MétaCan
Menu
Retour à la cohorte
Enregistrement W4220850916 · doi:10.4271/2022-01-0353

A Novel Coordination Method for an Integrated Chassis Controller of an 8x8 Combat Vehicle

2022· article· en· W4220850916 sur OpenAlexaff
Moataz Ahmed, Moustafa El–Gindy, Haoxiang Lang

Notice bibliographique

RevueSAE International Journal of Advances and Current Practices in Mobility · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle Dynamics and Control Systems
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésController (irrigation)Control theory (sociology)ActuatorComputer scienceChassisFuzzy logicControl engineeringEngineeringControl (management)Artificial intelligence

Résumé

récupéré en direct d'OpenAlex

<div class="section abstract"><div class="htmlview paragraph">The objective of the Integrated Chassis Controllers (ICC) is to combine multiple actuators and dynamics controllers to maximize the overall vehicle performance at all driving conditions. It is well known that there are two methods that can be used to develop an ICC. The first is a centralized method, where all the actuators are considered in one controller to ensure a harmonic integration between different actuators. The second method is called decentralized integration, where each actuator is considered in a separate controller and a low-level controller is used to coordinate the operation of the controllers. In this paper, the second method is used to develop a decentralized ICC using a novel controller coordinator based on Genetic Programming (GP). The GP is used to integrate torque vectoring and active rear steering controllers of an 8x8 combat vehicle. The controller is utilized to enhance the lateral stability of the vehicle in various driving conditions. The GP-based method showed a drastic reduction in the processing time in comparison to a Neuro-Fuzzy based controller. In addition, the vehicle stability is evaluated in comparison with the uncontrolled vehicle by conducting slalom maneuvers on a dry and slippery road.</div></div>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,739
Score d'incertitude au seuil0,363

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,360
Écart entre enseignants0,336 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE International Journal of Advances and Current Practices in MobilityMême sujetVehicle Dynamics and Control SystemsTravaux en français237 207