펠러톤
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
1. 개요
펠러톤은 두 명 이상의 사이클 선수가 근접하여 주행하는 그룹을 의미한다. 선수들은 서로 가까이 붙어 공기 저항을 줄이는 드래프팅 효과를 얻으며, 이는 사이클 선수들의 상호 작용을 통해 집단적인 행동을 만들어내는 복잡한 시스템이다. 펠러톤의 형태는 지형, 바람의 방향, 남은 경기 시간 등 다양한 요인에 따라 변화하며, 펠러톤의 주행은 철새가 V자 형태로 날아가는 모습과 유사하다.
펠로톤의 형성 및 행동을 분석하기 위해 다양한 모델이 제시되었다. 올즈(Olds) 모델은 펠로톤의 선두 그룹과 추격 그룹의 속도, 인원, 거리, 바람 등을 고려하여 결승선 도달 가능성을 예측하고, 회니그만(Hoenigman) 모델은 에이전트 기반 시뮬레이션을 통해 협력과 이탈 행동을 분석한다. 에릭 라타메로(Erick Ratamero)는 플로킹 모델을 적용하여 펠로톤의 정렬, 분리, 응집 역학을 시뮬레이션했으며, 트렌차드(Trenchard)는 사이클리스트 간의 에너지 관계를 다르게 모델링하여 펠로톤의 행동을 분석했다. 또한, 펠로톤의 행동은 에너지 절약 메커니즘과 관련된 원시 협력 행동으로 설명될 수 있으며, 펠로톤 내에서의 위치는 경기 결과에 큰 영향을 미치므로 선수들은 전략적으로 위치를 선정하고 팀 플레이를 수행한다.
더 읽어볼만한 페이지
| 펠러톤 | |
|---|---|
| 펠러톤 (platoon) | |
| 어원 | 프랑스어 platoon |
| 의미 | 소대, 무리 |
| 설명 | 자전거를 타는 사람들의 주 그룹 |
| 참고 문헌 | Blocken, Bert (2018-06-30). “Aerodynamic drag in cycling pelotons: New insights by CFD simulation and wind tunnel testing”. Journal of Wind Engineering and Industrial Aerodynamics. 179: 1. doi:10.1016/j.jweia.2018.06.011.] |
| 관련 항목 | 펠러톤 (운동기구 회사) |
| 언어 정보 | 프랑스어 Peloton |
2. 정의
철새가 V자 형태로 날아가면서 한 마리는 맨 앞서가고 나머지는 뒤따라 양옆으로 열을 지어 가는 모습과 같이, 펠러톤 주행 법에서 각 선수는 주변(특히 바로 앞) 선수의 움직임에 세심하게 반응하며 조절한다.
펠로톤 주행 법은 철새가 V자 형태로 날아가는 모습과 비슷한데, 각 선수는 주변, 특히 바로 앞 선수의 움직임에 세심하게 반응하며 조절한다.[2]
펠로톤의 움직임과 효율성을 분석하기 위해 다양한 수학적, 계산적 모델이 개발되었다.
앞서가는 선수는 바람 저항을 많이 받기 때문에 어느 정도 시간이 지나면 뒤로 물러나고, 그다음 선수가 선두를 이어받는 식으로 서로 나누어 달린다. 펠러톤 모양은 여러 조건에 따라 바꾸는데, 바람이 앞뒤 측면에서 불어오는 모양에 따라 흩어지기도 하고 모이기도 하는 등 도로 폭과 오르막과 내리막, 경사도, 남은 경기 시간, 상대 팀의 추월 가능성 등에 따라 다양한 형태를 만든다.
