Guidage et commande longitudinale d'un train de voitures adaptés aux conditions routières et climatiques canadiennes
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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 teacher head, 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".