MARC

 008260126s2025        us                              c    eng  d
■001000017359949
■00520260202105240
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291568712
■035    ▼a(MiAaPQ)AAI32271993
■035    ▼a(MiAaPQ)umichrackham006348
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aYu,  Siyuan.
■24512▼aA  Haptic  Shared  Control  Framework  Leveraging  High-Performance  Trajectory  Planning  and  Control  to  Teach  Advanced  Driving  Skills
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a188  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Ersal,  Tulga.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aRecent  advancements  in  autonomous  driving  technologies  have  showcased  remarkable  success  in  performing  routine  driving  tasks,  yet  human  drivers  remain  the  primary  operators  behind  the  wheel  and  bear  full  responsibility  for  vehicle  operations.  When  faced  with  safety-critical  situations  or  scenarios  demanding  advanced  driving  skills,  the  responsibility  predominantly  falls  on  human  operators,  whose  expertise  in  everyday  driving  often  does  not  translate  to  high-performance  or  complex  maneuvers.  To  address  this  critical  need,  this  dissertation  aims  to  develop  a  haptic  shared  control  framework  that  leverages  high-performance  trajectory  planning  and  control  to  teach  advanced  driving  skills  to  human  drivers.  For  such  a  framework  to  effectively  teach  advanced  skills,  the  autonomy  system  must  itself  possess  such  skills.  This  requires  of  a  real-time  planning  and  control  framework  that  integrates  key  vehicle  dynamics  and  operates  effectively  at  the  limits  of  Handling,  even  in  highly  dynamic  and  complex  scenarios.  However,  state-of-the-art  trajectory  planning  algorithms  face  significant  challenges,  including  scalability  limitations,  a  lack  of  generality  for  complex  scenarios,  and  an  over-reliance  on  predefined  paths,  all  of  which  hinder  their  practical  applicability  in  this  problem  domain.  On  the  other  hand,  while  literature  demonstrates  the  potential  of  haptic  shared  control  frameworks,  their  applications  have  been  limited  to  achieving  short-term  benefits  or  teaching  long-term  skills  in  relatively  simple  tasks.  This  dissertation  seeks  to  bridge  this  gap  by  developing  a  haptic  shared  control  framework  designed  to  teach  human  drivers  advanced  driving  skills  in  high-performance  scenarios.To  accomplish  the  overarching  objective,  this  dissertation  pursues  four  key  goals.  First,  it  addresses  the  limitations  of  current  vehicle  dynamics  models  used  in  optimization-based  control,  which  often  struggle  to  balance  model  fidelity,  computational  efficiency,  and  continuous  differentiability.  A  tailored  vehicle  model  is  developed  to  accurately  capture  the  key  dynamics  excited  near  the  limits  of  handling  while  remaining  well-suited  for  optimization  algorithms.  Second,  it  overcomes  the  scalability  challenges  and  restrictive  assumptions-such  as  constant-speed  operation-commonly  found  in  existing  drivable  tube  based  algorithms.  A  twice  continuously  differentiable  drivable  tube  constraint  is  formulated  to  represent  collision-free  regions  without  being  overly-conservative  to  shrink  the  vehicle's  operational  space.  Third,  a  unified  reference-free  trajectory  planning  and  control  algorithm  is  developed  that  integrates  the  proposed  vehicle  dynamics  model  and  collision  avoidance  formulation.  This  algorithm  is  enable  advanced  vehicle  planning  and  control  in  both  simulation  and  real-world  environments.  Finally,  the  autonomy  system  is  incorporated  into  a  haptic  shared  control  framework  aimed  at  training  human  drivers  in  advanced  driving  skills.  A  set  of  performance  metrics  and  a  structured  training  scheme  is  also  developed  to  evaluate  its  effectiveness.Therefore,  this  dissertation  makes  the  following  original  contributions:1.  Development  of  an  efficient  vehicle  dynamics  model  that  captures  critical  dynamics  under  extreme  conditions,  specifically  tailored  for  optimization-based  control  techniques.2.  Development  of  conservative  twice  continuous  differentiable  safety  constraints  using  envelopes  to  mathematically  describe  the  drivable  regions.3.  Development  of  a  single-level  real-time  scalable  trajectory  planning  and  control  algorithm  using  envelope-based  model  predictive  control.4.  Development  of  a  haptic  shared  control  framework  for  teaching  advanced  driving  skills  by  smoothly  transitioning  control  authority  based  on  human  performance.
■590    ▼aSchool  code:  0127.
■650  4▼aMechanical  engineering
■650  4▼aEngineering
■650  4▼aAutomotive  engineering
■650  4▼aRobotics
■653    ▼aAutonomous  racing
■653    ▼aNonlinear  model  predictive  control
■653    ▼aHigh  performance  driving
■653    ▼aHaptic  shared  control
■653    ▼aDriving  skills
■690    ▼a0548
■690    ▼a0537
■690    ▼a0540
■690    ▼a0771
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359949▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서