Investigation and Utilization of Autonomous Vehicles Impacts on Signalized Intersection Performance under Mixed Traffic Environment with Regular Vehicles. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF (PhD Dissertation) Final PhD Dissertation after all corrections - Mohammed ALTurki - ID_201202460 - 4 May 2023.pdf - Other Restricted to Repository staff only until 4 May 2024. Download (6MB)

Arabic Abstract

قدمت التطورات الحديثة في مجال الثورة الصناعية مناهج جديدة لديها إمكانات كبيرة لزيادة كفاءة شبكات الطرق. يمكن دمج المفاهيم الناشئة للقيادة الذاتية والتعلم الآلي بذكاء لتحسين كفاءة تدفق حركة المرور. يمكن أن يتغلب التطبيق الفعال للمركبات ذاتية القيادة (AVs) على المشاكل المختلفة الناتجة من سلوك القيادة البشرية العشوائية. ولكن ، في السنوات القادمة يمكن أن يختلف تكوين حركة المرور من حيث معدل تطبيق السيارات ذاتية القيادة مما قد يؤدي إلى حركة مرورية ديناميكية ومختلطة تشمل مركبات عادية (RVs) ومركبات ذاتية القيادة ذات الخصائص المختلفة. نتيجة لذلك ، سيؤدي التطبيق التدريجي للمركبات ذاتية القيادة إلى تأثيرات فريدة على نظام المرور. يركز الجزء الأول من هذا البحث على مراجعة واستقصاء تأثيرات تطبيق السيارات ذاتية القيادة على خصائص التدفق المروري في ظل بيئة مرورية مختلطة مع مراعاة الجوانب المختلفة ذات الصلة. أشارت النتائج المستخلصة من المراجعة إلى أن تطبيق المركبات ذاتية القيادة له تأثيرات إيجابية على تدفق حركة المرور مثل تحسين سعة الطريق واستقرار حركة المرور. ولكن، هذه التأثيرات تعتمد على بعض العوامل بما في ذلك معدل تطبيق المركبات ذاتية القيادة، الخصائص والإعدادات التشغيلية للمركبات، مستوى حجم حركة المرور، وسلوك القيادة البشرية. و أشارت النتائج التي تم الحصول عليها في هذا البحث بناء على الاستقصاء القائم على المحاكاة إلى أنه حتى التطبيق الجزئي للمركبات ذاتية القيادة يمكن أن يحسن الكفاءة التشغيلية للتقاطعات المرورية ذات الإشارات الضوئية مقارنة بحركة مرور مكونة من مركبات عادية بشكل كامل. يقلل تطبيق المركبات ذاتية القيادة من تأخير المركبة والتأخير المتوقف وطول قائمة الانتظار عند التقاطعات. و تعتمد التحسينات المتوقعة بشكل أساسي على معدل التطبيق وهي أعلى عند معدلات تطبيق عالية (50%≤). بالنظر إلى النماذج المختلفة للمركبات ذاتية القيادة المستخدمة في هذا البحث، أظهر نموذج المركبة ذاتية القيادة المتصلة أفضل أداء. يركز الجزء الثاني من هذا البحث على التحكم في التقاطعات ذات الإشارات الضوئية في ظل بيئة مرورية مختلطة. تعتمد الطرق المقترحة المختلفة في الأدبيات على افتراضات ومتطلبات وقيود مختلفة تتعلق ببيئة الشبكة المرورية. للتغلب على هذه المحددات ، يمكن لتطبيق التحكم التكيفي لإشارة المرور (TSC) من تحسين خطط إشارات المرور بشكل فعال مع التغيرات في بيئة حركة المرور المختلطة. ومع ذلك، ينبغي استخدام أساليب و مناهج الذكاء الاصطناعي (AI) لتحسين الاستفادة من الخصائص المحسنة للمركبات ذاتية القيادة. يمكن للتطبيق الفعال للطرق القائمة على التعلم الآلي (ML) على تطوير نظام اشارة مرور متكيف قادر على الاستجابة بفعالية للظروف الديناميكية المتغيرة لنظام المرور باستخدام التعلم والتكيف المستمر الذكي. بناءً على هذه المفاهيم ، تم في هذا البحث حل مشكلة مستقبلية للتحكم بالتقاطعات المرورية لحركة المرور المختلطة من خلال اقتراح وتطوير نظام تحسين ذكي. يعمل النظام المقترح على تحسين أداء التقاطع في ظل ظروف المرور المزدحمة مقارنة بأنظمة التحسين التقليدية. مقارنةً بالحركة المرورية المكونة من مركبات عادية بشكل كامل، يمكن أن تؤدي معدلات تطبيق المركبات ذاتية القيادة البالغة 25٪ و 50٪ و 100٪ إلى تقليل أطوال دورات الاشارات الضوئية بنسبة 26٪ و 39٪ و 53٪ على التوالي ، مما قد يؤدي إلى تقليل التأخير بحوالي 18٪ و 31٪ و 56٪ على التوالي. يمكن أن يساعد النظام المقترح عند تطبيقه بطريقة قائمة على التكيف على تعميم التحكم في التقاطعات الحالية ذات الإشارات الضوئية مع التطبيق التدريجي للمركبات ذاتية القيادة بدون الحاجة الى بنية تحتية إضافية أو قدرات تشغيلية وقدرات اتصالية للمركبات المعنية.

