Abstract

Traffic congestion is a constantly growing problem, with a wide array ofnegative effects on the society, from wasted time and productivity to elevated air pollution and increased number of accidents. Classical traffic control methods have long been successfully employed to alleviate congestion, improving the traffic situation of many cities and highways. However, traffic control is not universally employed, because of the necessity of installing additional equipment and instating new legislation.  The introduction of connected, autonomous vehicles offers new opportunities for sensing and controlling the traffic. The data that most of the vehicles nowadays provide are already widely used to measure the traffic conditions. It is natural to consider how vehicles could also be used as actuators, driving them in a specific way so that they affect the traffic positively. However, many of the currently considered strategies for congestion reduction using autonomous vehicles rely on having a high penetration rate, which is not likely to be the case in the near future. This raises the question: How can we influence the overall traffic by using only a small portion of vehicles that we have direct control over? There are two problems in particular that this thesis considers, congestion wave dissipation and avoidance, and platoon catch-up coordination. First, we study how to dissipate congestion waves by use of a directly controlled vehicle acting as a moving bottleneck. Traffic data can help predict disturbances and constraints that the vehicle will face, and the individual vehicles can be actuated to improve the overall traffic situation. We extend the classical cell transmission model to include the influence of a moving bottleneck, and then use this model to devise a control strategy for an actuator vehicle. By employing such control, we are able to homogenize the traffic without significantly reducing throughput. Under realistic conditions, it is shown that the average total variation of traffic density can be reduced over 5%, while the total travel time increases only 1%. Second, we study how to predict and control vehicles catching up in order to form a platoon, while driving in highway traffic. The influences of road grade and background traffic are examined and vehicles attempting to form a platoon are modelled as moving bottlenecks. Using this model, we are able to predict how much the vehicles might be delayed because of congestion and adjust the plan accordingly, calculating the optimal platoon catch-up speeds for the vehicles by minimizing their energy consumption. This leads to a reduction of energy cost of up to 0.5% compared to the case when we ignore the traffic conditions. More importantly, we are able to predict when attemptingto form a platoon will result in no energy savings, with approximately 80% accuracy. Trafikstockning är ett ständigt växande problem, med ett brett utbud av negativa effekter på samhället, från bortkastad tid och produktivitet till ökade mängd luftföroreningar och antal olyckor. Klassiska metoder för trafik kontroll har länge använts framgångsrikt för att lindra detta problem, med förbättrad trafiksituation för många städer och motorvägar. Trafik kontrollen är emellertid inte universellt tillämpad eftersom den är beroende av ytterligare utrustning och ny lagstiftning som behover instaleras och införas. Införandet av uppkopplade, autonoma fordon medför nya möjligheter att mäta och kontrollera trafiken. Data som de flesta fordon tillhandahållar redan idag används allmänt för att mäta trafikförhållandena. Det är naturligt att överväga hur fordon också skulle kunna användas som ställdon, genom att driva dem på ett visst sätt så att de påverkar trafiken positivt. Men många av dagens strategierna för trängselnedsättning med hjälp av autonoma fordon är beroende av att de tillämpas av en stor del av fordonen, vilket sannoliktinte kommer att bli fallet inom en snar framtid. Det väcker frågan: Hur kan vi påverka den totala trafiksituationen genom att kontrollera en liten del avfordonen? Det finns två problem specifika problem som den här avhandlingentar hänsyn till, trängselvågsavledning och –undvikande samt koordinering av fordonståg av lastbilar. I det första problemet studerar vi hur vi kan skingra trängselvågor med hjälp av ett direktstyrt fordon som fungerar som en rörlig flaskhals. Trafikdatakan hjälpa till att förutsäga störningar och begränsningar som fordonet kommer att stöta på, och de enskilda fordonen kan styras för att förbättra den totala trafiksituation. Vi utvidgar den klassiska cellöverföringsmodellenför att inkludera påverkan av en rörlig flaskhals och använder sedan denna modell för att utforma en kontrollstrategi för ett styrbart fordon. Genom att använda sådan styrning kan vi homogenisera trafiken utan att avsevärt minska genomströmningen. Under realistiska förhållanden visar vi att den genomsnittliga totala variationen i trafiktäthet kan minskas med över 5%, medan den totala körtiden ökar med endast 1%. I det andra problemet studerar vi hur vi kan förutsäga och styra fordonens hastighetsprofiler vid formering av fordonståg under körning i motorvägstrafik. Påverkan av väglutning och motorvägstrafik undersöks, och fordon som försöker bilda en fordonståg modelleras som rörliga flaskhalsar. Med denna modell kan vi förutsäga förseningar på grund av trängsel och justera planen i enlighet med dessa, samt beräkna de optimala hastigheterna för fordonengenom att minimera energiförbrukningen. Detta leder till en minskning av energikostnaden på upp till 0,5% i jämförelse med fallet när vi ignorerar trafikförhållandena. Ännu viktigare är att vi kan vi förutsäga när försök att bildaett fordonståg kommer att resultera i utebliven energibesparing, med ungefär 80% noggrannhet. "p"QC 20181212"/p""p"The research leading to these results has received fundingfrom the European Union’s Horizon 2020 research and innovation programme under the Marie Skłodowska-Curie grant agreement No 674875, VINNOVA within the FFI program under contract 2014-06200, the Swedish Research Council, the Swedish Foundation for Strategic Research and Knut and Alice Wallenberg Foundation. The author is affiliated with the Wallenberg AI, Autonomous Systems and Software Program (WASP).