MétaCan
Menu
Retour à la cohorte
Enregistrement W2124351368 · doi:10.1002/oca.973

Decentralized receding horizon control with communication bandwidth allocation for multiple vehicle systems

2010· article· en· W2124351368 sur OpenAlexafffund
Hojjat A. Izadi, Brandon W. Gordon, C.A. Rabbath

Notice bibliographique

RevueOptimal Control Applications and Methods · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Control Systems Optimization
Établissements canadiensDefence Research and Development CanadaConcordia University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaDefence Research and Development Canada
Mots-clésBandwidth (computing)Dynamic bandwidth allocationComputer scienceBandwidth allocationControl theory (sociology)Channel allocation schemesTrajectoryHorizonCommunications systemTelecommunications networkControl (management)Computer networkTelecommunicationsArtificial intelligenceMathematicsWireless

Résumé

récupéré en direct d'OpenAlex

SUMMARY In this paper, a decentralized receding horizon control (DRHC) for a group of cooperative vehicles is investigated where the communication bandwidth is limited. This gives rise to a DRHC problem with communication delays. A new approach is proposed to vary the communication bandwidth for each vehicle, subject to network bandwidth constraints, in order to improve the cooperation performance. In the DRHC approach, each vehicle predicts its future trajectory over a prediction horizon and the neighboring vehicles exchange their predicted trajectories at each sample time to maintain the cooperation objectives. A delayed DRHC architecture is formulated that explicitly accounts for the inter‐vehicle communication delays. Then a bandwidth allocation algorithm is proposed for the delayed DRHC formulation. The key idea with the proposed approach is that each vehicle minimizes an error bound due to the mismatch between the delayed and updated neighbor's trajectories. This allows a dynamic bandwidth allocation to optimize the group performance. Simulation of formation of a group of vehicles is used to demonstrate the effectiveness of the approach. Copyright © 2010 John Wiley & Sons, Ltd.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,008
Tête enseignante GPT0,278
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOptimal Control Applications and MethodsMême sujetAdvanced Control Systems OptimizationTravaux en français237 207