Decision‐Making and Path Planning for Head‐On Collision Avoidance on Curved Roads
Notice bibliographique
Résumé
Deviating to the left on two‐way roads can result in fatal head‐on collisions. This article presents an intelligent decision‐making and path‐planning algorithm aimed at avoiding collision with a vehicle that has deviated from the opposing lane. The path‐planning process utilizes the model predictive control (MPC) approach, employing a linear kinematic prediction model with a horizon of 2 seconds. Considering that the deviated vehicle may abruptly return to its original lane at any moment, its motion is associated with significant uncertainty. To address this challenge, the path‐planning algorithm directs the ego vehicle (EV) under specific constraints to ensure that both the left and right sides of the road are symmetrically reachable in future time steps. This enables the decision‐making algorithm to select the safer direction for evasive maneuver at the appropriate moment. The motion prediction of the threat vehicle (TV) is conducted until the potential collision time, taking into account its motion history, and is utilized in the decision‐making process. Once the maneuver direction is determined, the collision‐free path planning continues using the MPC method. To evaluate the algorithm, six simulations are conducted, modeling various distant and close encounter states of the vehicles on roads with left‐ and right‐hand curves. The simulation results indicate the flexibility and appropriate performance of the algorithm in planning safe and maneuverable paths.
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 | 0,001 | 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 | 0,001 |
| 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 ».