2D‐Action Asynchronous Cooperative Lane Change Trajectory Planning Method for Connected and Automated Vehicles
Notice bibliographique
Résumé
The ability to change lanes safely, efficiently, and comfortably is an important prerequisite for the application of Connected‐Automated Vehicles (CAVs). Based on the five‐order polynomial trajectory planning for CAVs, the 2D‐Action Asynchronous Lane Change (AALC) trajectory planning model is constructed by further considering the longitudinal and lateral driving action execution time parameters. This is done to improve the applicability of the lane change model and increase the CAV lane change success rate. The continuous collision space algorithm is constructed by determining the continuity condition of collision trajectory parameter solution space through the monotonicity of trajectory curve parameters and collision form classification. AALC trajectory safety judgment is realized through this algorithm. A cooperative lane change trajectory evaluation objective function is constructed, considering multivehicle comfort and efficiency. Finally, the AALC model is solved in the continuous collision space according to the optimal objective function, and the lane change is divided into free, cooperative, and refused according to the optimization. The results indicate that the AALC model achieves the transfer of collision space between lanes through asynchronous process of behavior execution time window, thereby reducing the possibility of vehicle collision. The AALC model reduces the degree of change of cooperative lane change parameters by asynchronous process of behavior, increasing the number of free lane change trajectories by about 17%, effectively reducing the occurrence of lane change refusal, improving the successful rate of lane change, and enhancing the overall evaluation of the lane change. The AALC model realizes the reallocation of collision space between different lanes through asynchronous process, making it more suitable for environments with large differences in vehicle gaps such as ramp merging. The collision‐based trajectory optimization algorithm can quickly obtain the corresponding safety space and optimal trajectory. The maximum calculation time for a single cooperative lane change is 0.073 s, thus enabling real‐time trajectory planning.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».