A multi-objective route planning framework for automated and connected vehicles

dc.contributor.advisorAlbayrak, Sahin
dc.contributor.authorBila, Cem
dc.contributor.grantorTechnische Universität Berlinen
dc.contributor.refereeAlbayrak, Sahin
dc.contributor.refereeBogenberger, Klaus
dc.contributor.refereeSvitek, Miroslav
dc.date.accepted2022-05-19
dc.date.accessioned2022-07-29T13:07:16Z
dc.date.available2022-07-29T13:07:16Z
dc.date.issued2022
dc.description.abstractThe road environments of the future smart cities will be more digitized and connected. Many entities and applications within this highly digitized urban environment are to communicate with one another, in order to realize intelligent decision-making processes. The fact that most of the smart city applications and devices are connected that provisions uninterrupted communication bit-pipes places Information and Communication Technologies (ICT) and network service providers in a very important position. Hence, many decision instances, which to-date did not need to take the ICT into account, now strongly depend on the availability of communication services. In the face of recent technological developments, it becomes evident that autonomous and connected vehicles will be an integral part of this smart city ecosystem and Cooperative Intelligent Transport Systems (C-ITS). When widely adopted and operated as an on-demand mobility service, the envisioned fully autonomous and connected vehicles will bring benefits such as increased road safety, transport efficiency, and passenger comfort. Like many other smart city services, the seamless operation of automated and connected driving applications, i.e., vehicle platooning, advanced driving, extended sensors, and remote driving, will require reliable and uninterrupted connectivity. One way to realize this would be to capture the interrelation between the route planning component of autonomous and connected vehicles and the network management system of communication service providers. The planning and control instances deployed at both ends of this interrelation would mutually benefit each other. By using the advantage of the hierarchical and deterministic route and motion planning mechanism of autonomous vehicles, the network resources can be proactively allocated along the vehicles’ planned trajectories. This preemptively initiated resource allocation process based on the programmatically determined routes of autonomous and connected vehicles would definitely contribute to achieving connectivity with the required level of Quality of Service (QoS). Complementing the trajectory-based network management mechanism, the autonomous vehicles’ route planning component can take into account the communication network status information. In this way, the routes of vehicles are to be optimized and adjusted by considering both traffic-related and communication network-related conditions, which is addressed in this work. The network-aware route planning mechanism would enable vehicles to travel along roads with better network availability and higher signal strength. In this direction, we design and implement a modular framework that allows users to model an urban scenario comprising the C-ITS elements such as autonomous and connected vehicles, wireless access points, dynamic data storage entity. By means of the established simulation environment, (near) real-time traffic and network status information can be collected from the modeled road environment. Using this dynamic data collected from the urban scenario, a group of vehicle instances representing autonomous and connected vehicles are rerouted based on the Multi-Objective Evolutionary Algorithm (MOEA) approach. The developed modular framework enables to import and remove different objectives and constraints easily to/from the route optimization problem model. In this way, different route optimization problem instances can be defined and solved depending on the modeled scenario. The problem objectives include conventional metrics such as traveled distance, travel time, and congestion level on the roads. Additionally, communication network quality information