A data-driven model-based shared control strategy considering drivers’ adaptive behavior in driver-automation interaction
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
Shared control scheme improves the driving performance while having an impact on driver behavior, drivers would constantly adapt their steering behavior mechanism in interaction with a shared controller. This paper proposes a novel data-driven model-based shared control strategy which is capable of considering drivers’ adaptive behaviors in driver-automation interaction to improve safety. The Koopman operator theory, which is a pure data-driven modeling technology, is adopted to yield an explicit control-oriented driver-vehicle model for shared controller design. Besides, a weighted online extended dynamic mode decomposition (WOEDMD) algorithm is proposed to update the Koopman driver model online for better capturing the driver’s adaptive behavior in driver-automation interaction, which settles the problem of driver’s potential behavior mechanism variations in practice. Based on the Koopman driver-vehicle model, a model-based shared controller is proposed in the model predictive control (MPC) framework, and the potential fields are incorporated in the optimization objectives to ensure safety. A group of human-in-the-loop experiments are conducted on a driving simulator to demonstrate the effectiveness of the modeling and shared control methods. The results show that the Koopman operator theory can be exploited for modeling the dynamics of the driver-vehicle integrated system, and the drivers’ adaptive behavior can be captured by the WOEDMD algorithm. Moreover, the shared controller considering the driver’s adaptive behavior improves the driving safety in the collision avoidance task.
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 | 0,001 |
| 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 découle