34 research outputs found
Enabling Smart Mobility via Enhanced Support of Driving Behaviors, Safety, and Experience
No full textThe world is witnessing increasing difficulties in the movement of people and goods, especially due to a rapid increase in populations and the limited capacities of transportation infrastructures. A myriad of mobility-management initiatives are thus being implemented to improve transportation efficiency, ensure safe commutes, enhance accessibility, and promote sustainability. Intensive strategies and practices have focused in particular on identifying and managing driving behaviors, as these have been recognized as by far the largest source of crashes. In spite of these efforts, aberrant driving remains a significant concern worldwide. Because the driving environment is by nature complex and dynamic, and driving behaviors are influenced by the cognitive and physical capabilities of drivers, answers are still needed to many key questions: How can we identify aberrant driving behaviors from prevent them from becoming dangerous driving habits? How can we manage driving behaviors in the context of a specific legal framework? Can we personalize law enforcement to the driving behavior of every single driver? Can we identify the mutual impacts of driving behaviors and drivers’ health conditions to reduce exposure to road risks and predict critical deteriorations of the driver’s health? Can we create a comprehensive framework to deal intelligently with the complex ecosystem of driving, with the ultimate goals of improving safety and enhancing mobility?
This dissertation investigates new opportunities to identify and manage driving behaviors with respect to several factors, such as road patterns, drivers’ health conditions, and available legal frameworks. The aim is to implement a new framework that leverages artificial intelligence to handle some mobility hindrances, particularly aggressive driving, and their huge health, social, economic, and environment impacts. This investigation is of paramount importance, especially with the advent of new means of transportation and mobility such as connected vehicles and autonomous driving.
To achieve these goals, we give a comprehensive overview of the literature, highlighting a wide range of research works and their contributions. We also describe the field-study data used in our investigations and the methods and tools we used to collect them. In addition, we describe and propose several approaches to identifying, assessing, improving, and predicting driving behaviors and reducing their impacts.
This dissertation makes several contributions to the field of mobility management, particularly by focusing integrally on the identification, assessment, classification, and prediction of driving behaviors and their impacts. These contributions include (1) a new cyber-physical system that enables the continuous acquisition and processing of driving data and then the assessment and classification of driving performance according to a well-defined set of driving states; (2) a new intelligent divide-and-conquer approach to processing concurrent drivers’ behaviors and identifying the related driving styles; (3) a new approach to driving behavior management that leverages the concepts of the Internet of Driving Behaviors (IoDB) and the Internet of Driving Habits (IoDH) to estimate driving scores and identify repetitive aggressive conducts that could become long-lasting driving habits; and (4) a new concept of healthy driving in which the correlations between drivers’ health indicators, drivers’ behaviors, and road patterns are investigated to provide healthier driving experiences and reduce risks to the driver’s health.
Our contributions are discussed in detail in the individual chapters of this report. Chapter 2 addresses the problem of managing driving behaviors in the context of connected vehicles (CVs). It proposes a new approach to the continuous acquisition and processing of driving data and the assessment and classification of performance according to a set of driving states (normal, restitution, incapacitation, rehabilitation, rewarding, demerit). This chapter outlines our new CPS architecture for driving behavior monitoring and a new intelligent solution to the management of driving states based on driving performance. This solution, called the Framework for Automated Driving States Identification (FADSI), includes flexible mechanisms for acquiring the right driving data, performing the right data analytics, generating the right feedback for the driver, and sharing the right data with neighbouring vehicles. Chapter 3 addresses the management of simultaneous driving behaviors on shared commutes. It also investigates the implications of these behaviors with respect to legal driving frameworks. This chapter covers the following contributions: (1) a divide-and-conquer approach to simultaneously addressing the driving styles of concurrent drivers; (2) a four-layer multi-agent approach to the management of driving styles; and (3) an explicit mapping of driving styles to legal implications. Chapter 4 addresses the transformation of recurrent aggressive driving into long-lasting aberrant driving habits. It proposes a new approach to driving-behavior management via the concepts of IoDB and IoDH concepts. This chapter provides the following contributions: (1) monitoring driving behaviors on the basis of IoDB and IoDH concepts; (2) a solution to the problem of bad driving behaviors becoming habits; (3) an extension of the notion of driver behaviors and habits to road behaviors and road habits; and (4) a high-level process of inspect-prevent-heal-accompany (IPHA) for monitoring driving behaviors and habits using the concepts of the Confusion Driving Matrix and the Confusion Habit Matrix. Chapter 5 investigates the concept of health-friendly driving. It proposes a new approach to the concept of healthy driving in which the focus is the impact of driving and its conditions on the driver’s own health. The goal is to improve the driving experience and identify where and when health indicators reach levels that can have immediate or foreseen aberrant impacts on the driver’s safety. This investigation includes the following contributions (1) a new architecture for summarizing the concept of healthy driving; and (2) an experimental approach to confirming certain links between physiological parameters and road patterns.