can be incorporated into the optimization problem model as an unconventional metric. An adjustable mix of different objectives and constraints can be considered in the dynamic route planning process. A dynamic data storage entity, representing the Local Dynamic Map (LDM) component of the C-ITS, is implemented and extended with Network Context (NC) object. The provided network data layer enables the maintenance of (near) real-time network status information on the road environment. In this manner, the network conditions are taken into account by the route planning methodology, which is highly critical for the seamless operation of many automated vehicle applications such as vehicle platooning, advanced driving, extended sensors, and remote driving. A mechanism to calculate the projected congestion contribution on each road segment is implemented, which reflects the future congestion levels on the roads. Considering this additional metric as an objective or constraint would contribute to achieving global traffic optimization rather than routing the vehicles in a greedy way. The Multi-Objective Evolutionary Algorithms (MOEAs) used to reroute the vehicles, such as NSGA-2 and NSGA-3, efficiently generate a set of optimal and trade-off solutions for the vehicles.en
dc.description.abstractDie Straßenumgebungen der Smart Cities der Zukunft werden st¨arker digitalisiert und vernetzt. Viele Entit¨aten und Anwendungen innerhalb dieser hochdigitalisierten urbanen Umgebung sollen miteinander kommunizieren, um intelligente Entscheidungsprozesse zu realisieren. Die Tatsache, dass die meisten Smart-City-Anwendungen und -Geräte verbunden sind, die ununterbrochene Kommunikationsbitpipes bereitstellen, verschafft Informations- und Kommunikationstechnologien (IKT) und Netzwerkdienstanbietern eine sehr wichtige Position. Daher hängen viele Entscheidungsinstanzen, die bisher die IKT nicht berücksichtigen mussten, stark von der Verfügbarkeit von Kommunikationsdiensten ab. Angesichts der jüngsten technologischen Entwicklungen wird deutlich, dass autonome und vernetzte Fahrzeuge ein integraler Bestandteil dieses Smart-City-Ökosystems und kooperativer intelligenter Verkehrssysteme (C-ITS) sein werden. Wenn die geplanten vollständig autonomen und vernetzten Fahrzeuge weit verbreitet und als On-Demand-Mobilitätsdienst eingeführt und betrieben werden, werden sie Vorteile wie erhöhte Verkehrssicherheit, Transporteffizienz und Fahrgastkomfort bringen.Wie viele andere Smart-City-Dienste erfordert der nahtlose Betrieb von automatisierten und vernetzten Fahranwendungen, d. h. Fahrzeug-Platooning, Advanced Driving, Extended Sensors und Remote Driving, eine zuverlässige und unterbrechungsfreie Konnektivität. Eine Möglich- keit, dies zu realisieren, besteht darin, die Wechselbeziehung zwischen der Routenplanungskomponente autonomer und vernetzter Fahrzeuge und dem Netzmanagementsystem von Kommunikationsdienstanbietern zu erfassen. Die an beiden Enden dieses Zusammenhangs eingesetzten Planungs- und Steuerungsinstanzen würden sich gegenseitig nützen. Durch die Nutzung des Vorteils des hierarchischen und deterministischen Routen- und Bewegungsplanungsmechanismus autonomer Fahrzeuge können die Netzwerkressourcen proaktiv entlang der geplanten Trajektorien der Fahrzeuge zugewiesen werden. Dieser präventiv initiierte Ressourcenzuweisungsprozess basierend auf den programmatisch bestimmten Routen autonomer und vernetzter Fahrzeuge würde definitiv dazu beitragen, eine Konnektivität mit der erforderlichen Dienstgüte (QoS) zu erreichen. Ergänzend zu dem trajektorienbasierten Netzwerkveriv waltungsmechanismus kann die Routenplanungskomponente der autonomen Fahrzeuge die Statusinformationen des Kommunikationsnetzwerks berücksichtigen. Auf dieseWeise sollen die Fahrwege von Fahrzeugen unter Berücksichtigung sowohl verkehrstechnischer als auch kommunikationsnetzbezogener Gegebenheiten optimiert und angepasst werden, was in dieser Arbeit behandelt wird. Der netzwerkfähige Routenplanungsmechanismus würde es Fahrzeugen ermöglichen, auf Straßen mit besserer Netzwerkverfügbarkeit und höherer Signalstärke zu fahren. In dieser Richtung konzipiere