Ecological Adaptive Cruise Controller for Plug-In Hybrid Electric Vehicles Using Nonlinear Model Predictive Control
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Plug-in hybrid electric vehicles (PHEVs) are promising options for future transportation. Having two sources of energy enables them to offer better fuel economy and fewer emissions. Significant research has been done to take advantage of future route information to enhance vehicle performance. In this paper, an ecological adaptive cruise controller (Eco-ACC) is used to improve both fuel economy and safety of the Toyota Prius Plug-in Hybrid. Recently, an emerging trend in the research has been to improve the adaptive cruise controller. However, the majority of research to date has focused on driving safety, and only rare reports in the literature substantiate the applicability of such systems for PHEVs. Here, we demonstrate that using an Eco-ACC system can simultaneously improve total energy costs and vehicle safety. The developed controller is equipped with an onboard sensor that captures upcoming trip data to optimally adjust the speed of PHEVs. The nonlinear model predictive control technique (NMPC) is used to optimally control vehicle speed. To prepare the NMPC controller for real-time applications, a fast and efficient control-oriented model is developed. The authenticity of the model is validated using a high-fidelity Autonomie-based model. To evaluate the designed controller, the global optimum solution for cruise control problem is found using Pontryagin's minimum principle (PMP). To explore the efficacy of the controller, PID and linear MPC controllers are also applied to the same problem. Simulations are conducted for different driving scenarios such as driving over a hill and car following. These simulations demonstrate that NMPC improves the total energy cost up to 19%.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle