Cooperative Adaptive Cruise Control (CACC) in Controlled and Real-World Environments: Testing and Results
Notice bibliographique
Résumé
<title>ABSTRACT</title> <p>The transportation industry annually travels more than 6 times as many miles as passenger vehicles [<xref rid="R1" ref-type="bibr">1</xref>]. The fuel cost associated with this represents 38% of the total marginal operating cost for this industry [<xref rid="R8" ref-type="bibr">8</xref>]. As a result, industry’s interest in applications of autonomy have grown. One application of this technology is Cooperative Adaptive Cruise Control (CACC) using Dedicated Short-Range Communications (DSRC). Auburn University outfitted four class 8 vehicles, two Peterbilt 579’s and two M915’s, with a basic hardware suite, and software library to enable level 1 autonomy. These algorithms were tested in controlled environments, such as the American Center for Mobility (ACM), and on public roads, such as highway 280 in Alabama, and Interstates 275/696 in Michigan. This paper reviews the results of these real-world tests and discusses the anomalies and failures that occurred during testing.</p> <p><bold>Citation:</bold> Jacob Ward, Patrick Smith, Dan Pierce, David Bevly, Paul Richardson, Sridhar Lakshmanan, Athanasios Argyris, Brandon Smyth, Cristian Adam, Scott Heim “Cooperative Adaptive Cruise Control (CACC) in Controlled and Real-World Environments: Testing and Results”, In <italic>Proceedings of the Ground Vehicle Systems Engineering and Technology Symposium</italic> (GVSETS), NDIA, Novi, MI, Aug. 13-15, 2019.</p>
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».