In addition to these scientific contributions, our PhD studies will be helpful to law enforcement authorities, who are invited to consider applying personalized traffic rules to drivers based on their driving behaviors and performance. The authorities might also implement means to prevent aberrant driving behaviors from becoming habits. When a behavior becomes a habit, it is difficult to eradicate it and prevent long-lasting impacts. Our results are also relevant to the authorities responsible for road infrastructure. They can revise road design patterns to be more health friendly by collaborating with health experts to implement our concept of healthy driving. The implementation of our ideas will contribute to safer mobility environments for citizens under the umbrella of the smart city concept.De wereld is getuige van toenemende moeilijkheden bij het verkeer van mensen en goederen, vooral als gevolg van een snelle bevolkingsgroei en de beperkte capaciteit van de transportinfrastructuur. Er worden dus talloze initiatieven op het gebied van mobiliteitsmanagement geïmplementeerd om de transportefficiëntie te verbeteren, veilig woon-werkverkeer te garanderen, de toegankelijkheid te verbeteren en duurzaamheid te bevorderen. Intensieve strategieën en praktijken hebben zich vooral gericht op het identificeren en beheersen van rijgedrag, aangezien wordt erkend dat dit verreweg de grootste bron van ongevallen is. Ondanks deze inspanningen blijft afwijkend rijgedrag wereldwijd een groot probleem. Omdat de rijomgeving van nature complex en dynamisch is, en het rijgedrag wordt beïnvloed door de cognitieve en fysieke capaciteiten van bestuurders, zijn er nog steeds antwoorden nodig op veel belangrijke vragen: hoe kunnen we afwijkend rijgedrag identificeren om te voorkomen dat het gevaarlijke rijgewoonten worden? Hoe kunnen we rijgedrag beheren in de context van een specifiek juridisch kader? Kunnen we de rechtshandhaving personaliseren op het rijgedrag van elke bestuurder? Kunnen we de wederzijdse impact van het rijgedrag en de gezondheidstoestand van bestuurders identificeren om de blootstelling aan verkeersrisico's te verminderen en kritieke verslechteringen van de gezondheid van de bestuurder te voorspellen? Kunnen we een alomvattend raamwerk creëren om op een intelligente manier om te gaan met het complexe ecosysteem van autorijden, met als uiteindelijke doelen het verbeteren van de veiligheid en het vergroten van de mobiliteit?
Dit proefschrift onderzoekt nieuwe mogelijkheden om rijgedrag te identificeren en te beheersen met betrekking tot verschillende factoren, zoals wegpatronen, de gezondheidstoestand van bestuurders en beschikbare wettelijke kaders. Het doel is om een nieuw raamwerk te implementeren dat gebruik maakt van kunstmatige intelligentie om bepaalde mobiliteitsbelemmeringen, met name agressief rijgedrag, en de enorme gevolgen ervan voor de gezondheid, de sociale, de economie en het milieu, aan te pakken. Dit onderzoek is van het allergrootste belang, vooral met de komst van nieuwe transportmiddelen en mobiliteitsvormen zoals geconnecteerde voertuigen en autonoom rijden.
