Adaptive control and reinforcement learning for vehicle suspension control: A review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The growing adoption of electric vehicles has drawn a renewed interest in intelligent vehicle subsystems, including active suspension. Control methods for active suspension systems have been a research focus for many years, and with recent advances in machine learning, learning-based active suspension control strategies have emerged. Classically, suspension controllers have been model-based and thus limited by necessarily simplified models of complex suspension dynamics. Learning-based methods address these limitations by leveraging system response measurements to improve the system model or controller itself. Previous surveys have reviewed conventional and preview-based active suspension controllers, but a detailed examination of newer learning-based methods is lacking. This article addresses this gap by presenting the mathematical foundations of these controllers and categorizing existing implementations. The review classifies learning-based suspension control literature into two main categories: adaptive control, which emphasizes stability through online learning, and reinforcement learning, which aims for optimality through extensive system interactions. Within these broader domains, various sub-categories are identified, allowing practitioners and researchers to quickly find relevant work within a specific branch of learning-based suspension control. Furthermore, this article discusses current trends in the field and proposes directions for future investigations. These contributions can serve as a comprehensive guide for the future research and development of learning-based suspension controllers. • Reviews reinforcement learning-based active and semi-active suspension controllers. • Reviews adaptive control-based active and semi-active suspension controllers. • Identifies future research opportunities in the domain of learning-based suspension control.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| 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 | 0,001 |
| 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 découle