XiaoMi-AI文件搜索系统
World File Search SystemV2V
车辆跟驰算法的建模与分析对燃油经济性的改善
通讯作者：Ozgenur Kavas-Torris（电子邮件：kavastorris.1@osu.edu）摘要地面车辆的连通性使车辆能够彼此共享关键车辆数据，例如车辆加速度。另一方面，使用摄像头、雷达和激光雷达等传感器，可以检测到领头车辆和主车辆之间的车内距离以及相对速度。协作自适应巡航控制 (CACC) 以地面车辆连通性和传感器信息为基础，形成具有自动跟车功能的车队。CACC 还可用于提高车队中车辆的燃油经济性和移动性能。本文介绍了 3 种用于提高 CAV 燃油经济性的跟车算法。设计了一种自适应巡航控制 (ACC) 算法作为比较的基准模型。设计了一种协作自适应巡航控制 (CACC)，它使用通过 V2V 接收到的领头车辆加速度进行跟车。开发了一种生态合作式自适应巡航控制 (Eco-CACC) 模型，将前车的不稳定加速度视为需要减弱的干扰。设计了一种高级 (HL) 控制器，用于在前车驾驶员不稳定时进行决策。运行模型在环 (MIL) 和硬件在环 (HIL) 仿真，以测试这些跟车算法的燃油经济性性能。结果表明，当前车不稳定时，HL 控制器能够通过使用 CACC 和 Eco-CACC 获得平滑的速度曲线，并且比 ACC 控制器消耗更少的燃料。关键词：跟车；自适应巡航控制 (ACC)；合作式自适应巡航控制 (CACC)；生态合作式自适应巡航控制 (Eco-CACC)；燃油经济性。
考虑车对车模式的电动汽车充电管理系统，用于优化利用光伏能源
分布式可再生能源 (RES) 的普及率不断提高，加上新型电动汽车 (EV) 型号注册数量不断增加，在零碳能源社区的发展中发挥着重要作用。然而，间歇性可再生能源发电厂的份额越来越大，再加上高且不受控制的电动汽车充电需求总量，要求能源区必须向新的规划和管理模式发展。因此，在这种背景下，本文提出了新颖的智能充电 (SC) 技术，旨在尽可能多地在当地整合 RES 发电和 EV 充电需求，协同作用于电力流并避免对电力系统产生不利影响。为了实现这一点，本文介绍了一种集中式充电管理系统 (CMS)，该系统能够单独调节每个插电式电动汽车的充电功率。CMS 旨在最大限度地提高本地 RES 的充电自耗，从而拉平外部电网所需的峰值功率。此外，即使在低 RES 电力可用性条件下，CMS 也能保证所有车辆在出发时的整体充电状态 (SOC) 良好，且无需从电网获取额外能量。本文提出了两种根据 EV 功率流方向而不同的方法。第一种 SC 仅涉及单向功率流，而第二种方法还考虑车辆之间的双向功率流，以车对车 (V2V) 模式运行。最后，根据实际案例研究进行的模拟验证了 SC 对参考场景的影响，该参考场景包括具有光伏 (PV) 电站、非模块化电气负载和 EV 充电站 (CS) 的工业区。本文收集了结果，并比较和详细描述了通过操作不同的 SC 方法实现的性能改进。
2030 铁路 | ERRAC
acs：自适应通信系统 ai：人工智能 ato：自动化列车运行 ats：自动化列车监控 BiM：建筑信息模型 B2B：企业对企业 capeX：资本支出 cBtc：基于通信的列车控制 cca：交叉活动 ccs：控制指挥系统 cctv：闭路电视 cDas：联网驾驶员咨询系统 ceF：连接欧洲设施 ceRt：网络应急响应小组 cots：商用现货 Das：驾驶员咨询系统 ess：能源存储系统 enisa：欧洲网络和信息安全局 eRRac：欧洲铁路研究咨询委员会 eRtMs：欧洲铁路交通管理系统 etcs：欧洲列车控制系统 FRMcs：未来铁路移动通信系统 Goa：自动化等级 Gnss：全球导航卫星系统 GsM-R：全球移动通信系统 - 铁路 hMi：人机界面 hvac ：供暖、通风和空调 i2i：基础设施到基础设施 ict：信息和通信技术 iot：物联网 ip：创新计划 ipR：知识产权 iso：国际标准化组织 it：信息技术 its：智能交通系统 lcc：生命周期成本 Kic：知识与创新社区 Kpi：关键绩效指标 Maas：移动即服务 Mocc：多式联运运营控制中心 naas：网络即服务 nis
人工智能在自动驾驶汽车中的作用
