Robust Min-Max Model Predictive Vehicle Platooning With Causal Disturbance Feedback
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Platoon-based vehicular cyber-physical systems have gained increasing attention due to their potentials in improving traffic efficiency, capacity, and saving energy. However, external uncertain disturbances arising from mismatched model errors, sensor noises, communication delays and unknown environments can impose a great challenge on the constrained control of vehicle platooning. In this paper, we propose a closed-loop min-max model predictive control (MPC) with causal disturbance feedback for vehicle platooning. Specifically, we first develop a compact form of a centralized vehicle platooning model subject to external disturbances, which also incorporates the lower-level vehicle dynamics. We then formulate the uncertain optimal control of the vehicle platoon as a worst-case constrained optimization problem and derive its robust counterpart by semidefinite relaxation. Thus, we design a causal disturbance feedback structure with the robust counterpart, which leads to a closed-loop min-max MPC platoon control solution. Even though the min-max MPC follows a centralized paradigm, its robust counterpart can keep the convexity and enable the efficient and practical implementation of current convex optimization techniques. We also derive a linear matrix inequality (LMI) condition for guaranteeing the recursive feasibility and input-to-state practical stability (ISpS) of the platoon system. Finally, simulation results are provided to verify the effectiveness and advantage of the proposed MPC in terms of constraint satisfaction, platoon stability and robustness against different external disturbances.
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.
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 découle