dc.identifier.citation | [1] Serban, Alexandru Constantin, Erik Poll, and Joost Visser. "A standard driven software architecture for fully autonomous vehicles." 2018 IEEE International Conference on Software Architecture Companion (ICSA-C). IEEE, 2018.
[2] Kato, Shinpei, et al. "An open approach to autonomous vehicles." IEEE Micro 35.6 (2015): 60-68.
[3] Nearchou, Andreas C. "Adaptive navigation of autonomous vehicles using evolutionary algorithms." Artificial Intelligence in Engineering 13.2 (1999): 159-173.
[4] Gasparetto, Alessandro, et al. "Path planning and trajectory planning algorithms: A general overview." Motion and operation planning of robotic systems (2015): 3-27
[5] Llorca, David Fernández, et al. "Autonomous pedestrian collision avoidance using a fuzzy steering controller." IEEE Transactions on Intelligent Transportation Systems 12.2 (2011): 390-401.
[6] Gasparetto, Alessandro, et al. "Path planning and trajectory planning algorithms: A general overview." Motion and operation planning of robotic systems (2015): 3-27.
[7] Zhong, Zijia, Mark Nejad, and Earl E. Lee. "Autonomous and Semi-Autonomous Intersection Management: A Survey." arXiv preprint arXiv:2006.13133 (2020).
[8] Dresner, Kurt, and Peter Stone. "Multiagent traffic management: An improved intersection control mechanism." Proceedings of the fourth international joint conference on Autonomous agents and multiagent systems. 2005.
[9] Dresner, Kurt, and Peter Stone. "A multiagent approach to autonomous intersection management." Journal of artificial intelligence research 31 (2008): 591-656.
[10] Khayatian, Mohammad, et al. "A survey on intersection management of connected autonomous vehicles." ACM Transactions on Cyber-Physical Systems 4.4 (2020): 1-27.
[11] Sathyaraj, B. Moses, et al. "Multiple UAVs path planning algorithms: a comparative study." Fuzzy Optimization and Decision Making 7.3 (2008): 257.
[12] Šeda, Miloš. "Roadmap methods vs. cell decomposition in robot motion planning." Proceedings of the 6th WSEAS international conference on signal processing, robotics and automation. 2007.
[13] Zhang, Yue J., Andreas A. Malikopoulos, and Christos G. Cassandras. "Optimal control and coordination of connected and automated vehicles at urban traffic intersections." 2016 American Control Conference (ACC). IEEE, 2016.
[14] Bichiou, Youssef, and Hesham A. Rakha. "Real-time optimal intersection control system for automated/cooperative vehicles." International Journal of Transportation Science and Technology 8.1 (2019): 1-12.
[15] Kamal, Md Abdus Samad, et al. "A vehicle-intersection coordination scheme for smooth flows of traffic without using traffic lights." IEEE Transactions on Intelligent Transportation Systems 16.3 (2014): 1136-1147.
[16] Li, Bai, et al. "Near-optimal online motion planning of connected and automated vehicles at a signal-free and lane-free intersection." 2018 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2018.
[17] Wu, Yuanyuan, Haipeng Chen, and Feng Zhu. "DCL-AIM: Decentralized coordination learning of autonomous intersection management for connected and automated vehicles." Transportation Research Part C: Emerging Technologies 103 (2019): 246-260.
[18] Dresner, Kurt, and Peter Stone. "Human-usable and emergency vehicle-aware control policies for autonomous intersection management." Fourth International Workshop on Agents in Traffic and Transportation (ATT), Hakodate, Japan. 2006.
[19] Liu, Bing, et al. "Trajectory planning for autonomous intersection management of connected vehicles." Simulation Modelling Practice and Theory 90 (2019): 16-30.
[20] Carlino, Dustin, Stephen D. Boyles, and Peter Stone. "Auction-based autonomous intersection management." 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). IEEE, 2013.
[21] Zohdy, Ismail H., and Hesham Rakha. "Game theory algorithm for intersection-based cooperative adaptive cruise control (CACC) systems." 2012 15th International IEEE Conference on Intelligent Transportation Systems. IEEE, 2012.
[22] Elhenawy, Mohammed, et al. "An intersection game-theory-based traffic control algorithm in a connected vehicle environment." 2015 IEEE 18th international conference on intelligent transportation systems. IEEE, 2015.
[23] Bashiri, Masoud, and Cody H. Fleming. "A platoon-based intersection management system for autonomous vehicles." 2017 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2017.
[24] Bashiri, Masoud, Hassan Jafarzadeh, and Cody H. Fleming. "Paim: Platoon-based autonomous intersection management." 2018 21st International Conference on Intelligent Transportation Systems (ITSC). IEEE, 2018.
[25] Zohdy, Ismail H., and Hesham A. Rakha. "Intersection management via vehicle connectivity: The intersection cooperative adaptive cruise control system concept." Journal of Intelligent Transportation Systems 20.1 (2016): 17-32.
