Smart cities embrace cutting-edge technologies to improve transportation efficiency and safety. With the rollout of 5G and an ever-growing network of connected infrastructure sensors, real-time road condition awareness is becoming a reality. However, this progress brings new challenges. The communication and vast amounts of data generated by autonomous vehicles and the connected infrastructure must be navigated. Furthermore, different levels of autonomous driving (ranging from 0 to 5) are rolled out gradually and human-driven vehicles will continue to share the roads with autonomous vehicles for some time. In this work, we apply a data-driven control scheme called Learning Model Predictive Control (LMPC) to three different smart city scenarios of increasing complexity. Given a successful execution of a scenario, LMPC uses the trajectory data from previous executions to improve the performance of subsequent executions while guaranteeing safety and recursive feasibility. Furthermore, the performance from one execution to another is guaranteed to be non-decreasing. For our three smart-city scenarios, we apply a minimum time objective and start with a single vehicle in a two-lane intersection. Then, we add an obstacle on the lane of the ego vehicle, and lastly, we add oncoming traffic. We find that LMPC gives us improved traffic efficiency with shorter travel. However, we find that LMPC may not be suitable for real-time training in smart city scenarios. Thus, we conclude that this approach is suitable for simulator-driven, offline, training on any trajectory data that might be generated from autonomous vehicles and the infrastructure sensors in future smart cities. Over time, this can be used to construct large data sets of optimal trajectories which are available for the connected vehicles in most urban scenarios. / Smarta städer använder modern teknik för att förbättra transporteffektiviteten och säkerheten. Med införandet av 5G och ett allt större nätverk av uppkopplade sensorsystem för infrastruktur blir realtidsmedvetenhet om vägförhållandena en verklighet. Denna utveckling medför nya utmaningar. Kommunikationen mellan autonoma fordon och uppkopplade sensorsystem ger upphov till stora mängder data som måste hanteras. Dessutom kommer fordon med olika autocnominivåer (från 0 till 5) att behöva dela gatorna tillsammans med människostyrda fordon samtidigt under en tid. I detta arbete tillämpar vi en datadriven reglermetod som heter Learning Model Predictive Control (LMPC) på tre olika scenarier i en smart stad med ökande komplexitet. LMPC utnyttjar data från en tidigare lyckad körning av ett visst scenario för att förbättra prestandan på efterföljande körningar samtidigt som säkerheten och rekursiv genomförbarhet garanteras. Vidare garanteras att prestandan från en körning till en annan inte minskar. För våra tre scenarier är målet att minimerar restiden och börjar med ett enda fordon i en tvåfilig korsning. Sedan lägger vi till ett hinder på högra filen och till sist lägger vi till mötande trafik. Vi finner att LMPC ger oss förbättrad trafikeffektivitet med kortare restid. Vi finner dock att LMPC må vara mindre lämplig för realtids scenarier. Således drar vi slutsatsen att denna metod är lämplig för optimering i simulatorer, offline, på data som kan genereras från autonoma fordon och sensorsystemet i infrastrukturen. Så småningom kan vår metod användas för att konstruera stora dataset av optimala trajektorier som är tillgängliga för uppkopplade fordon i framtidens smarta städer.