电子邮件：vinaypandey0110 [at] gmail.com摘要：自动驾驶汽车代表运输的范式转移，并且正处于中心位置，发展在于人工智能（AI）必不可少的作用。这些车辆中AI算法的集成结合了一系列复杂的技术：机器，计算机视觉，传感器融合和深层神经网络，可以共同实时导航，感知和做出决策。AI是为了这些车辆背后的认知是智力能力，可以处理大量传感器数据，以解释它并响应动态环境。预测建模功能使您可以预测对可能危险的反应，从而保证更高的安全标准。但是，AI在自动驾驶汽车中的影响远远超出了效率和安全性，它有助于翻新城市景观，这些城市景观会影响基础设施的发展和可及性，同时改善道德规范。关注。解决AI驱动决策的隐私，责任和道德意义仍然至关重要，并突出了对强大的监管框架的需求。尽管如此，持续的研究和跨行业的合作工作正在进一步完善AI在这些车辆中的作用，以最大程度地提高其社会利益并进一步提高安全性，可靠性和融入日常生活。关键字：自动驾驶汽车，人工智能，传感器技术，预测建模，监管框架1。引言人工智能（AI）的整合彻底改变了汽车行业，尤其是在？自动驾驶汽车。这些车辆（也称为自动驾驶汽车或无人驾驶车辆）配备了基于人工智能的系统，可让它们在无人干预的情况下进行导航和操作。AI的角色对于做出决策非常重要。它形成了技术主干，使车辆能够感知周围环境，做出实时决策并安全有效地驾驶道路。AI有助于车辆正确地执行功能。它涵盖了各种技术，包括机器学习算法，计算机视觉，传感器融合和提前连接性。一起，这些技术使自动驾驶汽车能够解释日期形成各种传感器，处理信息并做出类似于人类驾驶员的决定，甚至更有效。最终目标是创造不仅是自主的车辆，而且为乘客提供更大的安全性，更好的交通管理和优化的旅行体验。通过结合人工智能技术，自动驾驶汽车可以使用相机，激光雷达，雷达和超声传感器等传感器感知其周围环境。机器学习算法处理传入数据，识别对象，预测运动模式并根据广泛的培训数据做出分裂的决策。人工智能在自动驾驶汽车中的作用不仅在于驾驶，还涉及重塑运输，重新定义安全标准并在未来不受人类限制限制的未来的未来中迎来。随着这项技术的发展，整个行业和社会都在发展，自动驾驶汽车中人工智能的关键要素包括一种感知系统，该系统可以解释感官数据，基于机器学习算法的强大数据处理以及高级通信系统（V2V，V2I和V2X），以促进车辆与基础设施与基础设施的相互作用，并确保在EE活动中的完美协调。
使用伪凸凸优化的信号走廊中连接车辆的文章类型实时控制†
没有人类驾驶员的干预，并与其他车辆和/或基础设施以及其他设备2进行通信2。美国运输部总结了将CAV技术引入运输系统3：道路安全，经济和社会福利，能源效率和公共流动性的四个主要潜在好处。CAV技术为驾驶员/车辆和交通基础设施创造了一个新的环境，以在现实世界中进行交互。在这种环境中，连接起着至关重要的作用，无线通信使车辆能够相互通信（V2V）以及基础架构（V2I）（v2i）关于实时车辆位置，速度，加速度和其他数据。这些实时数据的可用性为CAVS提供了协调交通相互作用的机会，以使交通相互作用，以最大程度地提高燃油效率并减少碰撞4。猜测对自动运输系统进行了实质性转变，已经进行了许多研究，以调查涉及CAV应用程序的挑战和机会5,6,7,8。例如，橡树岭国家实验室9正在开发用于CAVS应用程序的实时移动控制系统（RTMC），其中包括流量数据管理，路线计划，集中式通信和可视化。已经证明，可以使用交通信号阶段和计时（SPAT）信息来提高车辆燃油效率以协调车辆操作10。还已经确定，可以通过解决相关的最佳控制问题4来确定车辆的最佳速度方案。然而，尽管许多研究人员已经证明了使用SPAT信息来优化燃油经济性的潜力，但大多数努力都集中在提高单个车辆的性能并发出信号计时控制11,12。此外，相关作品主要集中于为CAV生成可行的轨迹，同时忽略了以计算效率和保证收敛性来实时执行生成的轨迹。骑士的运动控制系统是安全至关重要的，并严重依赖于车载算法。需要对操作的实时更新，以应对周围环境的动态。尽管已经提出了许多方法来获得轨迹的轨迹，但由于高计算成本，无法保证最佳解决方案，并且无法应付非凸运动限制和动态环境，因此它们的优化方法不适合现实世界实施。13,14。本文将通过开发一种基于凸优化的新型方法来满足这种需求，该方法使用SPAT信息产生速度曲线。具有多项式解决方案时间和全球最佳收敛的优点，凸优化方法对于车载应用非常有前途。这项研究的贡献是三倍。首先，提出的顺序凸编程（SCP）算法解决了非线性和非凸的最佳速度控制问题，并确保收敛性和多项式解决方案时间在解决每个步骤中解决凸的问题时。本文的其余部分如下：第2节对相关工作进行了简要审查。第二，我们利用伪搭配方法与线路搜索和信任区域技术结合使用，从根本上改善了提出的SCP算法，以提高准确性，更好的实时和融合性能。第三，得益于高级计算效率，该提出的方法实现了实时模型预测控制（MPC）框架，并对动态交通环境的即时响应，以避免碰撞和车辆协调。第3节描述了本研究中考虑的系统动力学和最佳控制问题。第4节介绍了一种新方法，该方法确定了在信号走廊中行驶的骑士的最佳车辆速度轮廓。第5节通过模拟结果和比较证明了拟议方法的性能和有效性。第6节总结了本文的工作。