Design and Validation of Differential Braking Controllers for Sport Utility Vehicles Considering the Interactions of Driver and Control System
Notice bibliographique
Résumé
This paper introduces the design and validation of a differential braking controller for sport utility vehicles (SUVs) with driver-in-the-loop real-time simulations. SUVs are designed with high ground clearance, which is a main reason for their high rollover rate. A nonlinear 3 degrees-of-freedom (DOF) SUV model is generated to design a differential braking controller. The desired states are determined using a 2-DOF bicycle model and the lane-keeping control results derived from vehicle velocity and road curvature. The actual vehicle states of the 3-DOF model may deviate from the desired ones. A sliding model controller (SMC) is designed to minimize the state error to improve the performance measures, e.g., yaw stability. The SMC controller designed in LabVIEW is integrated with a virtual SUV generated in CarSim for co-simulations. The controller is first examined in the emulated sine-with-dwell maneuver specified in FMVSS 126. The SUV performance depends not only on the control strategy, but also on its interaction with the human driver. To study the interaction of the driver and the controller, the overall system is simulated using driver-software-in-the-loop (DSIL) real-time simulations under a double-line-change (DLC) maneuver. The simulations show that, even equipped with the electronic stability control (ESC) system, the driver still plays an important role in the vehicle dynamics. The simulations demonstrate the effectiveness of the proposed differential braking controller, and the research discloses important interactions of driver and ESC system.
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 | 0,000 | 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 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 ».