펠러톤은 "두 명 이상의 사이클 선수가 충분히 가까운 거리에서 주행하여 다음 두 가지 기본 위치 중 하나에 위치하는 것"으로 정의된다. (1) '드래프팅'이라고 불리는 감압 구역에서 사이클 선수 뒤에 있거나, (2) 기압이 가장 높은 비드래프팅 위치에 있는 경우이다. 드래프팅 구역의 사이클 선수는 앞쪽 위치보다 적은 에너지를 소비한다.[2] 펠러톤은 이와 유사하게 "드래프팅을 통해 함께 연결된 사이클 선수 그룹으로, 사이클 선수들이 공기 저항이 줄어드는 구역에서 다른 선수들을 따라가는 것"으로 정의되기도 한다.[3] 펠러톤은 복잡한 시스템으로, 이는 사이클 선수들의 상호 작용에 대한 단순한 규칙에서 집단적인 행동이 나타난다는 것을 의미한다.[3]
3. 어원
4. 형성 및 기법
앞서가는 선수는 바람 저항을 많이 받기 때문에 어느 정도 시간이 지나면 뒤로 물러나고, 그 다음 선수가 선두를 이어받는 식으로 서로 나누어 달린다. 펠로톤 모양은 도로 폭과 오르막과 내리막, 경사도, 남은 경기 시간, 상대 팀의 추월 가능성 등 여러 조건에 따라 바뀐다.[6] 바람이 앞, 뒤, 측면에서 불어오는 모양에 따라서도 흩어지기도 하고 모이기도 한다.
펠로톤은 각 라이더가 인접한 라이더와 앞선 라이더의 움직임에 따라 위치를 조정하는 통합된 단위로 이동한다. 앞에 있는 라이더는 바람의 저항에 완전히 노출되므로 드래프팅 위치에 있는 라이더보다 더 높은 피로 부하를 경험한다. 선두 라이더는 일정 시간 동안 선두를 유지한 후 펠로톤 뒤쪽으로 이동하여 드래프팅 위치에서 회복한다. 따라서 펠로톤은 뒤쪽에서 선두로 밀어낸 다음 물러서는, 지속적인 라이더 회전으로 유동적인 움직임을 보인다.[7]
펠로톤의 형태는 여러 요인에 따라 달라진다. 평탄한 지형에서 고속으로 인한 비교적 높은 출력, 강한 맞바람 또는 오르막(언덕)은 대형을 분산시키거나 늘리는 경향이 있으며, 종종 일렬로 늘어선다. 사이클리스트의 출력이 낮은 느린 속도 또는 빠른 순풍은 라이더가 나란히 주행하여 종종 도로를 한쪽에서 다른 쪽으로 채울 정도로 콤팩트한 대형을 만든다. 두 개 이상의 라이더 그룹이 펠로톤의 통제권을 다투어야 할 이유가 있는 경우 여러 줄이 형성되어 서로에게 소모적인 피로를 가하려 할 수 있다. 피로는 모든 경주의 결과에 결정적인 요인이다. 사이클리스트의 주변 시야 범위는 펠로톤 형성에 중요한 요인이다.[11]
5. 모델 및 시뮬레이션
올즈(Olds) 모델올즈는 펠로톤 선두 그룹과 추격 그룹 간의 경쟁을 분석하여, 경주에 남은 거리, 각 그룹의 속도와 라이더 수, 드래프팅 거리, 코스 경사 및 거칠기, 정면 및 측면 강풍 등의 요소를 고려했다.[22] 또한, 라이더의 대사 에너지 생산 및 탈진 시간과 같은 생리적 변수를 도입하여 각 그룹의 평균 파워와 상대적인 탈진 시간을 결정하는 알고리즘을 제시했다.[22]
올즈의 연구 결과에 따르면, 그룹 평균 속도는 라이더가 5~6명일 때까지는 그룹 크기에 따라 빠르게 증가하지만, 약 20명까지는 완만하게 증가하며, 휠 간격은 드래프팅 이점 때문에 그룹 속도를 결정하는 중요한 요인이다. 평균 속도는 남은 거리에 따라 감소한다.[22]
회니그만(Hoenigman) 모델회니그만은 에이전트 기반 컴퓨터 모델을 사용하여 펠로톤 사이클리스트 사이에서 다양한 최대 출력, 개별 및 팀 협력 속성을 할당했다.[23] 이 모델은 비드래프팅 및 드래프팅 위치에 대한 출력 방정식, 무산소 역치, 시간-고갈 매개변수를 도입했으며, 이탈하는 라이더가 브레이크어웨이를 하거나 앞선 그룹을 따라잡기 위해 속도를 더 높은 역치까지 증가시키는 "브레이크어웨이" 상태를 도입했다.
회니그만의 실험 결과, 더 약한 라이더가 이탈하는 것이 더 유리하며, 협력은 더 강한 라이더에게 좋은 전략임을 보여주었다.
