Guidage et commande longitudinale d'un train de voitures adaptés aux conditions routières et climatiques canadiennes
Notice bibliographique
Résumé
Depuis quelques années, la congestion routière causée par la conduite humaine et le stress qui en résulte sont devenus des problèmes majeurs de notre société. Un des moyens proposés pour pallier à ces problèmes est de créer des trains de voitures automatisés. Ils se définissent par une série de voitures qui se suivent automatiquement les unes à l’arrière des autres avec une distance à respecter entre elles. Ce mémoire décrit le développement du contrôle longitudinal d’un train de dix voitures. Le terme longitudinal réfère à la direction vers laquelle la voiture se dirige lorsqu’elle roule sur une route en ligne droite. Chaque véhicule se doit de suivre la voiture qui le précède en respectant une distance sécuritaire. Cette distance se calcule en temps de contact et est déterminée pour chacune des voitures dans le train. L’approche ainsi adoptée est d’imposer un temps à respecter avec la voiture de tête. Ce temps est adapté à chacune des voitures qui se trouvent dans le train. L’approche adoptée est aussi décentralisée. Cette dernière permet de créer des contrôleurs locaux. Chaque véhicule a un contrôleur de haut niveau et un contrôleur de bas niveau. Le premier contrôleur calcule l’accélération désirée de chacun des véhicules proportionnellement aux erreurs de position, de vitesse et d’accélération relative à la voiture à l’avant. Les gains relatifs à l’asservissement proportionnel sont calculés avec la méthode du régulateur quadratique optimal. Le deuxième contrôleur permet de transformer l’accélération désirée en commande d’ouverture du papillon et de freinage. Un simulateur longitudinal complet de voiture est présenté. Ce dernier comporte toutes les non-linéarités du groupe moto-propulseur, un modèle de traction sur la route et un système de freinage ABS. Un guidage pour l’approche des voitures est présenté et permet de limiter l’accélération de ces dernières. Un filtre de Kalman est développé dans le but de filtrer les bruits de mesure et d’estimer l’accélération relative entre le véhicule à l’avant et le véhicule contrôlé, l’accélération étant un paramètre non mesuré.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».