Notice bibliographique
Résumé
Optimal ground conditions in mining are crucial for operational efficiency and safety. Motor graders play a crucial role in achieving precise grading of passages; however, unlike many other mining vehicles, they have not yet been commercially automated. The redundant kinematics of motor graders, including articulation, front axle steering, and blade operations, pose significant challenges for automation. This research explores path following with a 2D kinematic model of motor graders and uses simulation to evaluate and compare the performance of these controllers in terms of step response and operational effectiveness. To address kinematic redundancy, two methods are proposed: Rear Offset Control, which defines the articulation angle using a lateral offset between the front and rear axles, and Single Track Control, which utilizes steering redundancy to adapt existing automation approaches to articulated vehicles. Simulation tests were conducted using two controllers: a Feedback Linearized PD controller (FBL+PD) and a Feedback Linearized Model Predictive Controller (FBL+MPC). Both were tuned for optimal performance on a step input path, with performance assessed based on Root Mean Square Error (RMSE) and control effort. This work introduces two methodologies—Rear Offset Control and Single Track Control—for autonomous motor grader operation. These were implemented with FBL+PD and FBL+MPC controllers on a 2D kinematic model. Future research will focus on dynamic modeling, implementing a Non-Linear Model-Predictive Controller, refining tuning methodologies for Feedback Linearized systems, and integrating these approaches with live vehicles.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».