MétaCan
Menu
Retour à la cohorte
Enregistrement W4379930243 · doi:10.1109/tits.2023.3280200

A Survey of Lateral Stability Criterion and Control Application for Autonomous Vehicles

2023· article· en· W4379930243 sur OpenAlexaff
Zhewei Zhu, Xiaolin Tang, Yechen Qin, Yiwei Huang, Ehsan Hashemi

Notice bibliographique

RevueIEEE Transactions on Intelligent Transportation Systems · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle Dynamics and Control Systems
Établissements canadiensUniversity of Alberta
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Natural Science Foundation of China
Mots-clésStability (learning theory)Electronic stability controlStability criterionControl theory (sociology)EngineeringControl engineeringVehicle dynamicsController (irrigation)Phase planeAutomobile handlingComputer scienceControl (management)Nonlinear systemAutomotive engineeringArtificial intelligenceMathematics

Résumé

récupéré en direct d'OpenAlex

The increasing requirements for vehicle driving safety improvement have led to numerous and in-depth studies on vehicle stability, especially for autonomous vehicles. The main concerns of vehicle stability research in autonomous vehicles include the vehicle stability analyzing, criterion constructing and controller designing. Therefore, this paper provides a comprehensive review of state-of-the-art vehicle stability criterion and control application for autonomous vehicles. First, the lateral vehicle linear stability criterion and widely-used active stability control applications are introduced. Next, the nonlinear vehicle stability analysis algorithm and criterion, based on the well-known phase plane method, are discussed in detail. The stability controller design, including the activation strategy and tracking objectives, is reviewed. In addition, emerging research challenges and trends for future improvement in lateral stabilization of autonomous vehicles are finally summarized.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,023
Tête enseignante GPT0,241
Écart entre enseignants0,218 · 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 source (Gemma direct ou Codex distillé), 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

Citations92
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Intelligent Transportation SystemsMême sujetVehicle Dynamics and Control SystemsTravaux en français237 207