Braking intensity recognition with optimal K-means clustering algorithm
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 163
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JCARME-11-2_010
تاریخ نمایه سازی: 17 اسفند 1400
چکیده مقاله:
Recognizing a driver’s braking intensity plays a pivotal role in developing modern driver assistance and energy management systems. Therefore, it is especially important to autonomous and electric vehicles. This paper aims at developing a strategy for recognizing a driver’s braking intensity based on the pressure produced in the brake master cylinder. In this regard, a model-based, synthetic data generation concept is used to generate the training dataset. This technique involves two closed-loop controlled models: an upper-level longitudinal vehicle dynamics model and a lower-level brake hydraulic dynamic model. The adaptive particularly tunable fuzzy particle swarm optimization algorithm is recruited to solve the optimal K-means clustering. By doing so, the best number of clusters and positions of the centroids can be determined. The obtained results reveal that the brake pressure data for a vehicle traveling the new European driving cycle can be best partitioned into two clusters. A driver’s braking intensity may, therefore, be clustered as moderate or intensive. With the ability to automatically recognize a driver’s pedal feel, the system developed in this research could be implemented in intelligent driver assistance systems as well as in electric vehicles equipped with intelligent, electromechanical brake boosters.
کلیدواژه ها:
نویسندگان
Ali Mirmohammad Sadeghi
School of Automotive Engineering, Iran University of Science and Technology, Tehran ۱۶۸۴۶-۱۳۱۱۴, Iran
Abdollah Amirkhani
School of Automotive Engineering, Iran University of Science and Technology, Tehran ۱۶۸۴۶-۱۳۱۱۴, Iran
Behrooz Mashadi
School of Automotive Engineering, Iran University of Science and Technology, Tehran ۱۶۸۴۶-۱۳۱۱۴, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :