Escolar Documentos
Profissional Documentos
Cultura Documentos
AO DO MODELO DIN
ONOMO
Jullierme Emiliano Alves Dias
, Reinaldo
Martinez Palhares
G(s)
s
. (3)
Com a aplica c ao do ZOH, tanto a entrada
quanto a sada s ao amostrados simultaneamente
a cada intervalo de tempo xo T
a
. Por esta razao,
a sada permanece atrasada por pelo menos uma
amostra em rela c ao ` a entrada.
O desenvolvimento da Equa c ao (3), conside-
rando G(s) descrito na Equa c ao (2) resulta em:
G(z) =
V (z)
U(z)
=
+ z
1
1 + z
1
+ z
2
z
T
a
, (4)
sendo
T
a
N|
T
a
1
e cujos parametros , ,
e s ao dados, respectivamente, por:
= K
(BT M) + (e
BT
a
M 1)TB +M(e
T
a
T 1)
B(BT M)
,
= K
(BT M) e
BT
a
M TB e
T
a
T M
B(BT M)
,
= (e
T
a
T +e
BT
a
M ) e
= e
T
a
T
+
BT
a
M
.
A expressao encontrada para G(z) apresenta
par ametros desconhecidos e de difcil obten c ao
(K,T,B, M e ), uma vez que estes depende-
riam de ensaios individuais do motor, transmissao
e carroceria. Alem do mais, como mencionado an-
teriormente, e sabido que o carro possui uma di-
n amica n ao-linear e que estes par ametros podem
apresentar varia c oes de acordo com o ponto de
opera c ao. Neste trabalho, com o intuito de evitar
algumas destas diculdades, tecnicas de estima-
cao de parametros serao utilizadas para encontrar
os par ametros da estrutura determinada pela f-
sica do processo, caracterizando assim uma mo-
delagem caixa cinza. Esta etapa e mostrada na
pr oxima se c ao.
3 Estima cao de Parametros
A Equacao (4) representa um modelo discreto
para o sistema din amico na forma de fun c ao de
transferencia. Porem, para aplica c oes em identi-
ca c ao, existem algumas representa c oes matem ati-
cas que mostram ser mais adequadas. Neste traba-
lho optou-se por representar a Equacao (4) como
um modelo autoregressivo com entradas ex oge-
nas (ARX, do ingles, AutoRegressive with eXoge-
nous inputs). Uma representa c ao para um modelo
ARX e dada por
A(q)y(k) = B(q)u(k) + v(k) , (5)
sendo y(k) , u(k) e v(k), respectivamente, a sada,
a entrada e o rudo branco para um dado instante
de tempo k. A(q) e B(q) s ao polin omios do tipo
A(q) = 1 a
1
q
1
... a
n
y
q
n
y
,
B(q) = b
1
q
1
+ ... + b
n
u
q
n
u
,
onde q
1
e o operador de atraso. Os coecien-
tes a
1
, a
2
, ..., a
n
y
e b
1
, b
2
, ..., b
n
u
s ao os par ametros
relacionados aos atrasos da sada e entrada, res-
pectivamente.
As equa c oes (4) e (5) relacionam-se entre si
pelo fato de que o operador de atraso (q
1
) e ob-
tido diretamente da transformada unilateral Z da
resposta ao impulso do processo por q
1
= z
1
(Aguirre, 2007). Assim, e possvel transformar o
modelo da Equa c ao (4) diretamente em um mo-
delo ARX:
y(k) = a
1
y(k1) + a
2
y(k 2) + b
1
u(k
T
a
)
+ b
2
u(k
T
a
1) + e(k) , (6)
sendo a
1
= , a
2
= , b
1
= e b
2
= .
A estima c ao dos par ametros da Equa c ao (6)
e realizada pelo Metodo dos Mnimos Quadrados.
Para isso, o modelo deve ser expresso na forma
y(k) =
T
(k 1)
+ (k) , (7)
onde
T
(k 1) e o vetor de regressores de sada
e entrada tomadas ate o instante k 1 e
e o
vetor de par ametros estimados no instante k, cujos
elementos correspondem a cada regressor. (k)
representa o resduo de estimacao entre os dados
medido y(k) e estimado y(k).
Quando aplicado a uma massa de dados, a
Equacao (7) assume a seguinte forma matricial
Y =
T
+ , (8)
onde o vetor de par ametros
e obtido atraves da
da solu c ao mnima em norma:
MQ
=
T
Y . (9)
Os dados utilizados para a estima c ao de par a-
metros s ao adquiridos atraves de testes din amicos
com o veculo, como ser a visto na pr oxima se c ao.
