Resilient Neural-Sliding-Mode Distance Regulation in Merging Control of Heterogeneous Connected Automated Vehicles Subject to Deception Attacks
Notice bibliographique
Résumé
Resilient distance regulation process is significantly essential in intelligent transportation systems with connected automated vehicles (CAVs), due to vulnerability of communication links within the vehicles of a platoon. On the other hand, time varying distance regulation process is usually ignored in adaptive cruise control procedures, which yields to be impossible for other vehicles on the right lane or the ramp to merge to the platoon. So, the main contribution of this paper is to design an adaptive resilient neural-sliding-mode cruise control with distance regulation procedure to make the following vehicles to track the leader's velocity and acceleration profile, while keeping a time-varying safe distance between each two consecutive vehicles, even when another vehicle seeks to merge into the platoon. To this end, at first an adaptive neural sliding mode control procedure along with a variable structure virtual disturbance observer is designed to provide a safe and smooth time-varying distance regulation process for the vehicle receiving the merging signal as well as maintaining a predefined distance between other two vehicles, while there exists cyber-attacks, external disturbances, and unknown nonlinearity in the system. Furthermore, it is assured that the followers track the leader's velocity and acceleration profile in a leader-to-all topology. To the authors’ knowledge, this is the first time that a resilient nonlinear cruise control procedure is proposed with distance regulation process for a platoon of nonlinear CAVs facing unknown nonlinearities and deception attacks. Finally, numerical results validate the effectiveness of the proposed procedure on achieving control objectives, resilience, and advantages compared to a recently proposed method.
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 | 0,000 | 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 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 ».