Space Distribution Method for Autonomous Vehicles at a Signalized Multi-Lane Intersection
Notice bibliographique
Résumé
Under the connected vehicle environment, autonomous vehicles (AVs) could bring numerous advantages including: improving the traffic flow, enhancing safety and alleviating air pollution. However, optimally operating AVs at signalized multi-lane intersections is a challenging problem due to the complex interaction of vehicles between lanes. It is thus a desire to manage and control the dynamics of AVs at signalized multi-lane intersections. To this end, this paper puts forward a bi-level control framework to optimize the intersection throughput. In our proposed method, the upper level (i.e. the intersection controller) is used to optimize the lane usages of each approach and the AVs' positions. In contrast, the lower level (i.e. the vehicle controllers) receives information from the upper level to control the AVs to get the maximum speed. More specifically, in the upper level, we apply a novel Space Distribution Method (SDM) for the AVs to maximize the throughput (i.e. a number of AVs) of the (multi-lane) intersection where signal timings are predefined. The SDM is divided into three steps: i) platoon formulation; ii) lane-mode optimization; and iii) AVs' position distribution. To maximize the throughput, the intersection controller receives information about the states of the AVs (e.g. the trajectories), then optimizes the lane usages for each approach, the desired speed, and the gap of the AVs as well as the AV's position along the approach. After that, each AV which is allowed to cross the intersection will determine its own trajectory and travel with the scheduled time without crash. Numerical simulations are set up to show that the throughput increases significantly, even more than twice of the throughput obtained from other methods in some circumstances.
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 ».