Shared autonomous electrified vehicles (SAEVs) combined with autonomous driving technology, car-sharing services, and electrified vehicles are expected to transform the transportation systems in the near future. This study presents three research subjects related to operation and system design optimization of SAEVs. Since battery electric vehicles (BEVs) emit less environmental pollution and have higher energy efficiency than internal combustion engine vehicles (ICEVs), shared autonomous battery electric vehicles (SABEVs) using BEVs as electrified vehicles of SAEVs have been developed. However, existing studies on the operation and optimization of SABEV systems do not take into account uncertainties in the SABEV systems, resulting in performance or objective that is far from the intended value. Therefore, the first research considers the uncertainties of the SABEV system and introduces reliability-based design optimization (RBDO) to the design of the SABEV system to propose a design framework for SABEV system that can minimize the total cost of system design while securing the reliability on the customer wait time. Another crucial issue on operation and optimization of SABEV systems is the movement of idle vehicles; however, most existing SABEV studies use randomly moving strategies, resulting in inefficient fleet operation. Once the predicted passenger demands are given, the efficiency of fleet operation can be improved by moving the vehicle in advance to a location where passenger demands are expected. Therefore, the second research proposes a deep learning-based idle vehicle relocation strategy that uses deep learning to predict passenger demand and approximate the optimization process required in the relocation strategy to perform idle vehicle relocation in real-time. Along with BEVs, fuel cell electric vehicles (FCEVs) are considered as next-generation vehicles, and it is easy to envision shared autonomous fuel cell electric vehicles (SAFCEVs) using FCEVs as electrified vehicles of SAEVs. Therefore, the third research focuses on extending the RBDO framework for SABEV system presented in the first research and deep learning-based idle vehicle relocation strategy proposed in the second research to the design framework for SAFCEV system.
자율 주행 기술, 차량 공유 서비스 및 전기차가 결합된 공유형 자율주행 전기차는 가까운 미래에 교통 시스템을 변화시킬 것으로 예상된다. 본 논문은 공유형 자율주행 전기차의 운영 및 시스템 설계 최적화와 관련된 세 가지 연구 주제를 제시한다. 배터리전기차는 내연기관차보다 환경 오염이 적고 에너지 효율이 높아 배터리전기차를 공유형 자율주행 전기차에 사용하는 공유형 자율주행 배터리전기차가 개발되었다. 하지만 공유형 자율주행 배터리전기차 시스템의 운영 및 최적화에 관한 기존 연구에서는 시스템 상의 불확실성을 고려하지 않아 의도와는 거리가 먼 성능 또는 목표치가 도출된다. 따라서 첫 번째 연구는 공유형 자율주행 배터리전기차 시스템의 불확실성을 고려하고 시스템 설계에 신뢰성기반 최적설계를 도입하여 시스템 설계의 총 비용을 최소화하면서 고객 대기 시간에 대한 신뢰성을 확보하는 프레임워크를 제안한다. 공유형 자율주행 배터리전기차 시스템의 운영 및 최적화에 관한 또 다른 중요한 문제는 유휴 차량의 이동인데, 대부분의 기존 연구는 무작위 이동 전략을 이용하여 비효율적인 차량 운영을 초래한다. 예측된 승객 수요가 제공되면 승객 수요가 예상되는 위치로 차량을 미리 이동시켜 차량 운영의 효율성을 높일 수 있다. 따라서 두 번째 연구는 딥러닝을 활용하여 승객 수요를 예측하고 실시간으로 유휴 차량 재배치를 수행하기 위해 재배치 전략에 필요한 최적화 프로세스를 근사하는 딥러닝 기반 유휴 차량 재배치 전략을 제안한다. 연료전지전기차는 배터리전기차와 더불어 차세대 자동차로 여겨지며, 이에 공유형 자율주행 연료전지전기차를 쉽게 상상할 수 있다. 따라서 세 번째 연구는 첫 번째 연구에서 제시한 공유형 자율주행 배터리전기차 시스템을 위한 신뢰성기반 최적설계 프레임워크와 두 번째 연구에서 제안한 딥러닝 기반 유휴 차량 재배치 전략을 공유형 자율주행 연료전지전기차 시스템 설계 프레임워크로 확장하는 데 초점을 맞춘다.
