Robust controller design for active trailer steering systems of articulated vehicles using multi-objective optimization
Notice bibliographique
Résumé
This thesis presents and evaluates an approach to the robust controller design for active trailer steering (ATS) systems to increase the safety of articulated vehicles. By applying a multi-objective evolutionary algorithm (MOEA) to the design optimization of the robust ATS controller, a series of optimal gain values can be obtained in a single run. This allows for posteriori decision making along with flexibility to select appropriate gain for different operating conditions. The algorithm creates Pareto optimal gain values for various speeds, thereby resulting in the robust ATS controller with an optimized gain scheduling scheme. The research elucidates the advantages of multi-objective algorithms over mono-objective or single-objective algorithms. For the design optimization of the ATS controller, a benchmark investigation is conducted to select an effective algorithm from the multi-objective algorithms, including GDE3, NSGA-II, NSGA-III, SPEA2 and MOPSO. A modular framework is introduced for co-simulations conducted in the CarSim-Simulink/Matlab environment, with which the vehicle and controller parameters can be optimized. The method ensures that a robust ATS controller with optimized feedback control gains, as well as satisfaction of design criteria and constraints. This research proposes a framework to generate a multi-dimensional look-up table using the multi-objective evolutionary algorithm for a general dynamic system controlled by a feedback controller. The optimized look-up system can be used to improve the robustness of control systems in real-world applications.
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 | 0,001 | 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 | 0,001 | 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 ».