Ecological Adaptive Cruise Control With Optimal Lane Selection in Connected Vehicle Environments
Notice bibliographique
Résumé
Recent advances in transportation have enabled lane-specific measurements and lane-specific control. This paper makes use of such data to promote energy efficiency of vehicles. In particular, a Multi-Lane Adaptive Cruise Controller (MLACC) is designed which determines the optimal velocity and lane-to-drive in real-time. This cruise controller solves lane-specific optimization problems to compute an instantaneous trip cost for each lane and selects the lane that poses the lowest cost. The optimization tasks incorporate future route data and encompass multiple objectives including safety, energy efficiency and desired velocity tracking. Therefore, they can be treated as distinct Nonlinear Model Predictive Control (NMPC) problems that have to be solved altogether in each sampling time. To handle the computational load of solving multiple NMPCs in real-time, an integration of Newton and Generalized Minimal Residual numerical methods is employed. The proposed MLACC is implemented for a 2013 Toyota Prius and a wide range of simulation studies are performed to examine the controller. Specifically, hardware-in-the-loop experiments are utilized to evaluate the real-time implementability of the controller. In addition, extensive model-in-the-loop simulations are carried out and the results are compared with driver-in-the-loop experiments. Simulation results indicated that speed profiles and lane changes suggested by MLACC yield up to 27% improvement in energy consumption compared to human drivers.
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 ».