Om deze doelen te bereiken, geven we een uitgebreid overzicht van de literatuur, waarbij we een breed scala aan onderzoekswerken en hun bijdragen belichten. We beschrijven ook de veldstudiegegevens die bij ons onderzoek zijn gebruikt en de methoden en hulpmiddelen die we hebben gebruikt om deze te verzamelen. Daarnaast beschrijven en stellen we verschillende benaderingen voor om rijgedrag te identificeren, beoordelen, verbeteren en voorspellen en de impact ervan te verminderen.
Dit proefschrift levert verschillende bijdragen aan het vakgebied van mobiliteitsmanagement, met name door zich integraal te richten op de identificatie, beoordeling, classificatie en voorspelling van rijgedrag en de impact ervan. Deze bijdragen omvatten (1) een nieuw cyberfysiek systeem dat de continue verwerving en verwerking van rijgegevens mogelijk maakt en vervolgens de beoordeling en classificatie van rijprestaties volgens een goed gedefinieerde reeks rijtoestanden; (2) een nieuwe intelligente verdeel-en-heers-aanpak om het gedrag van gelijktijdige bestuurders te verwerken en de daarmee samenhangende rijstijlen te identificeren; (3) een nieuwe aanpak voor het beheer van rijgedrag waarbij gebruik wordt gemaakt van de concepten van het Internet of Driving Behaviors ( IoDB ) en het Internet of Driving Habits ( IoDH ) om rijscores te schatten en repetitieve agressieve bestuurders te identificeren die langdurige rijgewoonten zouden kunnen worden ; en (4) een nieuw concept van gezond rijden waarbij de correlaties tussen de gezondheidsindicatoren van bestuurders, het gedrag van bestuurders en wegpatronen worden onderzocht om gezondere rijervaringen te bieden en de risico's voor de gezondheid van de bestuurder te verminderen.
Onze bijdragen worden in detail besproken in de afzonderlijke hoofdstukken van dit rapport. Hoofdstuk 2 behandelt het probleem van het beheersen van rijgedrag in de context van verbonden voertuigen (CV's). Het stelt een nieuwe benadering voor voor de continue verwerving en verwerking van rijgegevens en de beoordeling en classificatie van prestaties op basis van een reeks rijtoestanden (normaal, herstel, arbeidsongeschiktheid, revalidatie, belonen, straf). Dit hoofdstuk schetst onze nieuwe CPS-architectuur voor het monitoren van rijgedrag en een nieuwe intelligente oplossing voor het beheer van rijtoestanden op basis van rijprestaties. Deze oplossing, het Framework for Automated Driving States Identification (FADSI) genoemd, omvat flexibele mechanismen voor het verkrijgen van de juiste rijgegevens, het uitvoeren van de juiste data-analyses, het genereren van de juiste feedback voor de bestuurder en het delen van de juiste gegevens met naburige voertuigen. Hoofdstuk 3 behandelt het beheer van gelijktijdig rijgedrag op gedeeld woon-werkverkeer. Het onderzoekt ook de c van dit gedrag met betrekking tot wettelijke sturingskaders. Dit hoofdstuk behandelt de volgende bijdragen: (1) een verdeel-en-heersaanpak om tegelijkertijd de rijstijlen van gelijktijdige bestuurders aan te pakken; (2) een uit vier lagen bestaande multi-agentbenadering voor het beheer van rijstijlen; en (3) een expliciete mapping van rijstijlen naar juridische implicaties. Hoofdstuk 4 behandelt de transformatie van herhaaldelijk agressief rijgedrag naar langdurig afwijkend rijgedrag. Het stelt een nieuwe benadering voor om gedragsmanagement aan te sturen via de concepten van IoDB en IoDH- concepten. Dit hoofdstuk levert de volgende bijdragen: (1) het monitoren van rijgedrag op basis van IoDB- en IoDH- concepten; (2) een oplossing voor het probleem dat slecht rijgedrag een gewoonte wordt; (3) een uitbreiding van het idee van rijgedrag en -gewoonten naar weggedrag en -gewoonten; en (4) een proces op hoog niveau van inspecteren-voorkomen-genezen-begeleiden (IPHA) voor het monitoren van rijgedrag en -gewoonten met behulp van de concepten van de Confusion Driving Matrix en de Confusion Habit Matrix. Hoofdstuk 5 onderzoekt het concept van gezondheidsvriendelijk rijden. Het stelt een nieuwe benadering van het concept van gezond rijden voor, waarbij de nadruk ligt op de impact van autorijden en de omstandigheden ervan op de eigen gezondheid van de bestuurder. Het doel is om de rijervaring te verbeteren en vast te stellen waar en wanneer gezondheidsindicatoren niveaus bereiken die onmiddellijke of opgemerkte afwijkende gevolgen kunnen hebben voor de veiligheid van de bestuurder. Dit onderzoek omvat de volgende bijdragen (1) een nieuwe architectuur voor het samenvatten van het concept van gezond rijden; en (2) een experimentele aanpak om bepaalde verbanden tussen fysiologische parameters en wegpatronen te bevestigen.
