Motion Sickness-Oriented Cooperative Control in Mixed Traffic: A Hierarchical MPC Framework With Multi-Objective Optimization
Notice bibliographique
Résumé
This study addresses the limitations of existing collaborative control systems for mixed traffic environments where connected and automated vehicles (CAVs) coexist with human-driven vehicles (HDVs), which overemphasize functional safety and energy efficiency loops while neglecting comfort. We propose a hierarchical model predictive control (HMPC) framework incorporating occupants’ motion sickness. The upper layer generates globally optimal speed sequences through dynamic prediction of signal phases, while the lower layer adopts a variable-weight MPC optimization method with a composite cost function integrating travel time, delay, and motion sickness indicators. To address varying CAV penetration rates in mixed traffic, heterogeneous vehicle dynamics models are developed, where CAVs and HDVs employ Cooperative Adaptive Cruise Control (CACC) and Intelligent Driver Model (IDM), respectively. The simulation evaluation results demonstrates that the proposed method achieves significant performance enhancements across diverse CAV penetration rates and traffic saturation scenarios: traffic efficiency is improved by 6.30% and 13.94%, while motion comfort is improved by 51.91% and 25.07%. Field evaluation at the Dongfeng-Huayuan Road intersection in Zhengzhou further confirms these findings, showing 28.97% and 37.87% reductions in travel time and delay, together with 57.81% and 18.18% declines in MSDV and RMS-Jerk, thereby confirming the control strategy’s robustness in real-world perturbed environments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».