4 Testes Dinamicos e Aquisicao de Dados
A qualidade dos par ametros estimados pelo pro-
cesso de identica c ao depende do grau de excita-
cao que o sistema dinamico foi submetido durante
a aquisi c ao de dados. Quanto maior persistencia
de excita c ao, mais con aveis os valores para os
quais os par ametros convergem. Diante deste fato,
464
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
s ao escolhidos como entrada dos testes din amicos
Sinais Bin arios Pseudo Aleat orios (PRBS, do in-
gles, Pseudo Random Binary Signals). Estes si-
nais podem ser gerados por meio da opera c ao OU-
Exclusivo, cujos parametros sao: n umero de bits
(n), nveis mnimo (V ) e m aximo (+V ) e tempo
mnimo de mudan ca de nvel (T
b
). O par ametro
T
b
e denido com o auxlio de uma resposta do sis-
tema ` a entrada degrau. Segundo (Aguirre, 2007),
bons resultados s ao obtidos quando T
b
e escolhido
com valores entre um decimo e um ter co da menor
constante de tempo do sistema (T
min
).
Em se tratando do sistema dinamico em es-
tudo neste artigo, aplicam-se sinais PRBS na en-
trada do sistema, que e o nvel de potencia forne-
cido ao motor (acelerador do veculo), e captura-
se como sada a velocidade registrada em m/s por
meio de encoders instalados nas rodas. Este pro-
cesso e realizado utilizando a rede de tempo real
do veculo (Arruda et al., 2011). Ao m dos tes-
tes, os dados s ao disponibilizados em arquivos con-
tendo a evolu c ao temporal da sada dos sensores
e as entradas dos atuadores.
Esses dados sao utilizados apenas na etapa de
estima c ao de par ametros. Para a valida c ao do mo-
delo, novos testes, similares ` a condi c ao de opera-
cao normal do veculo, sao realizados. A proxima
se c ao mostra alguns destes dados e os resultados
do processo de identica c ao.
5 Resultados Experimentais
Como descrito na se c ao anterior, para a gera c ao do
sinal PRBS e necess ario denir alguns par ametros.
Para denicao de T
b
, note pela resposta ao degrau
da Figura 3, que a menor constante de tempo est a
presente na faixa de desacelera c ao do veculo, onde
tanto o motor, quanto a carroceria atuam com
forcas contrarias ao movimento. Neste trecho, e
obtida pelo gr aco uma constante de tempo de
5, 5 s. Respeitando as recomenda c oes descritas na
Se c ao 4, foi escolhido T
b
sendo 1, 2 s (em torno de
um quinto da menor constante de tempo). Para o
n umero de bits da PRBS, foi escolhido um valor
que fosse suciente para se ter um longo perodo
(n = 12), sendo este superior ao tempo total de
teste. O nvel mnimo de potencia dada ao motor
(V ) foi a pr opria satura c ao mnima (32%) de-
nida no sistema de inje c ao eletr onica. J a para
o nvel maximo (+V ) foram denidos seis valo-
res percentuais distintos espacados dentro de uma
faixa de seguranca para testes praticos com o carro
(+V = 58, 66, 75, 83, 92 e 100 %), resultando em
seis PRBS diferentes. Os ensaios foram realizados
mantendo o carro em primeira marcha, n ao per-
mitindo as trocas pela transmiss ao autom atica. A
frequencia de amostragem foi de 10Hz, sendo pos-
teriormente decimada de forma a condizer com T
a
.
Como exemplo, na Figura 4 e mostrado um dos
seis testes realizados com PRBS.
0 10 20 30 40 50 60 70 80
0
20
40
60
80
(a)
N
v
e
l
d
e
p
o
t
n
c
i
a
d
o
m
o
t
o
r
(
%
)
0 10 20 30 40 50 60 70 80
0
2
4
6
8
10
12
(b)
V
e
l
o
c
i
d
a
d
e
(
m
/
s
)
Tempo (s)
Figura 3: Resposta `a entrada degrau. (a) En-
trada: nvel percentual de potencia do motor e (b)
Sada: velocidade em m/s medida pelos sensores
das rodas.