Naast deze wetenschappelijke bijdragen zullen onze PhD-studies nuttig zijn voor wetshandhavingsautoriteiten, die worden uitgenodigd om te overwegen om gepersonaliseerde verkeersregels toe te passen op bestuurders op basis van hun rijgedrag en prestaties. De autoriteiten zouden ook middelen kunnen inzetten om te voorkomen dat afwijkend rijgedrag een gewoonte wordt. Wanneer gedrag een gewoonte wordt, is het moeilijk om het uit te roeien en langdurige gevolgen te voorkomen. Onze resultaten zijn ook relevant voor de autoriteiten die verantwoordelijk zijn voor de weginfrastructuur. Ze kunnen de ontwerppatronen van wegen herzien om ze gezondheidsvriendelijker te maken door samen te werken met gezondheidsexperts om ons concept van gezond rijden te implementeren. De implementatie van onze ideeën zal bijdragen aan veiligere mobiliteitsomgevingen voor burgers onder de paraplu van het smart city-concept
New cyber physical system architecture for the management of driving behavior within the context of connected vehicles
No full textIn this paper, we address the problem of managing driving behaviours within the context of Connected Vehicles (CVs). In contrast with the existing related solutions, we are proposing a Cyber Physical System (CPS) architecture that ultimately enables the continuous acquisition and processing of driving data and then the assessment and classification of driving performance according to a welldefined set of driving states. The transitions between these states are decided based on current and previous driving records. In addition to their use for the generation of the appropriate feedback to the driver, the driving states could be used to identify relevant data to be shared with the CVs in the vicinity. They could also be used to recommend personalized trainings to the driver based on his/her driving performance
On the Interest of Extending Internet of Behaviors to Internet of Habits: A Preliminary Exploration
No full textWe are investigating in this paper the issue of managing driving behaviors. In spite of the intensive research works that have addressed this issue, there is still a need for further investigations concerning the changing magnitude of the behaviors, their impact, as well as their inter-relations. Within this context, we are proposing in this paper a new approach for driving behavior management via the concepts of the Internet of Driving Behaviors (IoDB) and the Internet of the Driving Habits (IoDH). We are particularly aiming to inspect driving behavior scores and identify those repetitive aggressive conducts that are becoming long-lasting habits. In order to prevent and/or heal any driving habits that would increase road traffic risks and crashes, we are proposing the Invest-Prevent-Heal-Accompany process that uses the concepts of Confusion Driving Matrix and Confusion Behavior Matrix to investigate the reasons and causes of traffic homogeneity and driving scores. We explore the interest of the proposed approach using a dataset of 942 trips of 252 drivers collected from a governmental organization at Muscat city, Oman. (c) 2023 The Authors. Published by Elsevier B.V
Enabling Drones Collaboration in ITS Applications Using a BDI Architecture Based on a 5-Dimensional Social Model
No full textThanks to their capabilities to track objects and events of interest as well as their capabilities to provide unique real-time views of road sections, drones are being increasingly used in Intelligent Transportation System (ITS) applications. To deal with the highly complex ITS tasks, several approaches are allowing these drones to collaborate and ultimately achieve goals beyond their individual capabilities. Moreover, recent approaches are highlighting the need to empower drones with intelligence and autonomy, particularly to enable them react more efficiently to changes in the commonly open and highly dynamic ITS environments. Intelligence and autonomy will also enable drones optimize the use of their limited onboard resources. Within this perspective, we are proposing in this paper an intelligent drone collaboration approach using the Multi-Agent System paradigm. Based