English Abstract

Recent advancements in industrial revolution have offered novel approaches that have considerable potential for increasing the efficiency of road networks. Emerging concepts of autonomous driving and machine learning can be incorporated intelligently for improving traffic flow efficiency. Effective implementation of autonomous vehicles (AVs) could overcome different problems of stochastic human driving behavior. However, in the coming years, traffic composition can vary in terms of AV implementation rate, which can lead to a dynamic and mixed traffic environment comprising regular vehicles (RVs) and AVs with different characteristics. As a result, the gradual implementation of the AVs will definitely cause unique impacts on traffic system. The first part of this research focuses on reviewing and investigating impacts of the AV implementation under mixed AV-traffic environment considering different related aspects. Findings from the review indicated that the AV implementation has positive impacts on the traffic flow, such as improved traffic capacity and stability. However, the impact depends on some factors including implementation rate of the AVs, characteristics and operational settings of the AVs, traffic volume level, and human driving behaviour. Results obtained from the simulation-based investigation indicated that even partial AV implementation could improve the operational efficiency of a signalized intersection compared to full RV traffic. AV implementation reduces the vehicle delay, stopped delay, and queue length. The expected improvements are primarily based on the implementation rate, and are higher at higher rates (≥50%). Considering the different AV models employed in this research, connected autonomous vehicle (CAV) model exhibited the best performance. The second part of this research focuses on signalized intersection control under mixed AV-traffic environment. The different proposed methods in the literature are based on different assumptions, requirements, and constraints related to the network environment. To overcome these limitations, the application of adaptive traffic signal control (TSC) can effectively optimize traffic signal plans for variations of AV traffic environments. However, artificial intelligence (AI) approaches should be considered to better utilization of the improved AV characteristics. The effective application of machine learning (ML) based methods may be used to develop a real adaptive TSC which are able to respond effectively to the dynamic varying conditions of traffic system using their intelligent continuing learning and adaptation. Based on these concepts, a future TSC problem of AV-based traffic is solved by proposing and developing a novel intelligent-based optimization framework. The proposed framework improves intersection performance under congested traffic conditions compared with that of the traditional optimization methods. Compared to full RV-based traffic, the implementation rates of 25%, 50%, and 100% can decrease optimized cycle lengths by 26%, 39%, and 53%, respectively, which can result in delay reductions of approximately 18%, 31%, and 56%, respectively. The proposed framework when applied in an adaptive-based manner can help in the generalization of controlling existing signalized intersections with the gradual implementation of AVs without the extra infrastructure or specific operational and connectivity capabilities of the involved vehicles.

Item Type:	Thesis (PhD)
Subjects:	Computer Systems Civil Engineering Civil Engineering > Transportation Engineering
Department:	College of Design and Built Environment > Civil and Environmental Engineering
Committee Advisor:	Dr. Nedal, T. Al-Ratrout
Committee Co-Advisor:	Dr. Khaled, J. Assi
Committee Members:	Dr. Shakhawat, Chowdhury and Dr. Syed, Masiur Rahman and Dr. Salah, Othman Al-Dulaijan
Depositing User:	MOHAMMED KHALID AL-TURKI (g201202460)
Date Deposited:	11 May 2023 08:17
Last Modified:	11 May 2023 08:17
URI:	http://eprints.kfupm.edu.sa/id/eprint/142371