0 20 40 60 80 100 120 140
0
20
40
60
80
(a)
N
v
e
l
d
e
p
o
t
n
c
i
a
d
o
m
o
t
o
r
(
%
)
0 20 40 60 80 100 120 140
0
2
4
6
(b)
V
e
l
o
c
i
d
a
d
e
(
m
/
s
)
Tempo (s)
Figura 4: Ensaio com entrada PRBS. (a) Entrada:
nvel percentual de potencia do motor V =
32%(nvel de satura c ao mnima) e +V = 75%;
e (b) Sada: velocidade em m/s medida pelos sen-
sores das rodas.
De posse destes dados praticos, e possvel en-
contrar os valores das constantes e T
a
no mo-
delo G(z) (Equa c ao (4)). Observando o compor-
tamento da resposta ` a entrada degrau durante as
bordas de subida e descida do nvel de potencia do
motor (Figura 3), obtem-se um atraso de resposta
() de aproximadamente 0,5 segundos. Pode-se
denir o valor do perodo de amostragem (T
a
)
como sugerido em (Aguirre, 2007) sendo aproxi-
madamente entre cinco a dez vezes inferior ` a me-
nor constante de tempo de interesse. Como citado
anteriormente na obten c ao de T
b
, a menor cons-
tante de tempo observada no ensaio de resposta
`a entrada degrau foi de aproximadamente 5, 5 s.
Assim, o perodo de amostragem foi tomado como
T
a
= 0, 5 s.
Como relatado na Se c ao 3, e possvel encon-
trar um modelo ARX por meio de G(z). A fra c ao
465
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
presente na parcela de tempo morto (/T
a
) resulta
no atraso de uma amostra. Este modelo serve de
base para a estima c ao de par ametros pelo metodo
dos mnimos quadrados. Assim, reescrevendo a
Equacao (6) para v = y, tem-se
y(k) = a
1
y(k1) + a
2
y(k 2) + b
1
u(k 1)
+ b
2
u(k 2) + e(k). (10)
A m de estimar os par ametros a
1
, a
2
, b
1
e b
2
,
a Equa c ao (10) pode ser escrita na forma matricial
para utiliza c ao do metodo dos mnimos quadrados
(Equa c ao (9)). Assim,
MQ
=
a
1
a
2
b
1
b
2
,
=
,
Y =
y(3)
y(4)
.
.
.
y(N 1)
y(N)
,
onde N e o tamanho do vetor de amostras.
Na Tabela 1 s ao mostrados os valores dos pa-
rametros estimados para as seis respostas obtidas
com as PRBS de nveis m aximos (+V) diferen-
tes. A an alise dos resduos de estima c ao para os
seis nveis m aximos e ate 20 atrasos s ao mostra-
dos na Figura 5. Como pode ser observado, no
geral, os resduos mantiveram-se dentro dos limi-
tes de conan ca de 95%, validando a estima c ao.
Porem, alguns pontos levemente fora da regiao
de conan ca caracterizam uma breve polariza c ao
dos par ametros estimados, possivelmente explica-
dos pela aproxima c ao linear realizada para o con-
junto motor-transmissao.
b
1
(u) = c
2
b
1
u
2
+ c
1
b
1
u + c
0
b
1
b
2
(u) = c
2
b
2
u
2
+ c
1
b
2
u + c
0
b
2
, (11)
sendo c
m
a
n
e c
m
b
n
, com m = {0, 1, 2} e n = {1, 2},
estimados tambem utilizando o metodo dos m-
nimos quadrados. Os coecientes obtidos est ao
0 10 20
!1
!0.5
0
0.5
1
(f)
atraso
0 10 20
!1
!0.5
0
0.5
1
(e)
atraso
0 10 20
!1
!0.5
0
0.5
1
(d)
atraso
0 10 20
!1
!0.5
0
0.5
1
(c)
0 10 20
!1
!0.5
0
0.5
1
(b)
0 10 20
!1
!0.5
0
0.5
1
(a)
Figura 5: Analise do resduos de estimacao (ate 20
atrasos) dos nveis m aximos de potencia do motor
(+V): (a) 58%, (b) 66%, (c) 75%, (d) 83%, (e)
92% e (f) 100%.
apresentados na Tabela 2. A Figura 6 mostra as
funcoes resultantes das interpolacoes (11).
