Mejorar el rendimiento del frenado de emergencia de los vehículos es crucial para la seguridad y fiabilidad vehicular. Hemos observado que el algoritmo de control predictivo basado en dinámica vehicular tradicional que se utiliza para producir la estrategia de frenado de emergencia no logra minimizar la distancia de frenado de emergencia. Para abordar este problema, este artículo empleó un enfoque basado en simulación para mejorar el rendimiento del frenado de emergencia a través de algoritmos basados en aprendizaje automático. Diseñamos un modelo de optimización de datos que optimiza las fuerzas longitudinales y las relaciones de deslizamiento de las cuatro ruedas basado en una red neuronal de retropropagación (BPNN) y un algoritmo de optimización de restricciones para reducir la distancia de frenado de emergencia. Además, se propone un generador basado en búsqueda de vecinos más cercanos Balltree para producir estrategias de frenado de emergencia superiores para fines en tiempo real. Los resultados experimentales demuestran que la estrategia de frenado de emergencia que optimizamos logra una mejora promedio del 13% en el rendimiento del frenado de emergencia en comparación con el algoritmo MPC tradicional. A diferencia de otros algoritmos basados en aprendizaje automático que tienen un retraso de más de 0.01 s, el generador propuesto tiene un tiempo de ejecución de 0.0008 s, cumpliendo con los requisitos de retraso en condiciones de frenado de emergencia.
Xu et al. (Vie,) estudiaron esta cuestión.