AI‐enabled management of next‐generation autonomous transport systems

Abstract

In recent years, the modern world has witnessed a significant increase in the use of automated systems in various areas, motivated by the desire for greater efficiency and sustainability. This trend is fueled by technological advancements and the support of Information and Communication Technologies (ICT), which have greatly enhanced the complexity and capabilities of these systems, particularly in the transportation sector. The design and implementation of transportation solutions have significantly accelerated the development of intelligent and autonomous transportation systems and the provision of many innovative services. Under this scope, the drive to replace human operators with autonomous agents in complex and challenging tasks, with the ultimate goal of improving efficiency, safety, and reliability, is fundamentally transforming the landscape of mobility across a wide range of applications. At the core of this evolution lies the integration of Artificial Intelligence (AI) and Machine Learning (ML) methods, which are propelling vehicles toward unparalleled levels of autonomy and intelligence by emulating human‐like reasoning processes. Leveraging advanced AI and ML with a particular emphasis on Deep Reinforcement Learning (DRL) techniques can facilitate faster decision making by automating the real‐time sensing, detection, response, and control processes in intelligent and autonomous vehicles. This progress is fueled by the pursuit of greater efficiency, enhanced safety, and improved reliability for a plethora of scenarios and applications across diverse domains, including aerial, underwater, and ground environments. The deployment of AI in real‐time sensing, decision making, planning, and managing provides a transformative solution for these autonomous systems, enabling them to maximizing operational efficiency and minimizing resource usage in various operational conditions, that cannot be effectively handled with traditional methods. Commencing with an overview of the current industry landscape and with respect to sustainability, adaptability, and human‐centric design, this Ph.D. dissertation delves into the fundamental role of AI and ML methods and algorithms in shaping the decision making capabilities of autonomous and intelligent vehicles, aiming to significantly bolster their operational efficiency. This study adopted a systematic benchmarking approach to assess the capabilities of intelligent and autonomous systems by comparing the performance of various algorithms in controlled as well as dynamic real‐world scenarios. By analyzing traditional path‐planning algorithms such as the A* and Dijkstra alongside adaptive Reinforcement Learning (RL)‐based approaches, the research highlighted the advantages of RL models in enhancing efficiency and reliability. The findings indicate that RL methods can significantly improve the ability of autonomous systems to adapt and learn from their environments, thereby optimizing their overall performance in dynamic situations. In addition, the dissertation emphasizes the societal impact and regulatory considerations of autonomous operations, underscoring the critical need for ongoing development to foster the acceptance, adoption, and application of autonomous vehicles and related technologies in various environments. By addressing these challenges, it establishes a foundational framework for the safe, effective, and seamless integration of autonomous systems into both public and commercial domains, paving the way for their widespread deployment and long‐term adoption. As automation advancements in the vehicle industry continue to progress rapidly, the journey towards fully autonomous and intelligently connected vehicles remains complex and multifaceted, necessitating a convergence of technological innovations alongside and the human perspective. Ultimately, the realization of full autonomy is dependent on the effective collaboration between autonomous systems and human operators. The outcomes of this Ph.D. dissertation tackle essential challenges in autonomous navigation, real‐time decision‐making, and societal integration, presenting innovative solutions aimed at improving system performance and adaptability. By addressing these key areas, the research contributes to the development of more reliable and efficient autonomous systems, facilitating their acceptance and integration into everyday life while ensuring they meet the needs and expectations of society.