40 60 80 100
0.8
1
1.2
1.4
1.6
(a)
a
1
(
u
)
40 60 80 100
!0.4
!0.2
0
0.2
(b)
a
2
(
u
)
40 60 80 100
2
3
4
5
x 10
!3
(c)
u(%)
b
1
(
u
)
40 60 80 100
1
2
3
4
5
x 10
!3
(d)
u(%)
b
2
(
u
)
Figura 6: Funcoes resultantes da interpolacao
quadr atica dos par ametros estimados (a) a
1
(u),
(b) a
2
(u), (c)
b
1
(u) e (d)
b
2
(u). Para uma dada
entrada de nvel de potencia do motor, quatro va-
lores dos parametros sao determinados por inter-
pola c ao quadr atica.
Assim, por m, obtem-se um modelo ARX,
cujos par ametros dependem da entrada do sis-
tema. Na pr oxima se c ao e mostrado a valida c ao
deste modelo.
6 Valida cao do Modelo
A validacao do modelo obtido foi realizada por
meio de simula c oes e compara c ao com dados reais
diferentes dos empregados no processo de iden-
tica c ao. Ao contr ario dos ensaios para estima-
cao de parametros, os dados de validacao nao fo-
ram denidos como sinais PRBS. Neles, o nvel
de potencia do motor possui livre varia c ao, simu-
466
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
+V = 58% +V = 66% +V = 75% +V = 83% +V = 92% +V = 100%
a
1
0,82 1,14 1,31 1,37 1,41 1,45
a
2
0,10 -0,21 -0,37 -0,43 -0,46 -0,50
b
1
2, 21x10
3
2, 37x10
3
2, 59x10
3
3, 31x10
3
3, 86x10
3
3, 98x10
3
b
2
4, 27x10
3
3, 25x10
3
2, 83x10
3
2, 43x10
3
1, 59x10
3
1, 11x10
3
Tabela 1: Par ametros estimados ( a
1
, a
2
,
b
1
e
b
2
) pelo metodo dos mnimos quadrados para diferentes
nveis percentuais de potencia do motor (+V ).
c
m
a
n
c
m
b
n
H
H
H
H
H
m
n
1 2 1 2
0 2, 67 3, 56 1, 08x10
3
9, 62x10
3
1 88, 21x10
3
87, 64x10
3
1, 07x10
6
108, 04x10
6
2 472, 93x10
6
473, 01x10
6
292, 55x10
9
231, 56x10
9
Tabela 2: Tabela dos coecientes das equa c oes de interpola c ao estimados pelo metodo dos mnimos
quadrados.
lando uma situacao pratica de um motorista pres-
sionando o pedal do acelerador. Seis conjuntos de
dados entrada-sada foram coletados em datas e
hor arios diferentes dos sinais utilizados na etapa
de estima c ao de par ametros.
Dois tipos de validacao sao apresentados a se-
guir: o primeiro e de simula c ao livre, onde o sinal
de entrada do dado colhido e inserido no modelo
obtido na Se c ao 5 e, ao nal do processo, a sada
do modelo e comparada com a sada medida de
velocidade em m/s lida pelos sensores; o segundo
tipo de valida c ao e a predi c ao n passos ` a frente,
em que os dados de sada medida no instante atual
s ao utilizados para estimar os valores de sada no
futuro, n amostras ` a frente.
Figura 7: Diagrama do processo de validacao para
a simulacao livre. Dados de entrada medidos sao
utilizados para denir os par ametros a
1
, a
2
,
b
1
e
b
2
, que compoem o modelo ARX obtido para o
CADU. A sada estimada e representada por y.
O diagrama da Figura 7 ilustra o processo de
valida c ao para a simula c ao livre. Os dados de en-
trada obtidos atraves dos ensaios de valida c ao s ao
utilizados para estabelecer os par ametros a
1
, a
2
,
b
1
e
b
2
, bem como para estimar os valores de sada
( y) atraves do modelo ARX.
As guras 8 e 9 apresentam a valida c ao do
modelo para dois conjuntos de dados medidos,
0 20 40 60 80 100 120 140 160
40
60
80
(a)
Amostras
N
v
e
l
d
e
p
o
t
n
c
i
a
d
o
m
o
t
o
r
(
%
)
0 20 40 60 80 100 120 140 160
0
5
10
15
(b)
V
e
l
o
c
i
d
a
d
e
(
m
/
s
)
Dados medidos
Simulao livre
Predio 5 passos frente
Figura 8: Primeira Validacao. (a) Entrada: n-
vel percentual de potencia do motor manualmente
denida; e (b) Sada: dados de velocidade (m/s)
medidos, simulados livremente e predi c ao 5 passos
`a frente com a utilizacao do modelo.
utilizando simula c ao livre e predi c ao cinco passos
`a frente. Como pode ser visto, a sada do mo-
delo apresentou um comportamento semelhante ` a
sada real medida para as duas formas de valida-
cao. A raiz do erro quadratico medio (RMSE, do
ingles, Root Mean Square Error) para as duas si-
mula c oes livres foram de, respectivamente, 0,884
e 0,687 m/s. J a para as predi c oes cinco passos ` a
frente foram, respectivamente, 0,360 e 0,312 m/s.
