Het onderzoek in het artikel is geïnspireerd door de casus 'platooning' uit de Grand Cooperative Driving Challenge. Er is een PreScan®/Sumulink® model opgesteld met daarin twee auto's. De voorste auto volgt een vastgesteld snelheidsprofiel, de tweede auto volgt de eerste auto waarbij de tweede auto de snelheid van de eerste meet met behulp van een AIR-sensor. De besturing van het gaspedaal in beide auto's vindt plaats met Fuzzy Logic Control in plaats van met een klassieke regelaar. Concluderend mag worden gesteld dat in dit verkennend onderzoek gebleken is dat de Fuzzy Logic Control techniek in principe werkt.
Presentation for logistics professionals (industry and government) on the factors that drive firms' decisions on distribution channel layout and distribution centre locations.
The design of a spatial distribution structure is of strategic importance for companies, to meet required customer service levels and to keep logistics costs as low as possible. Spatial distribution structure decisions concern distribution channel layout – i.e. the spatial layout of the transport and storage system – as well as distribution centre location(s). This paper examines the importance of seven main factors and 33 sub-factors that determine these decisions. The Best-Worst Method (BWM) was used to identify the factor weights, with pairwise comparison data being collected through a survey. The results indicate that the main factor is logistics costs. Logistics experts and decision makers respectively identify customer demand and service level as second most important factor. Important sub-factors are demand volatility, delivery time and perishability. This is the first study that quantifies the weights of the factors behind spatial distribution structure decisions. The factors and weights facilitate managerial decision-making with regard to spatial distribution structures for companies that ship a broad range of products with different characteristics. Public policy-makers can use the results to support the development of land use plans that provide facilities and services for a mix of industries.
In het project “ADVICE: Advanced Driver Vehicle Interface in a Complex Environment” zijn belangrijke onderzoeksresultaten geboekt op het gebied van het schatten van de toestand en werklast van een voertuigbestuurder om hiermee systemen die informatie geven aan de bestuurder adaptief te maken om zo de veiligheid te verhogen. Een voorbeeld is om minder belangrijke informatie van een navigatiesysteem te onderdrukken, zolang de bestuurder een hoge werklast ervaart voor het autorijden en/of belangrijke informatie juist duidelijker weer te geven. Dit leidt tot een real-time werklast schatter die geografische informatie meeneemt, geavaleerd in zowel een rijsimulator als op de weg. In de ontwikkeling naar automatisch rijden is de veranderende rol van de bestuurder een belangrijk (veiligheids) onderwerp, welke sterk gerelateerd is aan de werklast van de bestuurder. Indien rijtaken meer geautomatiseerd worden, wijzigt de rol van actieve bestuurder meer naar supervisie van de rijtaken, maar tevens met de eis om snel en gericht in te grijpen indien de situatie dit vereist. Zowel deze supervisie als interventietaak zijn geen eenvoudige taken met onderling een sterk verschillende werklast (respectievelijk lage en (zeer) hoge werklast). Of een goede combinatie inclusief snelle overgangen tussen deze twee hoofdtaken veilig mogelijk is voor een bestuurder en hoe dit dan het beste ondersteund kan worden, is een belangrijk onderwerp van huidig onderzoek. De ontwikkeling naar autonoom rijden verandert niet alleen de rol van de bestuurder, maar zal ook de eisen aan het rijgedrag van het voertuig beïnvloeden, de voertuigdynamica. Voor de actieve bestuurder kunnen snelle voertuigreacties op bestuurdersinput belangrijk zijn, zeker voor een ‘sportief’ rijdende bestuurder. Indien dit voertuig ook automatische rijtaken moet uitvoeren, kan juist een meer gelijkmatig rijgedrag gewenst zijn, zodat de bestuurder ook andere taken kan uitvoeren. Dit stelt eisen aan vertaling van (automatische) input naar voertuigreactie en aan de voertuigdynamica. Mogelijk wil zelfs een sportieve bestuurder een meer comfortabel voertuiggedrag tijdens automatisch rijden. Eveneens voor deze twee voertuigtoestanden, menselijke of automatische besturing, moet gezocht worden naar een goede combinatie inclusief (veilige) overgangen tussen deze twee toestanden. Hierbij speelt de werklast en toestand van de bestuurder een doorslaggevende rol. In de geschetste ontwikkelingen in automatisch rijden kunnen de onderzoeksresultaten van ADVICE een goede ondersteuning bieden. Veel van deze ontwikkelingen worstelen met het schatten van de werklast van de bestuurder als cruciaal (veiligheids) aspect van automatisch rijden. De ADVICE resultaten zijn echter gepresenteerd voor beperkt publiek en gepubliceerd op conferenties, waarvan de artikelen veelal slechts tegen betaling toegankelijk zijn. Daarnaast zijn dergelijke artikelen gelimiteerd in aantal pagina’s waardoor de over te dragen informatie beperkt is. Om een betere doorwerking van ADVICE aan ‘iedereen’ te realiseren en tevens de mogelijkheden hiervan in de toekomst van automatisch rijden te plaatsen, willen wij top-up gebruiken om hierover een artikel te schrijven en dit in een peer-reviewed Open Access tijdschrift online toegankelijk te maken. Hierdoor wordt de informatie voor iedereen, gratis toegankelijk (open access), is de inhoud uitgebreider aan te geven (tijdschriftartikel) en is de inhoud en kwaliteit goed en relevant voor het vakgebied (peer-reviewed).
Developing a framework that integrates Advanced Language Models into the qualitative research process.Qualitative research, vital for understanding complex phenomena, is often limited by labour-intensive data collection, transcription, and analysis processes. This hinders scalability, accessibility, and efficiency in both academic and industry contexts. As a result, insights are often delayed or incomplete, impacting decision-making, policy development, and innovation. The lack of tools to enhance accuracy and reduce human error exacerbates these challenges, particularly for projects requiring large datasets or quick iterations. Addressing these inefficiencies through AI-driven solutions like AIDA can empower researchers, enhance outcomes, and make qualitative research more inclusive, impactful, and efficient.The AIDA project enhances qualitative research by integrating AI technologies to streamline transcription, coding, and analysis processes. This innovation enables researchers to analyse larger datasets with greater efficiency and accuracy, providing faster and more comprehensive insights. By reducing manual effort and human error, AIDA empowers organisations to make informed decisions and implement evidence-based policies more effectively. Its scalability supports diverse societal and industry applications, from healthcare to market research, fostering innovation and addressing complex challenges. Ultimately, AIDA contributes to improving research quality, accessibility, and societal relevance, driving advancements across multiple sectors.