Design of a tracking controller for autonomous articulated heavy vehicles using a nonlinear model predictive control technique
Notice bibliographique
Résumé
This article proposes a design of a tracking controller for autonomous articulated heavy vehicles (AAHVs) using a nonlinear model predictive control (NLMPC) technique. Despite economic and environmental benefits in freight transportation, articulated heavy vehicles (AHVs) exhibit poor directional performance due to their large sizes, multi-unit vehicle configurations, and high centers of gravity (CGs). AHVs represent a 7.5 times higher risk of traffic accidents than single-unit vehicles (e.g. rigid trucks, cars, etc.) in highway operations. Human driver errors cause about 94% of traffic collisions. However, little attention has been paid to autonomous driving control of AHVs. To increase the safety of AHVs, we design a novel NLMPC-based tracking controller for an AHV, that is, a tractor/semi-trailer combination, and this tracking controller is distinguished from others with the feature of controlling both the lateral and longitudinal motions for both the leading and trailing units. To design the tracking controller, a new prediction AHV model is developed, which represents both the lateral and longitudinal dynamics of the vehicle and captures its rearward amplification feature over high-speed evasive maneuvers. With the proposed tracking controller, the AAHV tracks the predefined reference path and follows a planned forward-speed scheme. Co-simulation demonstrates the effectiveness and robustness of the proposed NLMPC tracking controller.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».