에릭 라타메로(Erick Ratamero) 시뮬레이션
에릭 라타메로는 윌렌스키(Wilenski)의 에이전트 기반 플로킹(Flocking) 모델을 적용하여 정렬, 분리, 응집이라는 세 가지 주요 역학적 매개변수를 통합했다.[25][26] 이 모델은 크레이그 레이놀즈(Craig Reynolds)의 플로킹 모델에서 파생되었으며, 속도 일치, 충돌 회피 및 무리 중심화로 설명된다.[27]
라타메로는 사이클리스트의 에너지 매개변수를 도입하여 올즈(Olds)의 사이클리스트 에너지 소비량 방정식[29], 회니그만(Hoenigman)의 사이클리스트 퍼포먼스 결과[24], 그리고 카일(Kyle)의 드래프팅 방정식을 채택했다. 또한 회니그만에서 파생된 젖산 역치를 시뮬레이션하기 위해 에너지 역치량을 도입했다.[31]
라타메로의 모델은 사이클리스트가 잘 정돈된 대열에 참여함으로써 에너지를 더욱 효율적으로 소비하는 경향이 있음을 보여준다.
트렌차드(Trenchard) 모델트렌차드는 에이전트 기반 펠로톤 시뮬레이션에서 라타메로의 동적 모델을 적용했지만, 사이클리스트-에이전트 간의 에너지 관계를 다르게 모델링했다. 라타메로는 모든 사이클리스트에게 일정한 최대 지속 가능 출력을 적용하고 드래프팅 위치에 따라 에너지를 차등적으로 손실시킨 반면, 트렌차드는 펠로톤 속도를 설정하는 선두 라이더의 최대 용량 비율에 따라 위치가 결정되는 각 사이클리스트-에이전트에 대해 서로 다른 최대 지속 가능 용량을 도입했다.
트렌차드는 벨로드롬(트랙) 경주에 참여한 14명의 사이클리스트에 대한 실제 MSO 세트를 사용하여 모델을 검증했다. 시뮬레이션 테스트는 위상 진동 및 사이클리스트의 상대적 위치 측면에서 실제 경주와 유사한 결과를 생성했다.[33]
5. 1. 올즈(Olds) 모델
올즈는 펠로톤 선두 그룹과 추격 그룹 간의 경쟁을 분석했다. 그는 선두 그룹이 추격 그룹보다 먼저 결승선에 도달할 가능성을 결정하는 요소를 식별했는데, 여기에는 경주에 남은 거리, 각 그룹의 속도와 라이더 수, 드래프팅 거리, 코스 경사 및 거칠기, 정면 및 측면 강풍(이를 "요구" 요인이라 함)이 포함된다. 올즈는 라이더의 대사 에너지 생산 및 탈진 시간("공급" 요인)과 같은 생리적 변수를 도입하여 각 그룹의 평균 파워와 상대적인 탈진 시간을 결정하고, 이를 통해 추격 그룹이 선두 그룹을 따라잡을 수 있을지 여부를 판단하는 반복 알고리즘을 제시했다.[22]
올즈의 연구 결과에 따르면, 그룹 평균 속도는 5~6명의 라이더까지는 그룹 크기에 따라 빠르게 증가하지만, 약 20명까지는 완만하게 증가한다. 휠 간격은 드래프팅 이점 때문에 그룹 속도를 결정하는 중요한 요인이다. 평균 속도는 남은 거리에 따라 감소한다. 선두 그룹에 필요한 리드 타임은 선두 그룹의 인원이 약 10명까지 증가함에 따라 빠르게 감소하지만, 선두 그룹과 추격 그룹의 라이더 수가 비슷해지면 평탄해진다. 또한, 올즈는 추격 그룹의 크기가 선두 그룹보다 작고, 추격자 간 휠 간격이 3m보다 크며, 다른 요인이 일정하게 유지된다면 추격 그룹은 선두 그룹을 따라잡지 못할 것이라고 관찰했다.[22]
5. 2. 회니그만(Hoenigman) 모델
에이전트 기반 컴퓨터 모델은 프로그래밍된 행동 규칙에 따라 상호 작용하는, 할당된 속성을 가진 다수의 독립적인 "에이전트"를 허용한다. 이러한 방식으로, 시뮬레이션된 전체적인 행동이 나타나며, 그 특성을 연구하고 실제 시스템과 비교할 수 있다.[23] Hoenigman 외 연구진은 자전거 에이전트에게 펠러톤 사이클리스트 사이에서 다양한 최대 출력, 그리고 에이전트가 가장 비용이 많이 드는 선두 위치를 공유하거나, 펠러톤 내에서 비용이 적게 드는 드래프팅 위치를 찾는 방식으로 이탈하는 개별 및 팀 협력 속성을 할당했다. 이러한 행동은 확률에 따라 결정된다. Hoenigman 외 연구진은 문헌에서 비드래프팅 및 드래프팅 위치에 대한 출력 방정식을 도입했고, 드래프팅 없이 혼자 주행할 때 사이클리스트의 최대 출력의 백분율로 나타나는 대략적인 무산소 역치, 그리고 시간-고갈 매개변수를 도입했다. 또한, 연구진은 이탈하는 라이더가 브레이크어웨이를 하거나 앞선 그룹을 따라잡기 위해 속도를 더 높은 역치까지 증가시키는 "브레이크어웨이" 상태를 도입했다.
연구진은 10명의 라이더로 구성된 15개 팀이 참가하는 시뮬레이션된 160km 평지 도로 경주에서 위에 언급된 매개변수를 변경하여 실험을 수행했다. 협력자(가장 비용이 많이 드는 선두 위치를 기꺼이 차지하는 자)는 5분 동안 선두에서 주행한 후 팩의 뒤쪽으로 이동한다. 이탈자는 선두에서 1분만 주행한다. 경주가 끝으로 다가감에 따라, 각 에이전트는 남은 에너지를 기준으로 최대 출력의 100%까지 출력을 점진적으로 증가시키는 방향으로 전략을 변경한다. 모델의 결과는 더 약한 라이더가 이탈하는 것이 더 유리하며, 협력은 더 강한 라이더에게 좋은 전략임을 보여준다. 이 결과는 실제 경쟁 사이클링과 비교했을 때 현실적이며, 시스템(이 경우, 펠러톤) 행동의 근본 원리를 정확하게 식별하고 분석하는 데 도움이 되는 이러한 종류의 에이전트 기반 모델의 효과를 보여준다.
5. 3. 에릭 라타메로(Erick Ratamero) 시뮬레이션
에릭 라테메로(Erick Ratamero)[25]는 2013년 에이전트 기반 펠로톤 시뮬레이션에서 정렬, 분리, 응집이라는 세 가지 주요 역학적 매개변수를 통합한 윌렌스키(Wilenski)의 에이전트 기반 플로킹(Flocking) 모델을 적용했다.[26] 윌렌스키의 모델은 크레이그 레이놀즈(Craig Reynolds)의 플로킹 모델에서 파생되었으며, 이는 속도 일치, 충돌 회피 및 무리 중심화로 설명된다.[27]
라타메로는 사이야마(Sayama)의 알고리즘을 적용하여 응집력과 분리력을 조절, 정의된 시야 내에서 에이전트의 상대적 간격에 따라 에이전트의 가속도를 조정했다.[28] 라타메로는 사이클리스트의 에너지 매개변수를 도입하여 올즈(Olds)의 사이클리스트 에너지 소비량에 대한 방정식[29], 회니그만(Hoenigman)의 사이클리스트 퍼포먼스 결과[24], 그리고 카일(Kyle)의 드래프팅 방정식을 채택했다. 또한 회니그만에서 파생된 젖산 역치를 시뮬레이션하기 위해 에너지 역치량을 도입했는데,[31] 이 수준 이상으로 에너지를 소비하는 사이클리스트 에이전트는 피로해져 결국 시뮬레이션된 펠로톤 내에서 뒤로 물러나게 된다. 따라서 사이클리스트 에이전트는 위치 및 드래프팅 위치와의 근접성에 따라 펠로톤 내에서 에너지를 차등적으로 소비한다.
