An Autonomous Steering Control Scheme for Articulated Heavy Vehicles Using - Model Predictive Control Technique
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">This article presents an autonomous steering control scheme for articulated heavy vehicles (AHVs). Despite economic and environmental benefits in freight transportation, lateral stability is always a concern for AHVs in high-speed highway operations due to their multi-unit vehicle structures, and high centers of gravity (CGs). In addition, North American harsh winter weather makes the lateral stability even more challenging. AHVs often experience amplified lateral motions of trailing vehicle units in high-speed evasive maneuvers. AHVs represent a 7.5 times higher risk than passenger cars in highway operation. Human driver errors cause about 94% of traffic collisions. However, little attention has been paid to autonomous steering control of AHVs. To improve the directional performance of AHVs under a high-speed lane-change maneuvers, an autonomous steering control scheme is proposed for a tractor/semi-trailer using a model predictive control (MPC) technique, which controls the steering angle of the tractor front wheels. Various control methods are developed to improve the path following of AHVs, but they only focus on the trajectory tracking of the tractor. The current MPC-based scheme considers both the tractor and trailer for path tracking to improve directional performance of the AHV. The effectiveness of the proposed scheme is examined using co-simulations, in which the MPC controller is designed using MatLab/SimuLink and the virtual tractor/semi-trailer is generated in TruckSim. Simulation results demonstrate the effectiveness of the proposed autonomous steering control scheme.</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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».