The rapidly evolving aviation environment, driven by the Fourth Industrial Revolution, encompasses smart operations, communication technology, and automation. Airports are increasingly developing new autonomous innovation strategies to meet sustainability goals and address future challenges, such as shifting labor markets, working conditions, and digitalization (ACI World, 2019). This paper explores high-level governance strategies, a benchmarking study, that facilitates this transition. It aims to identify the key characteristics and features of the benchmarking study applicable to the development of autonomous airside operations. It also examines areas for improvement in operations, focusing on Key Performance Areas (KPAs) and strategic objectives related to airside automation. The findings highlight several essential performance areas and formulate it to a tailored benchmarking study that airports or aviation stakeholders can adopt to develop automation in airside operations. These criteria and features are summarized into a benchmarking framework that reflects strategy objectives. This paper contributes a valuable benchmarking methodology, supporting the growing global aviation demand for improvements toward more sustainable and smart autonomous airside operations. This outcome motivates aviation stakeholders to innovate to meet environmental and social sustainability goals.
Elke periode kent zijn eigen revolutie en elke revolutie brengt zijn eigen organisatorische model met zich mee. We bevinden ons nu in de 4e industri¨ele revolutie, waar het internet van dingen ons verbindt met autonome embedded systemen. Deze systemen zijn actief in de virtuele ’cyber’ wereld, alsook in de echte ’fysieke’ wereld om ons heen. Deze zogenoemde ’Cyber-Fysieke’ Systemen volgen daarmee een modern organisatorisch model, namelijk zelfmanagement, en zijn dan ook in staat zelf proactieve acties te ondernemen. Dit proefschrift belicht productiesystemen vanuit het Cyber-Fysieke perspectief. De productiesystemen zijn hier herconfigureerbaar, autonoom en zeer flexibel. Dit kan enkel worden bereikt door het ontwikkelen van nieuwe methodes en het toepassen van nieuwe technologie¨en die flexibiliteit verder bevorderen. Echter, effici¨entie is ook van belang, bijvoorbeeld door productassemblage zo flexibel te maken dat het daardoor kosteneffici¨ent is om de productie van diverse producten met een lage oplage, zogenaamde high-mix, low volume producten, te automatiseren. De mogelijkheid om zo flexibel te kunnen produceren moet bereikt worden door de creatie van nieuwe methoden en middelen, waarbij nieuwe technologie¨en worden gecombineerd; een belangrijk aspect hierbij is dat dit toepasbaar getest moet worden door gebruik van simulatoren en speciaal hiervoor ontwikkelde productiesystemen. Dit onderzoek zal beginnen met het introduceren van het concept achter de bijbehorende productiemethodologie, welke Grid Manufacturing is genoemd. Grid Manufacturing wordt uitgevoerd door autonome entiteiten (agenten) die zowel de productiesystemen zelf, als de producten representeren. Producten leven dan al in de virtuele cyber wereld voordat zij daadwerkelijk zijn gebouwd, en zijn zich bewust uit welke onderdelen zij gemaakt moeten worden. De producten communiceren en overleggen met de autonome herconfigureerbare productiesystemen, de zogenaamde equiplets. Deze equiplets leveren generieke diensten aan een grote diversiteit aan producten, die hierdoor op elk moment geproduceerd kunnen worden. Het onderzoek focust hierbij specifiek op de equiplets en de technische uitdagingen om dynamisch geautomatiseerde productie mogelijk te maken. Om Grid Manufacturing mogelijk te maken is er een set van technologische uitdagingen onderzocht. De achtergrond, onderzoeksaanpak en concepten zijn dan ook de eerste drie inleidende hoofdstukken. Daarna begint het onderzoek met Hoofdstuk 4 Object Awareness. Dit hoofdstuk beschrijft een dynamische manier waarop informatie uit verschillende autonome systemen gecombineerd wordt om objecten te herkennen, lokaliseren en daarmee te kunnen manipuleren. Hoofdstuk 5 Herconfiguratie beschrijft hoe producten communiceren met de equiplets en welke achterliggende systemen ervoor zorgen dat, ondanks | Dutch Summary 232 dat het product niet bekend is met de hardware van de equiplet, deze toch in staat is acties uit te voeren. Tevens beschrijft het hoofdstuk hoe de equiplets omgaan met verschillende hardwareconfiguraties en ondanks de aanpassingen zichzelf toch kunnen besturen. De equiplet kan dan ook aangepast worden zonder dat deze opnieuw geprogrammeerd hoeft te worden. In Hoofdstuk 6 Architectuur wordt vervolgens dieper ingegaan op de bovenliggende architectuur van de equiplets. Hier worden prestaties gecombineerd met flexibiliteit, waarvoor een hybride architectuur is ontwikkeld die het grid van equiplets controleert door het gebruik van twee platformen: Multi-Agent System (MAS) en Robot Operating System (ROS). Nadat de architectuur is vastgesteld, wordt er in Hoofdstuk 7 onderzocht hoe deze veilig ingezet kan worden. Hierbij wordt een controlesysteem ingevoerd dat het systeemgedrag bepaalt, waarmee het gedrag van de equiplets transparant wordt gemaakt. Tevens zal een simulatie met input van de sensoren uit de fysieke wereld ’live’ controleren of alle bewegingen veilig uitgevoerd kunnen worden. Nadat de basisfunctionaliteit van het Grid nu compleet is, wordt in Hoofdstuk 8 Validatie en Utilisatie gekeken naar hoe Grid Manufacturing gebruikt kan worden en welke nieuwe mogelijkheden deze kan opleveren. Zo wordt er besproken hoe zowel een hi¨erarchische als een heterarchische aanpak, waar alle systemen gelijk zijn, gebruikt kan worden. Daarnaast laat het hoofdstuk o.a. aan de hand van enkele voorbeelden en simulaties zien welke effecten herconfiguratie kan hebben, en welke voordelen deze aanpak zoal kan bieden.. Het proefschrift laat zien hoe met technische middelen geautomatiseerde flexibiliteit mogelijk wordt gemaakt. Hoewel het gehele concept nog volwassen zal moeten worden, worden er enkele aspecten getoond die op de korte termijn toepasbaar zijn in de industrie. Enkele voorbeelden hiervan zijn: (1) het combineren van gegevens uit diverse (autonome) bronnen voor 6D-lokalisatie; (2) een data-gedreven systeem, de zogeheten hardware-abstractielaag, die herconfigureerbare systemen controleert en de mogelijkheid biedt om deze productiesystemen aan te passen zonder deze te hoeven herprogrammeren; en (3) het gebruik van Cyber-Fysieke systemen om de veiligheid te verhogen.