Η σύγχρονη εποχή χαρακτηρίζεται από μια εντυπωσιακή ανάπτυξη της αυτοματοποίησης, η οποία ενισχύεται από την ανάγκη για μεγαλύτερη αποδοτικότητα, βιωσιμότητα και παραγωγικότητα σε όλους τους τομείς. Αυτός ο μετασχηματισμός βρίσκει ευνοϊκό έδαφος στον τομέα των μεταφορών, όπου τα Αυτόνομα και Ευφυή Συστήματα Μεταφορών φέρνουν επανάσταση στις λειτουργίες, αντικαθιστώντας τους ανθρώπινους χειριστές με στόχο τη ενίσχυση της ασφάλειας, της αποδοτικότητας και της αξιοπιστίας, ενώ ταυτόχρονα συμβάλλουν στη βελτιστοποίηση των διαδικασιών. Η τάση αυτή τροφοδοτείται από τις τεχνολογικές εξελίξεις και την υποστήριξη των Τεχνολογιών Πληροφορικής και Επικοινωνιών (ΤΠΕ), οι οποίες έχουν αυξήσει σημαντικά την πολυπλοκότητα και τις δυνατότητες αυτών των συστημάτων, ιδίως στον τομέα των μεταφορών. Ο σχεδιασμός και η εφαρμογή λύσεων για τις μεταφορές έχουν επιταχύνει σημαντικά την ανάπτυξη ευφυών και αυτόνομων συστημάτων μεταφορών και την παροχή πολλών καινοτόμων υπηρεσιών. Στο πλαίσιο αυτό, η προσπάθεια αντικατάστασης των ανθρώπινων χειριστών με αυτόνομους πράκτορες σε πολύπλοκα και απαιτητικά καθήκοντα, με απώτερο στόχο τη βελτίωση της αποδοτικότητας, της ασφάλειας και της αξιοπιστίας, μεταμορφώνει ριζικά το πεδίο των μεταφορών σε ένα ευρύ φάσμα εφαρμογών. Στο επίκεντρο αυτής της τεχνολογικής εξέλιξης βρίσκεται η ενσωμάτωση προηγμένων μεθόδων Τεχνητής Νοημοσύνης (Artificial Intelligence, AI) και Μηχανικής Μάθησης (Machine Learning, ML) οι οποίες προωθούν τα αυτόνομα οχήματα σε νέα επίπεδα νοημοσύνης και αυτονομίας. Μέσα από την προσομοίωση σύνθετων λογικών διαδικασιών που προσεγγίζουν την ανθρώπινη σκέψη, η αξιοποίηση αυτών των τεχνολογιών επιτρέπει την ταχύτερη και πιο ακριβή λήψη αποφάσεων. Η αυτοματοποίηση κρίσιμων διαδικασιών όπως η αίσθηση, η ανίχνευση, η απόκριση και ο έλεγχος σε πραγματικό χρόνο ενισχύει την απόδοση των ευφυών και αυτόνομων οχημάτων, καθιστώντας τα πιο αποδοτικά, ασφαλή και αξιόπιστα. Αυτή η τεχνολογική πρόοδος βρίσκει εφαρμογή σε ένα ευρύ φάσμα σεναρίων, από εναέρια και υποβρύχια περιβάλλοντα έως επίγεια συστήματα, ενισχύοντας την ικανότητά τους να προσαρμόζονται σε πολύπλοκες επιχειρησιακές συνθήκες. Η ενσωμάτωση της Τεχνητής Νοημοσύνης σε διαδικασίες αντίληψης, λήψης αποφάσεων, προγραμματισμού και διαχείρισης προσφέρει μια καινοτόμα προσέγγιση στη λειτουργία αυτόνομων συστημάτων. Μέσω αυτών των τεχνολογιών, επιτυγχάνεται η μεγιστοποίηση της λειτουργικής αποδοτικότητας σε περιβάλλοντα όπου οι παραδοσιακές μέθοδοι αδυνατούν να ανταποκριθούν αποτελεσματικά. Με αφετηρία την ανασκόπηση του σημερινού τοπίου της βιομηχανίας και με γνώμονα τη βιωσιμότητα, την προσαρμοστικότητα και τον ανθρωποκεντρικό σχεδιασμό, η παρούσα διδακτορική διατριβή εξετάζει τον θεμελιώδη ρόλο των μεθόδων και αλγορίθμων ΑΙ και ML στη διαμόρφωση των δυνατοτήτων λήψης αποφάσεων των αυτόνομων και ευφυών οχημάτων, με στόχο τη σημαντική ενίσχυση της λειτουργικής τους αποδοτικότητας. Η παρούσα εργασία υιοθέτησε μια συστηματική προσέγγιση συγκριτικής ανάλυσης για την αξιολόγηση των δυνατοτήτων των ευφυών και αυτόνομων