Hierarchical and Distributed Eco-Driving Approach for Mixed Vehicle Clusters at Unsignalized Intersections
Notice bibliographique
Résumé
To improve the driving efficiency and energy-saving characteristics for large-scale mixed traffic flows under different market penetration rates (MPRs) of intelligent and connected vehicles (ICVs) at unsignalized intersections, considering the cooperative eco-driving performance between ICVs and human-driven vehicles (HDVs) with time-varying speed characteristics, the hierarchical and distributed cooperative eco-driving architecture is first established in this paper, consisting of a cloud decision layer and a vehicle control layer. For the cloud decision layer, the multivehicle model-free adaptive predictive cooperative driving (MFAPCD) method is designed by using only the driving data of the HDVs and ICVs formation based on compact form dynamic linearization (CFDL) technique, thereby improving traffic efficiency. Furthermore, the CFDL integral terminal sliding mode predictive control (CFDL-ITSMPC) scheme is utilized to predict the time-varying driving speed of HDVs, and then, the CFDL predictive control (CFDL-PC) scheme is utilized to predict the expected control variables of ICVs formation. For the vehicle control layer, based on the anticipated driving speed obtained from the cloud decision layer, the nonlinear distributed model predictive control (NDMPC) method is utilized for distributed optimal control of each vehicle formation, to achieve optimization in terms of energy saving. Simulation results show that, compared with the signal time assignment strategy, the method can increase the average velocity by about 15.22% and decrease the average fuel consumption by about 36.43% under different MPRs and traffic volumes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».