Uncertainty-Aware Decision Making and Planning for ICV Based on Asymmetric Driving Aggressiveness
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
Precisely assessing driving threat of road segments could significantly enhance the driving efficiency of intelligent connected vehicles (ICV) within mixed traffic scenarios. Existing methods primarily concentrate on collision probabilities, resulting in an insufficient appraisal of asymmetrical hazard levels attributed to the various interactions. Meanwhile, the uncertainty and communication delay have great influence on ICV, and it is an issue that must be addressed when designing decision-making and planning model. Thus, this study proposes and formulates a new driving aggressiveness model after analyzing asymmetric interactions behaviors among vehicles with different types. Subsequently, aims to verify the capability of generating asymmetric interaction, the driving aggressiveness model is applied on lane-change decision-making and planning. Concretely, the aggressiveness-sensitive lanes-selection model is designed based on game theory, and the uncertainty-aware trajectory planning is developed by utilizing stochastic model predictive control (MPC) and the asymmetric driving aggressiveness. Finally, two naturalistic driving scenarios are utilized to verify the performance of the decision-making and planning model. The outcomes of simulations illustrate that the driving aggressiveness model introduces a novel perspective to assess the asymmetric driving threat. Meanwhile, the uncertainty-aware decision making and planning model can reduce the influence on interactive vehicles, and it has superior adaptability for dynamic and connected traffic environments.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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