συστημάτων, συγκρίνοντας τις επιδόσεις διαφόρων αλγορίθμων σε ελεγχόμενα αλλά και δυναμικά σενάρια του πραγματικού κόσμου. Αναλύοντας παραδοσιακούς αλγορίθμους σχεδιασμού διαδρομής, όπως οι A* και Dijkstra, παράλληλα με προσαρμοστικές προσεγγίσεις που βασίζονται σε Ενισχυτική Μάθηση, η έρευνα ανέδειξε τα πλεονεκτήματα των μοντέλων αυτών στην ενίσχυση της αποδοτικότητας και της αξιοπιστίας. Τα ευρήματα δείχνουν ότι οι μέθοδοι RL μπορούν να βελτιώσουν σημαντικά την ικανότητα των αυτόνομων συστημάτων να προσαρμόζονται και να μαθαίνουν από το περιβάλλον τους, βελτιστοποιώντας έτσι τη συνολική απόδοσή τους σε δυναμικές καταστάσεις. Η παρούσα έρευνα συμβάλλει σημαντικά τόσο στις πρακτικές εφαρμογές όσο και στα θεωρητικά πλαίσια, εισάγοντας μια νέα προσέγγιση για τη διαχείριση αυτόνομων και ευφυών συστημάτων επόμενης γενιάς μέσω μεθόδων βασισμένων στην τεχνητή νοημοσύνη και τη γνωστική ανάλυση. Θέτει τις βάσεις για ισχυρά πλαίσια που ενισχύουν την προσαρμοστικότητα των αυτόνομων οχημάτων, εστιάζοντας στις εξελίξεις στην πλοήγηση, τον προσαρμοστικό σχεδιασμό διαδρομής και τη λήψη αποφάσεων σε πραγματικό χρόνο. Αντιμετωπίζοντας τις προκλήσεις που θέτουν οι δυναμικές και απρόβλεπτες συνθήκες σε εναέρια, υποβρύχια και χερσαία περιβάλλοντα, η παρούσα μελέτη προσφέρει ουσιαστικές γνώσεις που μπορούν να βελτιώσουν την προσαρμοστικότητα και την αποτελεσματικότητα αυτών των συστημάτων σε διάφορες εφαρμογές. Επιπλέον, η διατριβή δίνει έμφαση στον κοινωνικό αντίκτυπο και τις νομοθετικές πτυχές των αυτόνομων επιχειρήσεων, υπογραμμίζοντας την κρίσιμη ανάγκη συνεχούς ανάπτυξης για την προώθηση της αποδοχής, της υιοθέτησης και της εφαρμογής των αυτόνομων οχημάτων και των σχετικών τεχνολογιών σε διάφορα περιβάλλοντα. Αντιμετωπίζοντας αυτές τις προκλήσεις, δημιουργεί ένα θεμελιώδες πλαίσιο για την ασφαλή, αποτελεσματική και απρόσκοπτη ενσωμάτωση των αυτόνομων συστημάτων τόσο σε δημόσιους όσο και σε εμπορικούς τομείς, ανοίγοντας το δρόμο για την ευρεία ανάπτυξη και τη μακροπρόθεσμη υιοθέτησή τους. Καθώς οι εξελίξεις στον τομέα της αυτοματοποίησης στη βιομηχανία οχημάτων συνεχίζουν να εξελίσσονται με ταχείς ρυθμούς, η πορεία προς τα πλήρως αυτόνομα και έξυπνα συνδεδεμένα οχήματα παραμένει σύνθετη και πολύπλευρη, καθιστώντας αναγκαία τη σύγκλιση των τεχνολογικών καινοτομιών και της ανθρώπινης προοπτικής. Ως εκ τουτου, η υλοποίηση της πλήρους αυτονομίας είνα άρρηκτα συνδεδεμένη με την αποτελεσματική συνεργασία μεταξύ των αυτόνομων συστημάτων και των ανθρώπινων χειριστών. Τα αποτελέσματα αυτής της διδακτορικής διατριβής πραγματεύονται βασικές προκλήσεις στην αυτόνομη πλοήγηση, τη λήψη αποφάσεων σε πραγματικό χρόνο και την κοινωνική ενσωμάτωση, παρουσιάζοντας καινοτόμες λύσεις με στόχο τη βελτίωση της απόδοσης και της προσαρμοστικότητας του συστήματος. Με την ανάδειξη αυτών των βασικών πεδίων, η έρευνα συμβάλλει στην ανάπτυξη πιο αξιόπιστων και αποδοτικών αυτόνομων συστημάτων, διευκολύνοντας την αποδοχή και την ενσωμάτωσή τους στην καθημερινή ζωή, διασφαλίζοντας παράλληλα ότι ανταποκρίνονται στις ανάγκες και τις προσδοκίες της κοινωνίας.