Adapting Regenerative Braking Strength to Driver Preference
Notice bibliographique
Résumé
The modern automotive industry has witnessed a growing emphasis on adapting the driving experience to individual drivers. With the rising popularity of electrified vehicles, the implementation of regenerative braking systems, specifically lift-off regenerative braking, has become a focal point. However, research indicates that drivers often find the predefined deceleration response during lift-off regenerative braking to be undesirable. This thesis addresses this issue by developing an adaptive regenerative braking controller that learns driver preferences, thereby fulfilling the objective of enhancing the driving experience of lift-off regenerative braking systems by reducing driver fatigue through the minimization of pedal interventions. The research focuses on three critical aspects: accurate identification of driving conditions, acquisition of driver preferences for lift-off regenerative braking, and compatibility with real-time automotive hardware. By leveraging advanced techniques like HDBSCAN clustering, fuzzy logic inference, and online Q-learning, the research achieves accurate driving condition identification and adaptation to individual driver preferences in a control scheme that can be practically deployed in-vehicle. Real-world testing demonstrates the controller's 80.9 % accuracy in identifying driving conditions as well as its successful learning of the driver's preferred deceleration to within 1.9 %. Subsequently, the adaptive regenerative braking controller results in a 23.2 % reduction in pedal interventions during deceleration compared to a baseline that is representative of an industry-standard implementation of lift-off regenerative braking. This outcome underscores the controller's potential to alleviate driver fatigue and enhance the overall driving experience. This research contributes to the advancement of electrified vehicle powertrain control, focusing on improving driver acceptance and satisfaction with regenerative braking 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 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».