Parameter Identification and Validation for Combined Slip Tire Models Using a Vehicle Measurement System
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
<div class="section abstract"><div class="htmlview paragraph">It is imperative to have accurate tire models when trying to control the trajectory of a vehicle. With the emergence of autonomous vehicles, it is more important than ever before to have models that predict how the vehicle will operate in any situation. Many different types of tire models have been developed and validated, including physics-based models such as brush models, black box models, finite element-based models, and empirical models driven by data such as the Magic Formula model. The latter is widely acknowledged to be one of the most accurate tire models available; however, collecting data for this model is not an easy task. Collecting data is often accomplished through rigorous testing in a dedicated facility. This is a long and expensive procedure which generally destroys many tires before a comprehensive data set is acquired. Using a Vehicle Measurement System (VMS), tires can be modeled through on-road data alone. This reduces the time and cost significantly and does not require destroying multiple tires. Previous works regarding this parameter identification method have used only the basic versions of the Magic Formula model-pure longitudinal slip and lateral sideslip-but the Magic Formula model also includes combined slip conditions as well. To accurately mimic the tire forces, especially in safety critical situations for autonomous vehicles, combined slip tire models are necessary. The longitudinal slip, sideslip angle, tire forces, and tire moments are measured and calculated using a VMS during normal and extreme driving scenarios. The data is then used to identify the parameters for the 1989 Pacejka model for both pure slip and combined slip scenarios. These models are then implemented and validated with a full vehicle dynamic model.</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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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