TD3 Tuned PID Controller for Autonomous Vehicle Platooning
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The main objective of platoon control is coordinated motion of autonomous vehicle platooning with small intervehicle spacing while maintaining the same speed and acceleration as the leading vehicle, which can save energy consumption and improve traffic throughput. The conventional platoon control methods are confronted with the problem of manual parameter tuning. In order to addres this isue, a novel bifold platoon control approach leveraging a deep reinforcement learning-based model is proposed, which enables the platoon adapt to the complex traffic environment, and guarantees the safety of platoon. The upper layer controller based on the TD3 tuned PID algorithm outputs the desired acceleration. This integration mitigates the inconvenience of frequent manual parameter tuning asociated with the conventional PID algorithm. The lower layer controller tracks the desired acceleration based on the inverse vehicle dynamics model and feedback control. Through this dynamic inverse model, the desired acceleration of the platoon vehicle is transformed into a feedforward control input. This input is then supplemented by feedback from a PID controller. A comprehensive validation of the proposed approach is conducted through a collaborative simulation experiment using Carmaker/Simulink. The results show the trajectory of the desired acceleration is smooth, indicating a ride comfort of vehicle. Moreover, the platoon vehicle is able to make a quick response to the speed change of the predecesor. The maximum error in the distance between vehicles in the platoon is 2.5m. In summary, the proposed control method of connected and automated vehicle platoon based on TD3 tuned PID effectively realizes cooperative control of platoon vehicles.</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 | 0,000 |
| 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 ».