The rapid growth of E-commerce around the world has prompted related stakeholders to place a greater emphasis on automation. Catastrophes like pandemics are boosting the public demand for quick and efficient transportation, among others. Automated vehicle technologies are associated with the last-mile delivery operations that lead to improving sustainability and Smart Cities. In this context, Autonomous Vehicles are being explored as a viable urban logistics solution.This empirical thesis conducts a feasibility study to investigate the feasibility of incorporating an Autonomous Vehicle into E-commerce operations in Stockholm, Sweden. A case study is analyzed by foodora AB, a German company that operates as a distributor of food and goods in the Swedish market. The study provides a framework that depicts the issues faced by Q- commerce, Operational Planning, and Stakeholders, respectively when introducing Autonomous Vehicles. The results of the study’s qualitative and quantitative approach show that Stockholm's infrastructure is in line with the sustainability plans and is considered ready for droid operations. According to the findings, the utilization rate that is defined as the number of orders delivered per hour can be as high as 2.4 resulting in a high degree of customer satisfaction. However, regulations, classifications, weather conditions, and internet connectivity continue to be major challenges. Autonomous Vehicles must be included in legislative consideration as a mode of transportation in the future to facilitate operations and safety measures. / Den snabba tillväxten av e-handel runtom i världen har fått närstående intressenter att lägga större vikt vid automatisering. Katastrofer som pandemier ökar allmänhetens krav på bland annat snabba och effektiva transporter. Autonoma fordon är förknippade med ”last-mile” transporter av gods som leder till förbättrad hållbarhet och smarta städer. I detta sammanhang utforskas autonoma fordon som en livskraftig citylogistik-lösning.Denna empiriska avhandling genomför en genomförbarhetsstudie för att undersöka möjligheten att integrera ett autonomt fordon i e-handelsverksamheten i Stockholm, Sverige. I synnerhet analyseras en fallstudie av foodora AB, ett tyskt företag som är verksamma som distributör av matvaror på den svenska marknaden. Studien ger ett ramverk som visar de frågor som Q-handel, operativ planering respektive intressenter står inför vid ett införande av autonoma fordon. Resultaten av studiens kvalitativa och kvantitativa tillvägagångssätt visar att Stockholms infrastruktur är i linje med hållbarhetsplanerna och till synes redo för droid leveranser. Enligt resultaten kan utnyttjandegraden, definierad som antal utförda orderleveranser inom en timme, vara så hög som 2,4, vilket resulterar i en hög grad av kundtillfredsställelse. Regler, klassificeringar, väderförhållanden och internetanslutning är dock fortfarande stora utmaningar. Autonoma fordon måste tas med i lagstiftningen som ett transportmedel i framtiden för att underlätta drift och säkerhetsåtgärder.

Solid waste management is a global issue that affects everyone. The management of waste collection routes is a critical challenge in urban environments, primarily due to inefficient routing. This thesis investigates the use of real-time virtual replicas, namely Digital Twins to optimize waste collection routes. By leveraging the capabilities of digital twins, this study intends to improve the effectiveness and efficiency of waste collection operations. The ‘gap’ that the study aims to uncover is hence at the intersection of smart cities, Digital Twins, and waste collection routing. The research methodology comprises of three key components. First, an exploration of five widely used metaheuristic algorithms provides a qualitative understanding of their applicability in vehicle routing, and consecutively waste collection route optimization. Building on this foundation, a simple smart routing scenario for waste collection is presented, highlighting the limitations of a purely Internet of Things (IoT)-based approach. Next, the findings from this demonstration motivate the need for a more data-driven and intelligent solution, leading to the introduction of the Digital Twin concept. Subsequently, a twin framework is developed, which encompasses the technical anatomy and methodology required to create and utilize Digital Twins to optimize waste collection, considering factors such as real-time data integration, predictive analytics, and optimization algorithms. The outcome of this research contributes to the growing concept of smart cities and paves the way toward practical implementations in revolutionizing waste management and creating a sustainable future. / Sophantering är ett globalt problem som påverkar alla, och hantering av sophämtningsrutter är en kritisk utmaning i stadsmiljöer. Den här avhandlingen undersöker användningen av virtuella kopior i realtid, nämligen digitala tvillingar, för att optimera sophämtningsrutter. Genom att utnyttja digitala tvillingars förmågor, avser den här studien att förbättra effektiviteten av sophämtning. Forskningsmetoden består av tre nyckeldelar. Först, en undersökning av fem välanvända Metaheuristika algoritmer som ger en kvalitativ förståelse av deras applicerbarhet i fordonsdirigering och således i optimeringen av sophämtningsrutter. Baserat på detta presenteras ett enkelt smart ruttscenario för sophämtning som understryker bristerna av att bara använda Internet of Things (IoT). Sedan motiverar resultaten av demonstrationen nödvändigheten för en mer datadriven och intelligent lösning, vilket leder till introduktionen av konceptet med digitala tvillingar. Därefter utvecklas ett ramverk för digitala tvillingar som omfattar den tekniska anatomin och metod som krävs för att skapa och använda digitala tvillingar för att optimera sophämtningsrutter. Dessa tar i beaktning faktorer såsom realtidsdataintegrering, prediktiv analys och optimeringsalgoritmer. Slutsatserna av studien bidrar till det växande konceptet av smarta städer och banar väg för praktisk implementation i revolutionerande sophantering och för skapandet för en hållbar framtid.