A Multi-Vehicle Longitudinal Trajectory Collision Avoidance Strategy Using AEBS With Vehicle-Infrastructure Communication
Notice bibliographique
Résumé
Shortening inter-vehicle distance can increase traffic throughput on roads for increasing volume of vehicles. In the process, traffic accidents occur more frequently, especially for multi-car accidents. Furthermore, it is difficult for drivers to drive safely under such complex driving conditions. This article investigates multi-vehicle longitudinal collision avoidance issue under such traffic conditions based on the Advanced Emergency Braking System (AEBS). AEBS is used to avoid collisions or mitigate the impact during critical situations by applying brake automatically. Hierarchical multi-vehicle longitudinal collision avoidance controller is proposed to guarantee safety of multi-cars using Vehicle-to-Infrastructure (V2I) communication capability in addition to radar for longitudinal vehicle control. High-level controller is designed to ensure safety of multi-cars and optimize total energy by calculating the target braking force. Vehicle network is used to get the key vehicle-road interaction data and constrained hybrid genetic algorithm (CHGA) is adopted to decouple the vehicle-road interactive system,which can obtain the maximum ground friction through vehicle-road data, and provide key predictive parameters for multi-vehicle safety controller. Lower level non-singular Fractional Terminal Sliding Mode(NFTSM) Controller is built to achieve control goals of high-level controller. Simulations are carried out under typical driving conditions. Results verify that the proposed system in this article can avoid or mitigate the collision risk compared to the vehicle without this system.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».