Multilevel crash risk assessment under autonomous vehicle integration: from partial to full autonomy through urban traffic simulation

Abstract

Autonomous Vehicles (AVs) are expected to transform urban mobility by reducing human-error-related crashes and improving traffic efficiency. However, the absence of generalizable crash records for higher levels of automation limits the ability to evaluate their safety using traditional, data-dependent methods. To address this challenge, this thesis develops and validates a multilevel, simulation-based framework for estimating the crash risk of AV deployment across the transition from partial to full autonomy. A systematic literature review was conducted to establish a comprehensive repository of AV behavioural parameters, derived from 54 studies. Beyond numerical parameter ranges, the repository integrates information on parameter sources (empirical, calibrated, theoretical and expert-based), simulation software, driving-behaviour models, network context, traffic demand, SAE level and Market Penetration Rate (MPR) effects, providing an evidence-based foundation for modelling AV behaviour in traffic microsimulations. The methodology developed in this thesis comprises: (i) traffic microsimulation, (ii) conflict-based surrogate safety measures, (iii) a novel Time-To-Collision (TTC) event-level crash-risk conversion procedure and (iv) external validation using k-means clustering to compare simulated and observed crash patterns. The validation confirms strong agreement between simulated and field crash-risk distributions, establishing the robustness of the crash-risk conversion method. Following validation, the methodology is applied to assess AV impacts using a high-fidelity microsimulation model of the Athens city centre, constructed from OpenStreetMap geometry and calibrated using traffic detector flows, field fleet composition measurements, pedestrian counts, public transport operations and validated through Google Maps travel times. Fifteen AV deployment scenarios were simulated, covering different MPRs of SAE 0-1, 2-3, 4-5, and 4-5 with an aggressive operational profile. Crash risk was then evaluated within a multi-scale safety-assessment framework, including: (i) road-level, using an eXtreme Gradient Boosting (XGBoost) model with SHapley Additive exPlanations (SHAP) to quantify the influence of traffic, geometric and automation variables, and (ii) conflict-level, using spatial crash hotspot analysis using Getis-Ord Gi* statistic and a binomial Generalized Additive Model (GAM) to detect localized high-risk clusters. Results show that safety does not improve monotonically with increasing automation. Instead, crash risk follows a nonlinear trajectory: it increases during the early and intermediate stages of mixed-traffic conditions due to behavioural heterogeneity, and decreases substantially only at high AV penetration, when automated behaviour becomes dominant and stabilises network interactions. These findings suggest that automation primarily acts as a system stabiliser, reducing variability and weakening the spatial concentration of crash hotspots, rather than eliminating crash risk immediately. Overall, this thesis delivers a validated and transferable framework for multilevel safety assessment of autonomous urban traffic. The approach could support researchers, planners and policymakers in anticipating safety outcomes across automation stages, informing the design of risk-aware deployment strategies and contributing to a safer transition toward autonomous mobility.

