A simplified dynamic model with driver’s NMS characteristic for human-vehicle shared control of autonomous vehicle
Notice bibliographique
Résumé
Since the large-scale application of fully autonomous vehicles is difficult to be commercialized in the short term, human-vehicle shared control (HVSC) is a promising technique. To implement the control authority allocation and observe the driver characteristic, it is essential to develop an efficient HVSC dynamic model with the driver’s neuromuscular characteristic (NMS). To further our previous research, a simplified HVSC dynamic model is proposed in this paper. This model simplifies the non-critical NMS parameters such as muscle spindle feedback, which has no significant feedback effect while retaining essential NMS characteristics such as stretch reflection and intrinsic properties. The model consists of a model predictive controller (MPC) coupled with a driver NMS model and a 2 DOF vehicle model. The stability is proved by Lyapunov stability theory. Moreover, a field experiment was conducted for validation of the model. The V-Box is utilized to measure the vehicle’s state signals, such as steering wheel angle and pedal stroke. Subsequently, the adaptive genetic algorithm (AGA) is employed to identify the model parameters based on the experimental results. The comparison between the experiment and the model output shows that the proposed model can accurately represent the driver’s NMS characteristics and vehicle dynamic parameters. This paper will serve as a theoretical basis for the control authority allocation for L3 class autonomous vehicles.
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) | 0,001 | 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 | 0,000 |
| 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 ».