Connected Vehicle-Cooperative Adaptive Cruise Control Algorithm to Divide and Reform Connected Vehicle Platoons at Signalized Intersections to Improve Traffic Throughput and Safety
Notice bibliographique
Résumé
The cooperative adaptive cruise control (CACC) algorithm is a simple and effective way to form small-headway platoons so that road capacity and traffic throughput can be improved. The CACC algorithm has been broadly discussed in relation to the highway driving environment where frequent stopping and merging are uncommon. This paper proposes that CACC can also benefit urban arterials, using the appropriate algorithm to predict platoon behavior with optimized trajectories to divide and reform platoons before and after signalized intersections, thus maintaining small, safe headways. Connected vehicle (CV) technology is the key to adapting and improving the CACC algorithm, as it enables the signal phasing plan to be sent to a target CACC platoon and allows vehicles to acquire real-time information from other vehicles in the platoon. In this research, a CV-CACC algorithm is proposed consisting of two functions: platoon division and platoon reforming. The new algorithm is also equipped with acceleration as a new control variable instead of speed, so that the platoon is able to accommodate sharp speed changes around intersections, something the baseline CACC is unable to accommodate. In this study, computer simulations have been conducted to test the reliability of the CV-CACC algorithm and compare its performance against the baseline CACC algorithm.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».