Développement d’un algorithme d’évitement de collisions pour un véhicule dans des conditions de faible adhérence
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Malgré les développements technologiques considérables dans le domaine de l’assistance à \nla conduite, le nombre d’accidents de la route au Québec se voit augmenter de 30 % en \nprésence de conditions hivernales, caractérisées par la présence de glace et de neige au sol, \npar rapport aux autres saisons. Le projet de recherche dont traite ce mémoire est réalisé \ndans le cadre du programme de maîtrise en génie mécanique à l’Université de Sherbrooke et \nvise à développer un algorithme intelligent d’évitement des collisions basé sur la physique \npour un véhicule évoluant dans des conditions de faible adhérence. La stratégie proposée \nvise à développer une méthode de contrôle hybride entre une approche basée sur un modèle \ndynamique et une approche basée sur les données, pour favoriser un apprentissage rapide \ndans des scénarios pour lesquels la disponibilité des données est limitée. Cette approche \nconsiste à fournir un ensemble de paramètres pertinents à la caractérisation de la relation \nentre le véhicule et le sol à un algorithme dont le rôle est de déterminer la manoeuvre \noptimale à effectuer en fonction des paramètres estimés par le filtre. \nCe mémoire présente la réalisation d’une preuve de concept expérimentale d’un algorithme \nd’évitement de collision pour véhicules évoluant dans des conditions de faible adhérence, \nimplémenté sur une plateforme de voiture à l’échelle 1/5ème. Un estimateur basé sur un \nmodèle dynamique traite d’abord les données de capteurs provenant du IMU, du LIDAR et \ndes encodeurs pour estimer les paramètres pertinents du véhicule et des conditions du sol, \ntels que la vitesse inertielle du véhicule v, la vitesse angulaire des roues ω, l’accélération \na, le coefficient de friction μ, la cohésion c et l’angle de cisaillement interne ϕ. Ensuite, \nun prédicteur piloté par les données est entraîné pour prédire la manoeuvre optimale \nà effectuer dans la situation caractérisée par les paramètres estimés. L’expérimentation \ndémontre qu’il est possible de produire une estimation en temps réel des paramètres du \nvéhicule et du sol et de déterminer une manoeuvre optimale d’évitement des collisions sur \nla 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.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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 it