und implementiere ich ein modulares Framework, das es Nutzern ermöglicht, ein urbanes Szenario bestehend aus den C-ITS-Elementen wie autonome und vernetzte Fahrzeuge, drahtlose Zugangspunkte, dynamische Datenspeicher usw. zu modellieren. Mittels der etablierten Simulationsumgebung können (fast) Echtzeit-Verkehrs- und Netzwerkstatusinformationen aus der modellierten Straßenumgebung gesammelt werden. Unter Verwendung dieser dynamischen Daten, die aus dem urbanen Szenario gesammelt wurden, wird eine Gruppe von Fahrzeuginstanzen, die autonome und vernetzte Fahrzeuge repräsentieren, basierend auf dem Ansatz des Multi-Objective Evolutionary Algorithm (MOEA) umgeleitet. Das entwickelte modulare Framework ermöglicht das einfache Importieren und Entfernen verschiedener Zielsetzungen und Einschränkungen in das/aus dem Routenoptimierungsproblemmodell. Auf diese Weise können je nach modelliertem Szenario unterschiedliche Problemfälle der Routenoptimierung definiert und gelöst werden. Zu den Problemzielen gehören konventionelle Metriken wie zurückgelegte Distanz, Reisezeit und Staupegel auf den Straßen. Zusätzlich können Informationen zur Netzwerkqualität als unkonventionelle Metrik in das Optimierungsproblemmodell aufgenommen werden. Bei der dynamischen Routenplanung kann ein einstellbarer Mix aus unterschiedlichen Zielen und Randbedingungen berücksichtigt werden. Eine dynamische Datenspeichereinheit, die die Local Dynamic Map (LDM)-Komponente des C-ITS darstellt, wird implementiert und mit einem Network Context (NC)-Objekt erweitert. Die bereitgestellte Netzwerkdatenschicht ermöglicht die Pflege von (fast) Echtzeit-Netzwerkstatusinformationen über die Straßenumgebung. Auf diese Weise werden die Netzwerkbedingungen durch die Routenplanungsmethodik berücksichtigt, die für den reibungslosen Betrieb vieler automatisierter Fahrzeuganwendungen wie Fahrzeug-Platooning, Advanced Driving, Extended Sensors und Remote Driving sehr wichtig ist. Es wird ein Mechanismus zur Berechnung des projizierten Staubeitrags auf jedem Straßenabschnitt implementiert, der die zukünftigen Staupegel auf den Straßen widerspiegelt. Die Berücksichtigung dieser zusätzlichen Metrik als Ziel oder Einschränkung würde dazu beitragen, eine globale Verkehrsoptimierung zu erreichen, anstatt die Fahrzeuge auf gierige Weise zu routen. Die Multi-Objective Evolutionary Algorithms (MOEAs), die verwendet werden, um die Fahrzeuge umzuleiten, wie NSGA-2 und NSGA-3, erzeugen effizient eine Reihe von optimalen und Kompromisslüsungen für die Fahrzeuge.de
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/17146
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-15925
dc.language.isoenen
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/en
dc.subject.ddc000 Informatik, Informationswissenschaft, allgemeine Werkede
dc.subject.othervehicular route planningen
dc.subject.othermulti-objective optimizationen
dc.subject.otherautonomous vehiclesen
dc.subject.othersimulation frameworken
dc.subject.otherFahrzeugroutenplanungde
dc.subject.otherMulti-Objective-Optimierungde
dc.subject.otherautonome Fahrzeugede
dc.subject.otherSimulationsframeworkde
dc.titleA multi-objective route planning framework for automated and connected vehiclesen
dc.title.translatedEin Multi-Objective-Routenplanungs-Framework fĂĽr automatisierte und vernetzte Fahrzeugede
dc.typeDoctoral Thesisen
dc.type.versionacceptedVersionen
tub.accessrights.dnbfreeen
tub.affiliationFak. 4 Elektrotechnik und Informatik::Inst. Wirtschaftsinformatik und Quantitative Methoden::FG Agententechnologien in betrieblichen Anwendungen und der Telekommunikation (AOT)de
tub.affiliation.facultyFak. 4 Elektrotechnik und Informatikde
tub.affiliation.groupFG Agententechnologien in betrieblichen Anwendungen und der Telekommunikation (AOT)de
tub.affiliation.instituteInst. Wirtschaftsinformatik und Quantitative Methodende
tub.publisher.universityorinstitutionTechnische Universität Berlinen

Files

Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
bila_cem.pdf
Size:
3.98 MB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
4.86 KB
Format:
Item-specific license agreed upon to submission
Description:

Collections