An Intelligent Parallel Distributed Compensation Control Strategy for Robust Autonomous Vehicle Path-Following: Tackling Speed Variations, Road Uncertainty, and Actuator Limits
Notice bibliographique
Résumé
This paper presents an enhanced Parallel Distributed Compensation (PDC) control law for autonomous vehicle pathfollowing, modeled within the Takagi-Sugeno (T-S) fuzzy framework. Path-following control for autonomous ground vehicles (AGVs) remains a major challenge due to nonlinear dynamics, time-varying parameters, and external disturbances. Traditional control methods, such as PID controllers and Model Predictive Control (MPC), face critical limitations, including tuning complexity, high computational demands, and reliance on full-state feedback. To address these challenges, we propose an improved PDC control strategy incorporating a Quadratic Lyapunov function, ensuring system stability and robustness under real-world constraints. The key contributions of this work include: Design of a novel fuzzy-based steering controller capable of handling actuator saturation, unknown road curvature, and uncertain lateral wind forces. Integration of a relaxed stability condition via a Quadratic Lyapunov function, improving control adaptability and robustness. Extensive simulation validation at different speeds ($8 \text{km} / \mathrm{h}, 30 \text{km} / \mathrm{h}$, and$45 \text{km} / \mathrm{h}$), demonstrating enhanced trajectory tracking, stability, and disturbance rejection compared to conventional methods. Results confirm that the proposed enhanced PDC control strategy significantly improves lateral control performance while maintaining computational efficiency for real-time applications. This study highlights the feasibility and effectiveness of integrating an advanced PDC control law within a T-S fuzzy modeling framework, paving the way for more reliable and adaptive autonomous vehicle control systems.
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) | 0,000 | 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 | 0,001 | 0,001 |
| 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 ».