LEVERAGING DIGITAL TWIN USING EXPLAINABLE ARTIFICIAL INTELLIGENCE. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Dissertation_Kholood Alnowaiser_stamped.pdf - Accepted Version Restricted to Repository staff only until 12 February 2026. Download (10MB)

Arabic Abstract

تقدّم هذه الأطروحة نهجًا جديدًا لتحسين التّحكّم بزاوية الالتفاف للمركبات ذاتيّة القيادة بالاستفادة من تقنيّة التوأم الرقمي: نماذج التّعلّم بالتّعزيز القادرة على التّكيّف والقابلة للتّفسير، وأداة (SteeraTool) لإنشاء بيانات اصطناعيّة، بالإضافة إلى مجموعة بيانات (SteeraSet) عالية الدّقة لتجربة وتقويم نماذج التّحكّم بزاوية الالتفاف. كشفت التجارب الأوليّة باستخدام أنظمة الاستدلال الضّبابيّة (FIS) عن قابلية محدودة لهذه الأنظمة للتوسّع والتّفسير مما دفعنا إلى اعتماد طرق تستند إلى التّعلّم بالتّعزيز. تطوّر الدّراسة نماذج تعلّم تعزيزيّ باستخدام خوارزمية (DDPG) المصمّمة خصيصًا للبيئات الديناميكيّة من خلال أليات تكيفيّة مثل multi-head critic networks، و dynamic policy gradients ونظام مكافآت يحقّق التّوازن بين سلاسة القيادة والتزام المركبة بالمسار وتحكّمها بزوايا الالتفاف. وتتحقق القابلية للتفسير باستخدام SHAP values التي توفر نظرة داخلية للنظام وتساعد في فهم تأثير مدخلات النموذج وقدرته على اتخاذ القرار، وبالتالي تسهم في تحسين النماذج بشكل يستهدف معالجة جوانب القصور فيها. تقوّم النماذج المقترحة في بيئة (CARLA) لمحاكاة أنظمة المركبات ذاتية القيادة، وتُظهر نتائج التقويم تحسينات كبيرة في التّكيف والقابليّة للتفسير. بالإضافة إلى ذلك، تُسلّط النتائج الضّوء على قُدرة النماذج على التكيّف مع سيناريوهات متنوّعة، مع الحفاظ على أداء عالٍ. ورغم التحسينات، إلا أنّ التحديات المتعلقة بقدرة النماذج على التعميم قائمة. تُسهم هذه الدراسة في تعزيز تطبيقات التوأم الرقميّ في القيادة الذاتية، وتقدم رؤى عملية لتحقيق التوازن بين الأداء والقابلية للتفسير وقدرة النماذج على التكيف لمواكبة التغيّرات في بيئة التّشغيل. وتشمل الخطوات المستقبليّة تنفيذ اختبارات ميدانية، وتحسين آليّات التّعلم التّعزيزي التّكيفيّ لمواجهة بقيّة التّحديات.

English Abstract

This dissertation presents a novel approach to enhancing autonomous vehicle lateral control by leveraging digital twin technology with adaptive and explainable RL. The research introduces SteeraTool, a synthetic data generation tool, and SteeraSet, a high-fidelity dataset for lateral control evaluation. Initial investigations using FIS revealed limitations in scalability and interpretability, prompting the adoption of RL-based methods. The study develops RL models using the DDPG algorithm, optimized for dynamic environments through adaptive mechanisms such as multi-head critic networks and dynamic policy gradients. A custom reward function ensures balance among stability, trajectory adherence, and smooth steering. Explainability is achieved using SHAP values, offering insights into feature importance and enabling targeted refinements to the models. Comprehensive experiments in the CARLA simulator evaluate the proposed models, demonstrating significant improvements in adaptivity and explainability. The results highlight the RL models’ capability to adapt to diverse scenarios while maintaining high performance. However, challenges such as computational demands and generalization remain. The research contributes to advancing digital twin applications in autonomous driving, providing actionable insights into balancing performance, explainability, and adaptivity. Future work includes real-world testing and further optimization of adaptive RL mechanisms to address remaining limitations.

Item Type:	Thesis (PhD)
Subjects:	Computer Systems
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Ahmed, Moataz
Committee Members:	Elrabaa, Mohamed and El-Ferik, Sami and El-Bassuny, Tarek and Mahmood, Sajjad
Depositing User:	KHOLOOD ALNOWAISER (g201901650)
Date Deposited:	16 Feb 2025 11:06
Last Modified:	16 Feb 2025 11:06
URI:	http://eprints.kfupm.edu.sa/id/eprint/143284