Agent-Based Model Predictive Controller (AMPC) for Flexible and Efficient Vehicular Control
Notice bibliographique
Résumé
The rapid development of advanced vehicular mechatronic systems help to bring vehicle performances to a higher level. To fully unleash the power of such systems, an integrated vehicular control framework has been widely adopted. All actuators, along with their impact on vehicle dynamics are considered in a holistic model, and control performances based on such models are highly optimized thanks to a centralized distribution process. However, the strong reliance on a complex model with details for all subsystems limits the scalability and re-usability of resultant controllers. Any changes from vehicle topology to actuator details will lead to a controller redesign. In some cases, execution logic of actuators might even be proprietary and cannot be incorporated into a centralized coordination scheme. A flat architecture is proposed in our previous research to address such limitations, and a distributed multi-agent control scheme is suggested for a specialized modular vehicle platform. This paper generalizes such approach, and focuses on addressing model scalability and re-usability in complex vehicular active safety applications. When properly formulated, the proposed agent-based cooperative controllers are shown to give no compromise to control performances as their integrated-designed counterparts. The proposed framework also features greater flexibility in handling vehicle configuration changes as well as actuator modelling granularities. Incorporation of proprietary subsystems as “black-box” agent modules expands the coverage of the proposed architecture for advanced vehicular mechatronic systems.
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 ».