Documents disponibles écrits par cet auteur

Rollover Warning for Articulated Heavy Vehicles Based on a Time to Rollever Metric / Chen, Bo-Chiuan in Transactions of the ASME . Journal of dynamic systems, measurement, and control, Vol. 127, N° 3 (Septembre 2005) 

Public ISBD [article]  in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 127, N° 3 (Septembre 2005) . - 406-414 p. Titre : Rollover Warning for Articulated Heavy Vehicles Based on a Time to Rollever Metric Titre original : Avertissement de Renversement pour les Véhicules Lourds Articulés Basés sur un Moment à Rollever Métrique Type de document : texte imprimé Auteurs : Chen, Bo-Chiuan, Auteur ; Huei Peng, Auteur Article en page(s) : 406-414 p. Note générale : Génie Mécanique Langues : Anglais (eng) Mots-clés : Rollever  métrique  Véhicule  lourd  Approche  innovatrice  Conception  Réseau  neurologique Index. décimale : 620.1/389 Résumé : A Time To Rollever (TTR) metric is proposed as the basis to asses rollever threat for an articulated heavy vehicle. The TTR metric accurately "counts-down" toward rolleverregardless of vehicle speed and steering patterns, so that the level of rollever threat is accurately assessed. There are two conflicting requirements in the implementation of TTR. On the one hand, a model significantly faster than real-time is needed. On the order hand, the TTR predicted by this model needs to be accurate enough under all driving scenarios. An innovative approach is proposed in this paper to solve this dilemma and the design process is illustrated in an example. First, a simple yet reasonably accurate yaw/roll model is identified. A Neural Network (NN) is then developed to mitigate the accuracy problem of this simple model. The NN takes the TTR generated by the simple model, vehicle roll angle, and change of roll angle to generate an exhanced NN-TTR index. The NN was trained and verified under a variety of driving patterns. It was found that an accurate TTR is achieved across all the driving scenarios we tested. On propose un moment à Rollever (TTR) métrique comme base à la menace de rollever d'ânes pour un véhicule lourd articulé. Le TTR métrique exactement "compte-vers le bas" vers rollever regardless des modèles de vitesse et de direction de véhicule, de sorte que le niveau de la menace de rollever soit exactement évalué. Il y a deux conditions contradictoires dans l'exécution de TTR. D'une part, un modèle sensiblement plus rapidement que le temps réel est nécessaire. Sur la main d'ordre, le TTR a prévu par ce modèle doit être assez précis sous tous les scénarios de conduite. Une approche innovatrice est proposée en cet article pour résoudre ce dilemme et le processus de conception est illustré dans un exemple. D'abord, un modèle simple pourtant raisonnablement précis de yaw/roll est identifié. Un réseau neurologique (NN) est alors développé pour atténuer le problème d'exactitude de ce modèle simple. Le NN prend le TTR produit par le modèle simple, angle de roulement de véhicule, et le changement de l'angle de roulement pour produire de l'exhanced l'index de NN-TTR. Le NN a été formé et vérifié sous une variété de conduire des modèles. On l'a constaté qu'un TTR précis est réalisé à travers tous les scénarios de conduite que nous avons examinés. En ligne : bochen@ntut.edu.tw, hpeng@umich.edu. [article] Rollover Warning for Articulated Heavy Vehicles Based on a Time to Rollever Metric = Avertissement de Renversement pour les Véhicules Lourds Articulés Basés sur un Moment à Rollever Métrique [texte imprimé] / Chen, Bo-Chiuan, Auteur ; Huei Peng, Auteur . - 406-414 p. Génie Mécanique Langues : Anglais (eng) in Transactions of the ASME . Journal of dynamic systems, measurement, and control > Vol. 127, N° 3 (Septembre 2005) . - 406-414 p. Mots-clés : Rollever  métrique  Véhicule  lourd  Approche  innovatrice  Conception  Réseau  neurologique Index. décimale : 620.1/389 Résumé : A Time To Rollever (TTR) metric is proposed as the basis to asses rollever threat for an articulated heavy vehicle. The TTR metric accurately "counts-down" toward rolleverregardless of vehicle speed and steering patterns, so that the level of rollever threat is accurately assessed. There are two conflicting requirements in the implementation of TTR. On the one hand, a model significantly faster than real-time is needed. On the order hand, the TTR predicted by this model needs to be accurate enough under all driving scenarios. An innovative approach is proposed in this paper to solve this dilemma and the design process is illustrated in an example. First, a simple yet reasonably accurate yaw/roll model is identified. A Neural Network (NN) is then developed to mitigate the accuracy problem of this simple model. The NN takes the TTR generated by the simple model, vehicle roll angle, and change of roll angle to generate an exhanced NN-TTR index. The NN was trained and verified under a variety of driving patterns. It was found that an accurate TTR is achieved across all the driving scenarios we tested. On propose un moment à Rollever (TTR) métrique comme base à la menace de rollever d'ânes pour un véhicule lourd articulé. Le TTR métrique exactement "compte-vers le bas" vers rollever regardless des modèles de vitesse et de direction de véhicule, de sorte que le niveau de la menace de rollever soit exactement évalué. Il y a deux conditions contradictoires dans l'exécution de TTR. D'une part, un modèle sensiblement plus rapidement que le temps réel est nécessaire. Sur la main d'ordre, le TTR a prévu par ce modèle doit être assez précis sous tous les scénarios de conduite. Une approche innovatrice est proposée en cet article pour résoudre ce dilemme et le processus de conception est illustré dans un exemple. D'abord, un modèle simple pourtant raisonnablement précis de yaw/roll est identifié. Un réseau neurologique (NN) est alors développé pour atténuer le problème d'exactitude de ce modèle simple. Le NN prend le TTR produit par le modèle simple, angle de roulement de véhicule, et le changement de l'angle de roulement pour produire de l'exhanced l'index de NN-TTR. Le NN a été formé et vérifié sous une variété de conduire des modèles. On l'a constaté qu'un TTR précis est réalisé à travers tous les scénarios de conduite que nous avons examinés. En ligne : bochen@ntut.edu.tw, hpeng@umich.edu.