A Figura 10 mostra o comportamento do erro
(RMSE) pela varia c ao do n umero de passos de
predi c ao para os dois conjuntos de dados utiliza-
dos na valida c ao. Com o aumento dos passos, o
erro de predi c ao tende a aproximar-se do erro da
simula c ao livre.
Um ajuste de ganho de 35% nos par ametros
dos regressores de entrada (
b
1
e
b
2
) fez-se neces-
s ario na etapa de valida c ao para que as sadas do
modelo correspondessem ` as curvas de dados medi-
467
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
0 20 40 60 80 100 120 140 160 180
40
60
80
100
(a)
Amostras
N
v
e
l
d
e
p
o
t
n
c
i
a
d
o
m
o
t
o
r
(
%
)
0 20 40 60 80 100 120 140 160 180
0
5
10
15
(b)
V
e
l
o
c
i
d
a
d
e
(
m
/
s
)
Dados medidos
Simulao livre
Predio 5 passos frente
Figura 9: Segunda Validacao. (a) Entrada: n-
vel percentual de potencia do motor manualmente
denida; e (b) Sada: dados de velocidade (m/s)
medidos, simulados livremente e predi c ao 5 passos
`a frente com a utilizacao do modelo.
dos. A raz ao para esse ajuste pode ser explicada
pela leve polariza c ao dos par ametros estimados,
como sugerido pela Figura 5. Essa ligeira polari-
za c ao pode indicar que a estrutura denida na Se-
cao 2 nao correspondente exatamente ao sistema
em estudo. Isso, de certa forma, j a era esperado,
uma vez que o modelo e uma das aproxima c oes
lineares possveis para o carro, que e um sistema
n ao-linear. Como visto nas guras 8 e 9, o ajuste
manual foi uma boa solu c ao, devido ao baixo nvel
de polariza c ao de estima c ao. Outra solu c ao seria
a utilizacao de um modelo que tratasse o rudo
(e n ao apenas o considerasse como branco), tal
como o autoregressivo com media m ovel e entra-
das ex ogenas (ARMAX, do ingles, AutoRegressive
Moving Average with eXogenous inputs) combi-
nado com um Estimador Estendido de Mnimos
Quadrados (Aguirre, 2007).
0 5 10 15 20
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Passos frente
R
M
S
E
(
m
/
s
)
Primeira Validao
Segunda Validao
Figura 10: RMSE em funcao do n umero de passos
de predi c ao para os conjuntos de valida c ao apre-
sentados nas guras 8 e 9. Ao aumentar o n umero
de passos de predi c ao, o valor do erro de predi c ao
aproxima-se do erro da simula c ao livre.
7 Conclus oes
Nesse trabalho foi obtido um modelo da din amica
longitudinal do Carro Autonomo Desenvolvido na
UFMG. Para isso, equa c oes fsicas foram utiliza-
das para denir uma estrutura linear, cujos pa-
rametros foram determinados por uma etapa de
identicacao estocastica baseado em dados, carac-
terizando assim, em uma modelagem do tipo caixa
cinza.
Uma grande diculdade do processo de iden-
tica c ao foi a n ao-linearidade inerente ao motor ` a
combust ao e aos sistemas de transmiss ao do ve-
culo. Para superar esta diculdade, neste traba-
lho foram realizados ensaios em diversos pontos de
opera c ao do motor. Para cada um destes pontos
de opera c ao foi determinado um modelo linear, e a
composi c ao destes modelos gerou um modelo ge-
ral para o carro. Como a estrutura de todos os
modelos foi considerada a mesma, os par ametros
do modelo geral foram determinados pela inter-
pola c ao dos par ametros dos modelos encontrados
para cada ponto de opera c ao.
A validacao foi feita por meio de dados dis-
tintos aos da etapa de estima c ao de par ametros,
atraves de simula c oes livres e predi c oes de cinco
passos ` a frente. Valores de RMSE inferiores a
0,9 m/s foram obtidos, dando bom indcio de que
modelo obtido tem a capacidade de representar a
din amica longitudinal do CADU.
Futuramente, espera-se que as trocas de mar-
chas sejam consideradas no modelo assim como a
aplica c ao dos freios. A partir da, o modelo ser a
utilizado para o projeto de um controlador com ca-
ractersticas a serem denidas. Este controlador
ira compor o sistema embarcado do carro auto-
nomo utilizando a rede de tempo real para leitura
e atua c ao.
Agradecimentos
O presente trabalho e nanciado pela FAPEMIG
e foi realizado com o apoio nanceiro da CAPES -
Brasil. Jullierme Dias, Guilherme Pereira e Rei-
naldo Palhares s ao bolsistas do CNPq. Os autores
agradecem ao colega Tiago A. Arruda pela ajuda
com experimentos.
Referencias
Aguirre, L. A. (2007). Introdu c ao ` a Identica-
cao de Sistemas: Tecnicas Lineares e Nao-
Lineares Aplicadas a Sistemas Reais, 3
a
edi-
cao, Editora UFMG, Belo Horizonte - MG.
Arruda, T. A. (2012). Arquitetura de hardware
e software para supervisao e controle de um
carro autonomo, Masters thesis, Universi-
dade Federal de Minas Gerais. Disponvel em
http://www.ppgee.ufmg.br.
468
Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.
ISBN: 978-85-8001-069-5
Arruda, T. A., Campedelli, E. R. e Pereira, G.
A. S. (2011). Desenvolvimento de uma rede
modbus para o controle de um veculo aut o-
nomo, X SBAI - Simp osio Brasileiro de Au-
tomacao Inteligente 10: 11791184.
Cai, L., Rad, A. e Chan, W.-L. (2010). An intel-
ligent longitudinal controller for application
in semiautonomous vehicles, IEEE Transac-
tions on Industrial Electronics 57(4): 1487
1497.
Chiang, H.-H., Ma, L.-S., Perng, J.-W., Wu, B.-F.
e Lee, T.-T. (2006). Longitudinal and late-
ral fuzzy control systems design for intelligent
vehicles, Proceedings of the 2006 IEEE Inter-
national Conference on Networking, Sensing
and Control (ICNSC), pp. 544549.
Girard, A., Spry, S. e Hedrick, J. (2005). Intel-
ligent cruise control applications: real-time
embedded hybrid control software, IEEE Ro-
botics Automation Magazine 12(1): 2228.
Khodayari, A., Ghaari, A., Ameli, S. e Flahat-
gar, J. (2010). A historical review on lateral
and longitudinal control of autonomous vehi-
cle motions, 2nd International Conference on
Mechanical and Electrical Technology (IC-
MET), pp. 421429.
Liang, H., Chong, K. T., No, T. S. e Yi, S.-
Y. (2003). Vehicle longitudinal brake con-
trol using variable parameter sliding control,
Control Engineering Practice 11(4): 403411.
Osman, K., Rahmat, M. e Ahmad, M. (2009). Mo-
delling and controller design for a cruise con-
trol system, 5th International Colloquium on
Signal Processing Its Applications (CSPA),
pp. 254258.
Seetharaman, G., Lakhotia, A. e Blasch, E.
(2006). Unmanned vehicles come of age: The
darpa grand challenge, Computer 39(12): 26
29.
Thrun, S., Montemerlo, M., Dahlkamp, H., Sta-
vens, D., Aron, A., Diebel, J., Fong, P.,
Gale, J., Halpenny, M., Homann, G., Lau,
K., Oakley, C., Palatucci, M., Pratt, V.,
Stang, P., Strohband, S., Dupont, C., Jen-
drossek, L.-E., Koelen, C., Markey, C., Rum-
mel, C., van Niekerk, J., Jensen, E., Ales-
sandrini, P., Bradski, G., Davies, B., Ettin-
ger, S., Kaehler, A., Nean, A. e Mahoney,
P. (2006). Stanley: The robot that won the
darpa grand challenge, Journal of Field Ro-
botics 23(9): 661692.
Urmson, C., Baker , C. R., Dolan, J. M., Rybski,
P., Salesky, B., Whittaker, W. R. L., Fergu-
son, D. e Darms, M. (2009). Autonomous
driving in trac: Boss and the urban chal-
lenge, AI Magazine 30(2): 1729.
Yang, J. e Zheng, N. (2007). An expert fuzzy con-
troller for vehicle lateral control, 33rd Annual
Conference of the IEEE on Industrial Elec-
tronics Society (IECON), pp. 880885.