Τα αυτόνομα οχήματα αναμένεται να εισχωρήσουν στις αστικές μεταφορές σύντομα σε μεγάλο ποσοστό, μειώνοντας τα τροχαία ατυχήματα, τα οποία οφείλονται στον ανθρώπινο παράγοντα, και βελτιώνοντας την κυκλοφοριακή ικανότητα. Ωστόσο, η απουσία αξιόπιστων δεδομένων ατυχημάτων για υψηλά επίπεδα αυτοματισμού περιορίζει τη δυνατότητα αξιολόγησης της οδικής ασφάλειας μέσω παραδοσιακών μεθόδων που βασίζονται σε ιστορικά στοιχεία. Για την αντιμετώπιση του ζητήματος αυτού, η παρούσα διδακτορική διατριβή αναπτύσσει και επικυρώνει ένα καινοτόμο μεθοδολογικό πλαίσιο εκτίμησης του κινδύνου ατυχήματος κατά τη μετάβαση από μερική σε πλήρη αυτονομία με τη χρήση προσομοίωσης της κυκλοφορίας. Αρχικά, πραγματοποιήθηκε η συστηματική ανασκόπηση της διεθνούς βιβλιογραφίας με σκοπό την ανάπτυξη μιας ολοκληρωμένης βάσης δεδομένων παραμέτρων που αφορούν τη μοντελοποίηση της οδηγικής συμπεριφοράς των αυτόνομων οχημάτων, οι οποίες προέκυψαν από 54 σχετικές έρευνες. Οι παράμετροι πλαισιώνονται από πρόσθετες πληροφορίες, όπως η πηγή συλλογής των παραμέτρων (εμπειρικές, βαθμονομημένες, θεωρητικές και βασισμένες σε ειδικούς), το λογισμικό προσομοίωσης, το μοντέλο οδηγικής συμπεριφοράς, τα χαρακτηριστικά του οδικού δικτύου και της κυκλοφορίας, όπως και τα αποτελέσματα που προέκυψαν από την εισαγωγή των ποσοστών διείσδυσης του αυτοματισμού, τα οποία αποτελούν ένα τεκμηριωμένο και απαραίτητο υπόβαθρο για τη μοντελοποίηση των αυτόνομων οχημάτων στη μικροσκοπική προσομοίωση. Το μεθοδολογικό πλαίσιο που αναπτύχθηκε στην παρούσα διατριβή περιλαμβάνει: (i) τη μικροσκοπική προσομοίωση κυκλοφορίας, (ii) τη χρήση εναλλακτικών δεικτών εκτίμησης της οδικής ασφάλειας, οι οποίοι σχετίζονται με τις εμπλοκές μεταξύ οχημάτων, (iii) μια νέα διαδικασία μετατροπής του χρόνου έως την εμπλοκή (TTC) σε εκτίμηση κινδύνου ατυχήματος σε επίπεδο συμβάντος, και τέλος (iv) την επικύρωση των αποτελεσμάτων της προσομοίωσης μέσω ομαδοποίησης k-μέσων και χρησιμοποιώντας δεδομένα ατυχημάτων. Η επικύρωση ανέδειξε ισχυρή συσχέτιση μεταξύ των προσομοιωμένων και των παρατηρούμενων ομάδων κινδύνου, επιβεβαιώνοντας την αξιοπιστία της μεθόδου μετατροπής. Στη συνέχεια, το επικυρωμένο πλαίσιο αυτό εφαρμόστηκε σε μοντέλο μικροσκοπικής προσομοίωσης του κέντρου της Αθήνας, το οποίο κατασκευάστηκε εισάγοντας το οδικό δίκτυο από το OpenStreetMap και βαθμονομήθηκε με τη χρήση δεδομένων κυκλοφοριακών φόρτων από «φωρατές» του δικτύου, μετρήσεις πεδίου σύνθεσης κυκλοφορίας, μετρήσεις πεζών και στοιχεία των μέσων μαζικής μεταφοράς, καθώς επίσης επαληθεύτηκε χρησιμοποιώντας χρόνους διαδρομής από το Google Maps. Συνολικά, προσομοιώθηκαν δεκαπέντε διαφορετικά σενάρια αυτόνομων οχημάτων, καλύπτοντας διαφορετικά ποσοστά διείσδυσης και επίπεδα αυτοματισμού συγκεκριμένα: αυτόνομα οχήματα SAE επιπέδου 0-1, SAE επιπέδου 2-3, SAE επιπέδου 4-5 και SAE επιπέδου 4-5 με επιθετικό τρόπο λειτουργίας. Ο κίνδυνος ατυχήματος αξιολογήθηκε στη συνέχεια στο πλαίσιο μιας πολυεπίπεδης προσέγγισης εκτίμησης ασφάλειας, η οποία περιλαμβάνει: (i) ανάλυση σε επίπεδο οδικού τμήματος, με χρήση του αλγόριθμου XGBoost και εργαλείου SHAP για τον εντοπισμό των βασικών κυκλοφοριακών, γεωμετρικών χαρακτηριστικών και παραμέτρων αυτοματισμού που επηρεάζουν τον κίνδυνο ατυχήματος, και (ii) ανάλυση σε επίπεδο εμπλοκών, μέσω χωρικού εντοπισμού σημείων υψηλής συγκέντρωσης κινδύνου με τη χρήση του δείκτη Getis-Ord Gi* και ενός διωνυμικού Γενικευμένου Προσθετικού Μοντέλου (GAM), με σκοπό τον εντοπισμό περιοχών υψηλού κινδύνου. Τα αποτελέσματα έδειξαν ότι η ασφάλεια δεν μεταβάλλεται γραμμικά με την αύξηση του αυτοματισμού. Συγκριμένα, παρουσιάστηκε αύξηση του κίνδυνου ατυχήματος στα αρχικά και ενδιάμεσα στάδια μεικτής κυκλοφορίας, εξαιτίας της ετερογένειας στην οδηγική συμπεριφορά, ενώ βρέθηκε σημαντική μείωση του κινδύνου σε υψηλά ποσοστά διείσδυσης αυτόνομων οχημάτων. Επίσης, συμπεραίνεται ότι η αυτοματοποίηση σταθεροποιεί τις κυκλοφοριακές συνθήκες, μειώνοντας τη μεταβλητότητα και μετριάζοντας τη συγκέντρωση σημείων υψηλού κινδύνου ατυχήματος, χωρίς ωστόσο να εξαλείφει άμεσα τον κίνδυνο ατυχήματος. Συνολικά, η διατριβή προσφέρει ένα επικυρωμένο και άμεσα εφαρμόσιμο μεθοδολογικό πλαίσιο πολυεπίπεδης αξιολόγησης της οδικής ασφάλειας σε συνθήκες αστικής κυκλοφορίας με αυτοματοποιημένη κυκλοφορία, υποστηρίζοντας ερευνητές και φορείς χάραξης στη διαμόρφωση τεκμηριωμένων και αποτελεσματικών στρατηγικών μετάβασης σε ασφαλέστερα συστήματα μεταφορών μέσω της εισαγωγής του αυτοματισμού.