Towing beam movement based algorithm to imitate leader vehicle trajectory
| dc.contributor | Aalto-yliopisto | fi |
| dc.contributor | Aalto University | en |
| dc.contributor.advisor | Ruotsalainen, Sami | |
| dc.contributor.author | Wirtanen, Klaus | |
| dc.contributor.school | Insinööritieteiden korkeakoulu | fi |
| dc.contributor.supervisor | Tammi, Kari | |
| dc.date.accessioned | 2017-02-24T10:57:46Z | |
| dc.date.available | 2017-02-24T10:57:46Z | |
| dc.date.issued | 2017-02-20 | |
| dc.description.abstract | Bus capacity is difficult to increase without compromising vehicles’ agility. Buses have already been extended in all dimensions and boundaries have been reached. Buses can be set to platooning so that the combination has a higher capacity without agility compromises. The platooning algorithm studied is based on the relative position information that buses can share locally. The relative position is measured between the rear of the leader and the front of the follower. The platooning bus design includes technologies from platooning trucks and indus-trial automated guide vehicles. Platooning in public transportation is still under development. The most delicate information about the state of the technology is not easily revealed by developers. Generic platooning and path following algorithms are though available and can be refined for buses. The logics behind the driving command generation of the follower vehicle is modeled and theory evaluated with simulations. The simulations contain case examples characteristic to buses in urban environment. The main focus is in slow maneuvering of a bus which sets the toughest challenges to the algorithm. The slow maneuvering must also take into account nearby obstacles, vehicles and pedestrians setting high accuracy and reliability demands. Three alternative algorithms for platooning were created. The algorithms had substantially different nature causing diverse results. The AIM algorithm, due to a small number of inputs, has shortcutting behavior and does not adjust to varying driving environments. The LOS algorithm has limitations with large turning angles but offers immensely stable results at high velocity platooning. The Polynomial algo-rithm offers its best in slow maneuvering. Results emerge from the very basis of the algorithms and can be improved with fine-tuning. However, each algorithm has its own type of fundamental limitations. | en |
| dc.description.abstract | Linja-autojen kapasiteetin kasvattaminen toteutetaan usein ajoneuvon ketteryyden kustannuksella. On mahdollista automatisoida linja-autot seuraamaan toisiaan menettämättä tarvittavaa ketteryyttä. Tässä tutkimuksessa käsitelty ohjausmalli perustuu vain linja-autojen suhteelliseen asentotietoon, joka havaitaan linja-autojen väliin asennetulla puomilla. Suunnitellussa linja-autoyhdistelmässä yhdistyvät rekkajunien ja vihivaunujen ominaisuudet. Julkisessa liikenteessä vastaavaa automaatiota ei ole vielä tavattu eikä viimeisintä tietoa ole yleisesti jaossa. Geneerisiä ajolinjan muodostus- ja seurantamalleja on olemassa ja niitä voidaan soveltaa linja-autojen tapauksessa. Linja-auton ohjauskäskyjen muodostus on mallinnettu ja niitä arvioidaan simulaation avulla. Simulointi kattaa kaupunkibussille tyypilliset ajotilanteet, joista suurimman painoarvon saa linja-auton käsittely hitaissa nopeuksissa. Käsittely hitaissa nopeuksissa viittaa pysäkki- ja terminaalitoimintaan, jotka vaativat korkeaa tarkkuutta seuraajabussilta. Tarkkuus ja luotettavuus korostuvat, koska kyseisessä ympäristössä on paljon ihmisiä ja infraa. Vertailu kattaa kolme erilaista mallia. Kaikilla kolmella mallilla on käyttäytymistyyppinsä, mikä johtaa yksilöllisiin vahvuuksiin ja virhetyyppeihin. AIM-mallin selkein luonteen piirre on oikaiseminen, mikä johtuu liian pienestä määrästä syötteitä. LOS-mallin rajoitteet esiintyvät suurilla kääntökulmilla, mutta tarjoaa erittäin stabiilin ohjauksen korkeammilla nopeuksilla. Polynomimalli on vahvimmillaan hitaassa ajoneuvonkäsittelyssä. Tulokset ovat seurausta mallien peruslogiikasta ja suoritusta voi parantaa säätämällä. Mallin peruslogiikka kuitenkin vaikuttaa syntyvään virheen tyyppiin. | fi |
| dc.ethesisid | Aalto 8199 | |
| dc.format.extent | 107 | |
| dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/24743 | |
| dc.identifier.urn | URN:NBN:fi:aalto-201702242626 | |
| dc.language.iso | en | en |
| dc.location | P1 | |
| dc.programme | Konetekniikan koulutusohjelma | fi |
| dc.programme.major | Koneensuunnittelu | fi |
| dc.programme.mcode | K3001 | fi |
| dc.subject.keyword | platooning | en |
| dc.subject.keyword | automated guided vehicle | en |
| dc.subject.keyword | path tracking | en |
| dc.subject.keyword | follower trajectory | en |
| dc.title | Towing beam movement based algorithm to imitate leader vehicle trajectory | en |
| dc.title | Vetoaisan liikkeisiin perustuva algoritmi edessä ajavan ajoneuvon liikeradan seuraamisessa | fi |
| dc.type | G2 Pro gradu, diplomityö | fi |
| dc.type.ontasot | Master's thesis | en |
| dc.type.ontasot | Diplomityö | fi |