MULTIFILE
The adoption of electric autonomous vehicles (EAVs) is set to revolutionize airport ground operations. Airports are increasingly developing new autonomous innovation strategies to meet sustainability goals and address future challenges, such as shifting labor markets, evolving working conditions, and the growing impact of digitalization [1]. The traditional business model, in which manufacturers sell vehicles to operators (ground handlers), may no longer be relevant. The increasing complexity and advancement of EAVs will drive up costs, making the ownership model less appealing and shifting the focus from product-oriented to service-oriented models. This paper aims to provide a conceptual framework for potential business models for the implementation of EAVs in airport airside operations.
In the last decade, the automotive industry has seen significant advancements in technology (Advanced Driver Assistance Systems (ADAS) and autonomous vehicles) that presents the opportunity to improve traffic safety, efficiency, and comfort. However, the lack of drivers’ knowledge (such as risks, benefits, capabilities, limitations, and components) and confusion (i.e., multiple systems that have similar but not identical functions with different names) concerning the vehicle technology still prevails and thus, limiting the safety potential. The usual sources (such as the owner’s manual, instructions from a sales representative, online forums, and post-purchase training) do not provide adequate and sustainable knowledge to drivers concerning ADAS. Additionally, existing driving training and examinations focus mainly on unassisted driving and are practically unchanged for 30 years. Therefore, where and how drivers should obtain the necessary skills and knowledge for safely and effectively using ADAS? The proposed KIEM project AMIGO aims to create a training framework for learner drivers by combining classroom, online/virtual, and on-the-road training modules for imparting adequate knowledge and skills (such as risk assessment, handling in safety-critical and take-over transitions, and self-evaluation). AMIGO will also develop an assessment procedure to evaluate the impact of ADAS training on drivers’ skills and knowledge by defining key performance indicators (KPIs) using in-vehicle data, eye-tracking data, and subjective measures. For practical reasons, AMIGO will focus on either lane-keeping assistance (LKA) or adaptive cruise control (ACC) for framework development and testing, depending on the system availability. The insights obtained from this project will serve as a foundation for a subsequent research project, which will expand the AMIGO framework to other ADAS systems (e.g., mandatory ADAS systems in new cars from 2020 onwards) and specific driver target groups, such as the elderly and novice.
Automated driving nowadays has become reality with the help of in-vehicle (ADAS) systems. More and more of such systems are being developed by OEMs and service providers. These (partly) automated systems are intended to enhance road and traffic safety (among other benefits) by addressing human limitations such as fatigue, low vigilance/distraction, reaction time, low behavioral adaptation, etc. In other words, (partly) automated driving should relieve the driver from his/her one or more preliminary driving tasks, making the ride enjoyable, safer and more relaxing. The present in-vehicle systems, on the contrary, requires continuous vigilance/alertness and behavioral adaptation from human drivers, and may also subject them to frequent in-and-out-of-the-loop situations and warnings. The tip of the iceberg is the robotic behavior of these in-vehicle systems, contrary to human driving behavior, viz. adaptive according to road, traffic, users, laws, weather, etc. Furthermore, no two human drivers are the same, and thus, do not possess the same driving styles and preferences. So how can one design of robotic behavior of an in-vehicle system be suitable for all human drivers? To emphasize the need for HUBRIS, this project proposes quantifying the behavioral difference between human driver and two in-vehicle systems through naturalistic driving in highway conditions, and subsequently, formulating preliminary design guidelines using the quantified behavioral difference matrix. Partners are V-tron, a service provider and potential developer of in-vehicle systems, Smits Opleidingen, a driving school keen on providing state-of-the-art education and training, Dutch Autonomous Mobility (DAM) B.V., a company active in operations, testing and assessment of self-driving vehicles in the Groningen province, Goudappel Coffeng, consultants in mobility and experts in traffic psychology, and Siemens Industry Software and Services B.V. (Siemens), developers of traffic simulation environments for testing in-vehicle systems.
In the autumn of 2020, an autonomous and electric delivery robot was deployed on the BUas campus for the distribution of goods. In addition to the actual field test of the robot, we conducted research into various aspects of autonomous delivery robots. In this contribution we discuss the test with the autonomous delivery robot itself, the adjustments we had to make because the campus was very quiet due to COVID-19 and therefore there was less to transport for the robot, and the perception of people. with regard to the delivery robot, on the possible future areas of application and on the learning experiences we have gained in the tests.
