Development of an Advanced Torque Vectoring Control System for an Electric Vehicle with In-Wheel Motors using Soft Computing Techniques
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">A two-passenger, all-wheel-drive urban electric vehicle (AUTO21EV) with four direct-drive in-wheel motors has been designed and developed at the University of Waterloo. A 14-degree-of-freedom model of this vehicle has been used to develop a genetic fuzzy yaw moment controller. The genetic fuzzy yaw moment controller determines the corrective yaw moment that is required to stabilize the vehicle, and applies a virtual yaw moment around the vertical axis of the vehicle. In this work, an advanced torque vectoring controller is developed, the objective of which is to generate the required corrective yaw moment through the torque intervention of the individual in-wheel motors, stabilizing the vehicle during both normal and emergency driving maneuvers. Novel algorithms are developed for the left-to-right torque vectoring control on each axle and for the front-to-rear torque vectoring distribution action. Several maneuvers are simulated to demonstrate the performance and effectiveness of the proposed advanced torque vectoring controller, and the results are compared to those obtained using the ideal genetic fuzzy yaw moment controller. The advanced torque vectoring controller is also implemented in a hardware- and operator-in-the-loop driving simulator to further evaluate its performance.</div></div>
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».