Développement d’un algorithme d’évitement de collisions pour un véhicule dans des conditions de faible adhérence
Bibliographic record
Abstract
Malgré les développements technologiques considérables dans le domaine de l’assistance à la conduite, le nombre d’accidents de la route au Québec se voit augmenter de 30 % en présence de conditions hivernales, caractérisées par la présence de glace et de neige au sol, par rapport aux autres saisons. Le projet de recherche dont traite ce mémoire est réalisé dans le cadre du programme de maîtrise en génie mécanique à l’Université de Sherbrooke et vise à développer un algorithme intelligent d’évitement des collisions basé sur la physique pour un véhicule évoluant dans des conditions de faible adhérence. La stratégie proposée vise à développer une méthode de contrôle hybride entre une approche basée sur un modèle dynamique et une approche basée sur les données, pour favoriser un apprentissage rapide dans des scénarios pour lesquels la disponibilité des données est limitée. Cette approche consiste à fournir un ensemble de paramètres pertinents à la caractérisation de la relation entre le véhicule et le sol à un algorithme dont le rôle est de déterminer la manoeuvre optimale à effectuer en fonction des paramètres estimés par le filtre. Ce mémoire présente la réalisation d’une preuve de concept expérimentale d’un algorithme d’évitement de collision pour véhicules évoluant dans des conditions de faible adhérence, implémenté sur une plateforme de voiture à l’échelle 1/5ème. Un estimateur basé sur un modèle dynamique traite d’abord les données de capteurs provenant du IMU, du LIDAR et des encodeurs pour estimer les paramètres pertinents du véhicule et des conditions du sol, tels que la vitesse inertielle du véhicule v, la vitesse angulaire des roues ω, l’accélération a, le coefficient de friction μ, la cohésion c et l’angle de cisaillement interne ϕ. Ensuite, un prédicteur piloté par les données est entraîné pour prédire la manoeuvre optimale à effectuer dans la situation caractérisée par les paramètres estimés. L’expérimentation démontre qu’il est possible de produire une estimation en temps réel des paramètres du véhicule et du sol et de déterminer une manoeuvre optimale d’évitement des collisions sur la base des paramètres estimés.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".