[26] Lee, Joyoung, Byungkyu Park, and Ilsoo Yun. "Cumulative travel-time responsive real-time intersection control algorithm in the connected vehicle environment." Journal of Transportation Engineering 139.10 (2013): 1020-1029.
[27] Hassan, Abdallah A., and Hesham A. Rakha. "A fully-distributed heuristic algorithm for control of autonomous vehicle movements at isolated intersections." International Journal of Transportation Science and Technology 3.4 (2014): 297-309.
[28] Yu, Chunhui, et al. "Managing connected and automated vehicles at isolated intersections: From reservation-to optimization-based methods." Transportation research part B: methodological 122 (2019): 416-435.
[29] Khayatian, Mohammad, Mohammadreza Mehrabian, and Aviral Shrivastava. "RIM: Robust intersection management for connected autonomous vehicles." 2018 IEEE Real-Time Systems Symposium (RTSS). IEEE, 2018.
[30] Chen, Rongsheng, et al. "Stability-based analysis of autonomous intersection management with pedestrians." Transportation research part C: emerging technologies 114 (2020): 463-483.
[31] Ozcan, Cumhur Yigit, and Murat Haciomeroglu. "A path-based multi-agent navigation model." The Visual Computer 31.6 (2015): 863-872.
[32] Van Den Berg, Jur, et al. "Reciprocal n-body collision avoidance." Robotics research. Springer, Berlin, Heidelberg, 2011. 3-19.
[33] Ozcan, Cumhur Yigit, Ebru Akcapinar Sezer, and Murat Haciomeroglu. "A time‐based global path planning strategy for crowd navigation." Computer Animation and Virtual Worlds 30.2 (2019): e1864 | tr_TR |
dc.description.ozet | Araçların akıllı olması durumunda, ışıksız kavşaklar veya sinyalize kavşaklar gibi geleneksel kavşak yönetim modelleri, kavşakları geçmenin en etkili yolu değildir. Bu amaçla, Dresner ve Stone, Otonom Kavşak Yönetimi (AIM) adı verilen yeni bir kavşak kontrol modeli önerdi. AIM simülasyonunda, problemi çok ajanlı bir perspektiften inceleyerek, akıllı kavşak kontrolünün mevcut kontrol mekanizmalarından daha verimli hale getirilebileceğini gösterir. Önerilen model üzerinde yapılan deneyler ve gözlemler sonucunda araçların kavşağa hangi şertitten girdiklerinin kavşak performansına doğrudan etkisi olduğunu gördük. Bu çalışmada, Stone ve Dresner’in sunduğu AIM modeli ile otonom kavşak yönetimi ele alınmış ve kavşak performansının arttırılması hedeflenmiştir. Yapılan geliştirmeler ve deneyler sonucunda Stone ve Dresner’in sundukları AIM modelini genişlettik ve potansiyele dayalı bir şerit organizasyon katmanı ekledik. Araçları her bir şeride eşit olarak dağıtmak için, bu katman araçları yakın şeritleri analiz etmeleri için tetikler ve diğer şeritlerin avantajı varsa şeritlerini değiştirirler. Sürücülerin sezgilerini dikkate alarak şerit değiştirmesi gibi gerçek hayatta da bu davranışı gözlemleyebiliriz. Trafik için doğru şeridi seçmenin temel sezgisi, gecikmeyi azaltmak için daha az kalabalık şeridi seçmektir. Bu davranışı AIM iş akışında herhangi bir değişiklik olmadan modelliyoruz. Deney sonuçları bize, kavşak performansının, kavşak yollarının şeritlerinde araç dağılımı ile doğrudan bağlantılı olduğunu göstermektedir. Ortalama kavşak gecikmesi ve ortalama seyahat süresi gibi performans ölçümlerinde potansiyel bir yaklaşımla şerit yönetimini ele almanın avantajını görüyoruz. Bu nedenle, şerit yönetimi ve kavşak yönetimi birlikte ele alınması gereken sorunlardır. Bu çalışma bize, araçların kavşağa girdiği şeridin kavşak yönetimi için etkili bir parametre olduğunu göstermektedir. Çalışmamız bu parametreye dikkat çekmekte ve bunun için bir çözüm önermektedir. Şeritlerdeki araçlar olan AIM girdilerinin düzenlenmesinin amaç kavşak yönetimine katkı sağlayacak kadar etkili olduğunu gözlemledik. PLO-AIM modeli, şerit başına 600 araç / saat ila şerit başına 1300 araç / saat arasındaki makul trafik oranları için ortalama kavşak gecikmesi ve ortalama seyahat süresi gibi değerlendirme ölçütlerinde AIM'den daha iyi performans gösterir. Önerilen model, 4 şeritli ve 6 şeritli senaryolarda ortalama seyahat süresini %0,2 - %17,3 arasında azaltmış ve ortalama kavşak gecikmesini% 1,6 -% 17,1 arasında azaltmıştır. | tr_TR |