on a new generic Belief-Intension-Desire (BDI) architecture, our approach implements a five-dimension social model that mimics humans' reasoning and interactions. In contrast with the existing approaches, our solution enables drones to switch between selfish and collaborative behaviors. To demonstrate some benefits of our BDI architecture, we run simulations of two types of collaboration approaches; namely Collaboration based on Centralized Planning and Collaboration based on Participatory Planning. Our simulations are run to manage road traffic in the advent of an emergency situation like the COVID-19 pandemic
Assessment of the Traffic Enforcement Strategies Impact on Emission Reduction and Air Quality
No full textThe World Health Organization (WHO) reported that globally 3.7 million deaths were attributable to ambient air pollution (AAP)
in 2012. Traffic congestion is one of the significant sources of air pollutants Intelligent Transportation Systems (ITS) are
advanced technologies that have been used widely in large cities. They have a potential impact on reducing traffic congestion and
then improving environmental quality. Many countries have targeted urban policy traffic enforcement strategies that are ITSbased on improving traffic emission and air quality. Because each strategy has a different impact level, the strategy that
positively impacts location and traffic conditions might negatively impact under different conditions. Also, the authorities that
take the decision which strategies could be implemented. Therefore, this paper aims to evaluate the potential impact of traffic
enforcement strategies on reducing traffic emissions and improving air quality. In our study, three typical traffic enforcement
strategies were evaluated: a traffic management regulation for speed limit changes, route changing, and fleet composition
changes. The impact of these strategies on air quality was evaluated through evaluating the traffic air quality changes brought by
these strategies against a baseline (Base Case) scenario. The results indicate that the impact of these strategies on increasing
environmental quality is not always positive. The reduction of CO was the highest in the speed restriction scenario (25.6%) than
other scenarios. While reducing the reduction of PM10 was less in speed restriction scenario (25.6%) than other scenarios. The
findings can help the decision makers implement the best strategy to reduce traffic emission under different situations
Normal electro-oculography in a young Omani male with genetically confirmed best disease complicated by choroidal neovascularization
No full textBest vitelliform macular dystrophy (VMD) is an autosomal dominant macular dystrophy caused by heterozygous mutations in the bestrophin1 gene. Patients with this condition typically have an abnormal electrooculogram. We report a case of a 16-year-old male who presented with gradual progressive vision loss in the right eye. Ophthalmic assessment included funduscopy, optical coherence tomography (OCT), fluorescein angiography, electro-oculography, electroretinography, and genetic testing. Visual acuity was 20/500 and 20/20 in the right and left eyes, respectively. Ophthalmoscopy revealed round yellow lesions in both foveae similar to what is typically seen in Best disease. A subretinal hemorrhage surrounding the right foveal lesion was also noted. OCT demonstrated an elevated neurosensory retina with a subretinal lesion in the right macula. Fluorescein angiography of the right eye confirmed the presence of choroidal neovascularization. Genetic analysis of VMD2/BEST1 sequences confirmed the diagnosis of Best disease. However, contrary to what was expected, the patient's electro-oculography was normal. The findings of this case support a small number of previous reports demonstrating cases of Best disease with normal electro-oculography. While an abnormal electro-oculography along with the typical features of Best disease confirms the diagnosis, a normal result may not exclude the diagnosis. Genetic testing is probably the most important test for establishing the diagnosis of Best disease
