An Indoor Vehicle-in-the-Loop Simulation Platform Testing Method for Autonomous Emergency Braking
Notice bibliographique
Résumé
Autonomous vehicle (AV) is expected to be the ultimate solution for traffic safety, while autonomous emergency braking (AEB), as a crucial and fundamental active safety function of AV, has excellent potential for reducing fatalities and improving road safety. Although AV has the ability to cope with harsh conditions, it is supposed to be tested fully, systematically, and rigorously before it is officially commercialized. This study developed a novel indoor AV-in-the-loop (AVIL) simulation platform based on Client-Server (C/S) architecture for real full-scale AV testing. The proposed AVIL simulation platform consists of three parts: physical hardware components, software components, and various electrical interfaces that ensure the bidirectional virtual reality (VR) interaction. To validate the functionality and performance of the platform, this paper then adopted the Udwadia–Kalaba (U-K) approach to build the AEB system based on a typical driving situation due to the explicitness and simplicity of the U-K approach. Further, a group of real road-based experiments and AVIL-based experiments were conducted. The experimental results showed that the testing data obtained from the proposed AVIL platform have a high similarity to those of the real road tests, which means that the proposed AVIL platform is capable of simulating the AV running condition when it performs linear emergency braking on the road, thus confirming the feasibility and effectiveness of the AVIL platform for AV AEB testing. Simultaneously, the testing time and repeatability of the latter performed better. The findings of this study provide a new safe, effective, and fast solution to AV testing, and the practicability of this method has been verified.
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 | 0,001 |
| 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 ».