Détection de situation critique d’un véhicule automobile
Bibliographic record
Abstract
Ce papier présente une méthode de détection de situation critique pour la dynamique latérale d'un véhicule automobile, en vue de l'amélioration des systèmes d'ESP. Le principe de l'approche repose sur la modélisation d'un véhicule par un modèle bicyclette. Les efforts latéraux des pneumatiques sont bien connus pour être fortement non linéaire. Cependant, la zone où la conduite est normale peut s'approximer comme étant linéaire. La détection de la situation critique se fait dès que les données physiques du véhicule ne correspondent plus aux efforts linéaires des pneumatiques. Le problème de détection de situation critique est alors réécrit en un problème de détection de défaut. Le modèle étant dépendant du paramètre vitesse du véhicule, un approche par espace de parité étendu pour les systèmes linéaires à paramètres variants (LPV) est alors utilisée. Les résultats ont été appliqués sur les données d'un véhicule réel dans le cadre du projet INOVE.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.003 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".