MARC

 008260126s2025        us                              c    eng  d
■001000017359525
■00520260202105132
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291559901
■035    ▼a(MiAaPQ)AAI32239276
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aZhong,  Xinzhi.
■24510▼aUnderstanding  the  Human-Automated  Vehicle  Interaction  and  Its  Traffic-Level  Implications
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a114  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Ahn,  Soyoung.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aVehicles  on  the  road  today  have  various  automation  features  considered  SAE  Level  2-4,  largely  proprietary  to  individual  automakers.  No  uniform  standards  for  these  automation  features  currently  exist.  This  can  give  rise  to  highly  heterogeneous  and  mixed  traffic,  consisting  of  automated  vehicles  (AVs)  with  potentially  wide-varying  behaviors  by  design  and  human-driven  vehicles  (HDVs)  with  highly  variable  behaviors  by  nature.  The  control  logic  embedded  in  the  automation  systems  also  appears  to  diverge  significantly  from  human  driver  preference,  evidenced  by  frequent  voluntary  interventions  initiated  by  users,  not  the  automation  systems.  Such  control  transitions  could  spell  trouble  for  traffic  performance,  instigating  or  intensifying  traffic  flow  instability.  Yet,  there  is  a  limited  understanding  of  human-AV  interactions  in  dynamic  environments,  posing  a  major  challenge  to  advancing  the  design  of  shared-control  AV  systems.This  thesis  aims  to  understand  the  human-AV  interactions  in  car-following  and  their  system-level  implications  for  traffic  flow,  and  to  leverage  these  insights  to  advance  human-AV  collaboration  in  shared-control  driving  systems.  Specific  objectives  are  to:  (1)  understand  the  heterogeneity  of  commercial  AVs  through  a  uniform  analysis  platform;  (2)  characterize  voluntary  human  driver  interventions  and  their  impacts  on  both  individual  vehicles  and  traffic  flow;  (3)  advance  the  design  of  automation  control  systems  by  incorporating  multiple  objectives,  including  mitigating  the  undesirable  impacts  of  voluntary  interventions;  and  (4)  enhance  the  interpretability  of  human-AV  interactive  driving  through  human-aligned  reasoning.  To  this  end,  we  introduce  a  unifying  stochastic  framework  to  understand  the  heterogeneity  of  AVs  compared  to  HDVs,  with  a  particular  emphasis  on  the  connection  between  driving  behaviors  and  their  traffic-level  impacts.  The  findings  signify  the  variability  (1)  between  AVs  and  HDVs,  and  (2)  across  AV  developers,  engine  modes,  and  speed  ranges,  albeit  to  a  lesser  degree  than  HDV  behaviors.  It  illuminates  the  limitations  of  the  commercial  AVs  in  system-level  performances  in  terms  of  traffic  hysteresis,  a  phenomenon  closely  related  to  traffic  stability.  Through  driving  simulator-based  experiments,  we  investigate  the  adverse  effects  of  voluntary  interventions  on  traffic  stability,  particularly  disturbance  propagation.  We  find  that  the  deviation  from  human  preferences  in  automated  driving  is  a  critical  factor  prompting  voluntary  interventions.  By  decoding  the  decision-making  process  for  interventions  with  an  evidence  accumulation  model,  we  develop  an  AV  car-following  control  strategy  based  on  deep  reinforcement  learning  to  effectively  minimize  unnecessary  interventions  and  improve  traffic  stability.  Further,  to  promote  intuitive  human  understanding  of  human-AV  interactions,  we  propose  LISA  (large  language  models  (LLMs)-integrated  synthetic  human  agents),  a  multi-modal  generative  model  designed  to  reason  and  interpret  control  transition  through  natural  language.  This  framework  reinforces  the  interpretability  of  human-AV  interactions  by  integrating  AV  behavioral  pattern  inference  with  human  cognitive  reasoning,  and  by  characterizing  their  influence  on  traffic  throughput  and  hysteresis.  Built  upon  LISA,  an  adaptive  collaborative  driving  algorithm  is  developed  to  facilitate  seamless  handling  of  control  transitions,  ultimately  improving  traffic  throughput  and  mitigating  traffic  hysteresis.
■590    ▼aSchool  code:  0262.
■650  4▼aTransportation
■650  4▼aAutomotive  engineering
■650  4▼aEnvironmental  engineering
■653    ▼aAutomated  vehicles
■653    ▼aDriver  interventions
■653    ▼aGenerative  model
■653    ▼aHuman-AV  interactions
■653    ▼aLongitudinal  control
■653    ▼aTraffic  disturbance
■690    ▼a0709
■690    ▼a0543
■690    ▼a0775
■690    ▼a0540
■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=T17359525▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서