MARC

 008260126s2025        us                              c    eng  d
■001000017359490
■00520260202105126
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291551936
■035    ▼a(MiAaPQ)AAI32238850
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aLiang,  Zhaohui.
■24510▼aTowards  Robust  Eco-Driving:  Platform,  Algorithms,  Scenarios,  and  Testing
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a117  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Li,  Xiaopeng  Shaw.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aEco-driving  at  signalized  intersections  is  a  key  strategy  for  improving  fuel  efficiency  and  reducing  emissions  in  urban  environments.  However,  existing  eco-driving  algorithms  often  fall  short  of  real-world  applicability  due  to  computational  complexity,  poor  disturbance  tolerance,  or  limited  integration  with  real-time  vehicle  control  systems.  This  dissertation  addresses  these  gaps  by  developing  a  unified  framework  that  combines  analytical  trajectory  planning,  adversarial  scenario  generation,  and  hierarchical  field  testing  to  enable  robust,  scalable,  and  deployable  eco-driving  for  Connected  and  Automated  Vehicles  (CAVs).First,  we  propose  a  novel  analytical  trajectory  planning  method  based  on  cubic  functions,  capable  of  generating  closed-form,  smooth,  and  fuel-efficient  trajectories  in  real  time.  Unlike  traditional  optimization-based  methods,  the  proposed  planner  does  not  require  iterative  solvers,  making  it  highly  suitable  for  embedded  deployment.  The  method  accounts  for  signal  timing  constraints,  acceleration  feasibility,  and  driver  comfort,  and  includes  mechanisms  to  gracefully  handle  waiting  scenarios  through  a  three-phase  planning  structure.To  evaluate  the  resilience  of  eco-driving  strategies  under  real-world  uncertainty,  we  introduce  a  structured  adversarial  scenario  generation  framework.  Disturbances  are  categorized  into  environmental  and  systemic  types  and  modeled  probabilistically  along  adversarial  directions.  A  continuous  adversarial  level  parameter,  α,  enables  fine-grained  control  of  disturbance  severity,  allowing  scalable  and  repeatable  stress  testing  of  controller  performance.  Scenarios  include  stochastic  lead  vehicle  behavior,  adaptive  red  phase  extensions,  sensor  noise,  GPS  errors,  lateral  cut-ins,  road  surface  variations,  and  control  execution  delays.We  also  define  two  novel  evaluation  metrics-resilience  indicator  G  and  robustness  indicator  H-to  quantify  performance  degradation  under  external  disturbances  and  internal  variability,  respectively.  These  metrics  measure  the  relative  drop  in  utility  between  planned  and  executed  trajectories,  normalized  by  the  baseline  utility  gap,  providing  a  unified  view  of  controller  stability  and  adaptability.The  proposed  methods  are  implemented  and  tested  on  a  full-scale  Level  3  CAV  platform  with  integrated  C-V2X  communication,  capable  of  receiving  real-time  SPaT  data  from  infrastructure-deployed  Roadside  Units  (RSUs).  A  hierarchical  testing  pipeline-consisting  of  software-in-the-loop,  hardware-in-the-loop,  and  closed-road  experiments-is  used  to  validate  controller  behavior  and  resilience  under  controlled  adversarial  conditions.  Comparative  experiments  demonstrate  that  while  both  analytical  and  optimization-based  methods  achieve  similar  energy  savings,  they  differ  in  resilience  profiles:  optimization-based  controllers  offer  stronger  disturbance  adaptation  through  feedback,  while  analytical  methods  provide  smoother  control  under  low-to-moderate  variability.In  conclusion,  this  dissertation  contributes  a  practical  and  principled  approach  to  robust  eco-driving,  combining  algorithmic  simplicity  with  empirical  rigor.  By  enabling  lightweight  planning  and  structured  disturbance  evaluation,  the  proposed  framework  lays  the  groundwork  for  certifiable,  real-time  eco-driving  solutions  in  future  intelligent  transportation  systems.  The  tools,  models,  and  evaluation  metrics  introduced  here  also  provide  a  foundation  for  further  research  in  resilience-aware  autonomous  driving.
■590    ▼aSchool  code:  0262.
■650  4▼aTransportation
■650  4▼aEnvironmental  engineering
■653    ▼aUrban  environments
■653    ▼aConnected  and  Automated  Vehicles
■653    ▼aEco-driving  strategies
■690    ▼a0709
■690    ▼a0543
■690    ▼a0775
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359490▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서