  particularly  in  car-following  scenarios.  Existing  models  predominantly  focus  on  human-driven  vehicles  (HVs)  and  fail  to  account  for  the  specific  control  mechanisms  and  hardware  constraints  inherent  in  AVs.  This  dissertation  aims  to  bridge  these  gaps  by  developing  a  comprehensive  framework  that  includes  a  uniform  trajectory  dataset,  standardized  evaluation  metrics,  and  a  unified  dynamics  structure  tailored  for  AVs.The  research  is  guided  by  four  primary  goals:  developing  a  comprehensive  and  uniform  AV  trajectory  dataset;  assessing  current  commercial  AV  behaviors  using  standardized  metrics;  developing  a  unified  dynamics  structure  for  AV  models  and  controllers;  and  designing  and  optimizing  improved  controllers  within  the  established  dynamics  structure.  To  achieve  these  goals,  a  large-scale  empirical  dataset  was  compiled  from  30  AVs  across  multiple  automakers,  capturing  a  wide  range  of  driving  scenarios  and  conditions  while  considering  variability  in  hardware,  models,  test  sites,  and  experimental  settings.Standardized  evaluation  metrics  focusing  on  safety,  mobility,  stability,  and  sustainability  were  established,  enabling  consistent  assessment  across  different  studies  and  applications.  Analysis  of  the  dataset  revealed  that  current  commercial  AVs  exhibit  certain  limitations,  such  as  instability  under  specific  conditions,  highlighting  the  need  for  improved  control  strategies.To  address  the  limitations  of  human-based  car-following  models,  a  three-stage  unified  dynamics  structure  was  developed,  accurately  modeling  AV  dynamics  and  controllers  by  accounting  for  AV-specific  control  mechanisms  and  hardware  constraints.  The  proposed  structure  integrates  time  delays  due  to  sensor  detection,  data  processing,  and  actuator  response,  and  accommodates  both  linear  and  nonlinear  controllers.  This  framework  captures  the  uniform  and  predictable  nature  of  AV  control  mechanisms.Within  this  dynamics  structure,  both  linear  and  nonlinear  car-following  models  were  developed  and  calibrated  using  the  empirical  dataset.  An  optimization  methodology  was  introduced  to  identify  optimal  parameters  that  maximize  mobility  while  ensuring  stability  constraints  are  satisfied.  The  research  methodology  involved  calibrating  the  car-following  models  based  on  the  empirical  data,  identifying  response  delays  for  each  AV,  and  performing  stability  analysis.  For  linear  models,  the  system's  transfer  function  was  derived,  and  stability  conditions  were  determined  by  analyzing  the  poles  of  the  transfer  function.  For  nonlinear  models,  local  stability  was  assessed  by  linearizing  the  system  around  equilibrium  points  and  examining  the  eigenvalues  of  the  Jacobian  matrix.Optimization  problems  were  formulated  to  maximize  mobility,  such  as  minimizing  average  headway,  while  satisfying  the  derived  stability  constraints.  Constrained  optimization  algorithms,  including  Sequential  Quadratic  Programming  for  linear  models  and  Genetic  Algorithms  for  nonlinear  models,  were  employed  to  solve  these  problems.  The  optimized  controllers  demonstrated  improved  performance  in  simulations,  achieving  a  better  trade-off  between  mobility  and  stability  compared  to  existing  commercial  models.Key  findings  of  the  dissertation  include  the  importance  of  incorporating  time  delays  in  accurately  modeling  AV  behaviors.  Including  feedback  delays  (sensor  detection  and  data  processing)  and  parasitic  lags  (actuator  response  times)  significantly  improved  the  accuracy  of  the  car-following  models.  While  both  linear  and  nonlinear  controllers  were  optimized  to  enhance  performance,  linear  controllers  generally  performed  better  under  the  tested  conditions,  suggesting  that  commercially  available  AVs  likely  employ  linear  or  piecewise-linear  control  mechanisms.  The  optimized  controllers  successfully  achieved  high  mobility  under  stability  constraints,  mitigating  traffic  oscillations  and  promoting  smoother  traffic  flow.  This  highlights  the  inherent  trade-off  between  shorter  headways,  which  improve  mobility,  and  potential  instability.  Additionally,  the  local  fit  approach  was  found  to  be  more  suitable  for  short-term  trajectory  predictions,  whereas  the  global  fit  approach  was  better  for  long-term  simulations.To  further  advance  vehicle  automation,  the  research  incorporated  connected  and  automated  vehicle  (CAV)  strategies.  By  leveraging  cooperative  driving  automation  (CDA)  technologies,  the  proposed  Visual-Enhanced  Cooperative  Traffic  Operations  (VECTOR)  system  demonstrated  significant  improvements  in  energy  efficiency  and  traffic  capacity.  These  enhancements  address  the  limitations  of  traditional  AV  systems,  by  enabling  lightweight  intention-sharing  mechanisms  that  facilitate  more  robust  and  efficient  car-following  behaviors.This  dissertation  contributes  to  the  advancement  of  AV  technology  by  providing  a  robust  and  uniform  dataset  that  serves  as  a  foundation  for  AV  behavior  analysis,  standardized  metrics  that  enable  consistent  evaluation  across  different  studies  and  applications,  a  unified  modeling  framework  that  accurately  reflects  AV  dynamics  and  control  mechanisms,  and  improved  control  strategies  that  enhance  AV  performance  in  safety,  mobility,  stability,  and  sustainability.While  significant  strides  were  made,  the  research  acknowledges  certain  limitations,  such  as  the  scope  of  the  dataset  and  the  exclusion  of  connected  and  cooperative  strategies  or  end-to-end  machine  learning  approaches.  Future  research  directions  include  expanding  the  dataset  to  encompass  more  diverse  AV  models  and  driving  conditions,  exploring  connected  technologies  and  machine  learning  methods  to  further  enhance  AV  performance,  and  implementing  the  optimized  controllers  in  real-world  AVs  or  high-fidelity  simulators  for  validation  under  practical  conditions.In  conclusion,  this  dissertation  addresses  critical  gaps  in  the  modeling  of  AV  behaviors,  particularly  in  car-following  scenarios.  By  developing  a  comprehensive  framework  that  encompasses  data  collection,  evaluation  metrics,  dynamic  modeling,  and  controller  optimization,  it  provides  valuable  insights  and  tools  for  improving  AV  performance.  The  research  lays  a  solid  foundation  for  future  explorations  into  connected  technologies  and  advanced  control  strategies,  ultimately  contributing  to  the  effective  integration  of  AVs  into  traffic  systems  and  the  realization  of  their  potential  benefits.
■590    ▼aSchool  code:  0262.
■650  4▼aTransportation
■650  4▼aEnvironmental  engineering
■653    ▼aAutomated  vehicle
■653    ▼aConnected  technology
■653    ▼aControllers
■653    ▼aField  test
■653    ▼aPerformance  metrics
■653    ▼aTrajectory  data
■690    ▼a0709
■690    ▼a0543
■690    ▼a0775
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165142▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서