라타메로의 모델은 사이클리스트가 잘 정돈된 대열에 참여함으로써 에너지를 더욱 효율적으로 소비하는 경향이 있음을 보여준다. 비록 사이클리스트가 최적의 드래프팅 위치에서 지속적으로 위치를 조정해야 하는 펠로톤 내부의 일부 사이클리스트보다 앞에서 비드래프팅 위치에서 더 많은 시간을 보낼 수 있지만, 사이클리스트는 앞쪽으로 나아간다. 라타메로의 모델은 트렌차드(Trenchard)가 펠로톤 행동의 한 단계로 묘사한 자체 조직 대류와 같은 행동을 나타낸다.[32]
5. 4. 트렌차드(Trenchard) 모델
Trenchard et al.은 2015년 에이전트 기반 펠로톤 시뮬레이션에서 Ratamero의 동적 모델을 적용했지만, 사이클리스트-에이전트 간의 에너지 관계를 다르게 모델링했다. Ratamero는 모든 사이클리스트에게 일정한 최대 지속 가능 출력을 적용하고 드래프팅 위치에 따라 에너지를 차등적으로 손실시킨 반면, Trenchard et al.은 펠로톤 속도를 설정하는 선두 라이더의 최대 용량 비율에 따라 위치가 결정되는 각 사이클리스트-에이전트에 대해 서로 다른 최대 지속 가능 용량을 도입했다. 이를 위해 다음 방정식을 적용했다:[33]
:PCR = [Pfront - [Pfront ⋅ (1 - d)]] / MSOfollow
여기서 PCR은 "펠로톤 수렴 비율"로, 드래프팅을 하지 않는 선두 라이더가 페이스를 설정하고, 후미 라이더는 선두 라이더와 동일한 속도로 전력 출력을 줄이는 드래프팅 이점을 얻는 두 라이더 간의 관계를 나타낸다. 이 관계는 여러 라이더의 상호 작용으로 일반화된다.[33]
Pfront가 후미 라이더의 MSO를 초과하면, 후미 라이더는 선두 라이더의 속도를 유지할 수 없으며, MSO 제한 속도보다 작거나 같은 속도로 감속해야 한다. 드래프팅 사이클리스트는 MSO 이하로 작동할 수 있다. 사이클리스트가 드래프팅 중 MSO 상태에 있지만, 라이더가 너무 뒤쳐지거나 최적 위치에서 벗어나는 등의 조건 변화가 생기면 후미 라이더는 감속해야 한다. 드래프팅 중 MSO 이하이지만 일시적으로 드래프팅 범위에서 벗어난 경우, MSO를 초과하지 않는 한 리더의 페이스를 유지하기 위해 전력 출력을 증가시킬 수 있다. 이 알고리즘은 경주 코스 전체에서 속도가 변함에 따라 펠로톤이 압축되거나 늘어지는 현실적인 진동 위상 행동을 생성한다. Trenchard et al.은 벨로드롬(트랙) 경주에 참여한 14명의 사이클리스트에 대한 실제 MSO 세트를 사용하여 모델을 검증했다. 시뮬레이션 테스트는 위상 진동 및 사이클리스트의 상대적 위치 측면에서 실제 경주와 유사한 결과를 생성했다.[33]
6. 원시 협력 행동 (Protocooperative Behavior)
Trenchard et al.은 펠로톤 내에서 '원시 협력'이라는 현상이 나타난다고 보았다. 이는 경쟁, 사회, 경제적 동기가 아닌 물리적 상호작용 원리에 의해 자연스럽게 발생하는 협력 형태이다.[14]
원시 협력은 다음의 요소에 의해 결정된다.[14]
- 드래프팅 이점
- 선수들의 출력 및 속도
- 선수들의 최대 지속 가능 출력(MSO)
원시 협력 행동은 두 가지 주요 단계를 가진다.[14]
1. 저속 단계: 선수들이 자연스럽게 서로를 추월하며, 가장 힘든 선두 위치를 공유한다.
2. 고속 단계 (프리라이딩): 선수들이 앞 사람의 속도는 유지할 수 있지만, 추월은 불가능하다.
이 두 단계 사이의 임계값은 드래프팅 계수(d)와 같다. 드래프팅 계수(d) 값 아래에서는 협력 행동이, 위에서는 프리라이딩(단일 파일)이 발생한다. PCR 방정식을 적용하면, 프리라이딩 단계에서 사이클리스트의 MSO 범위는 드래프팅의 에너지 절약 이점(1-d)과 동일하다. 최대 속도에서는 펠로톤이 MSO 범위가 프리라이딩 범위(1-d)와 같은 하위 그룹으로 분류되는 경향이 있다.[14]
Trenchard는 다음과 같은 원리를 제시했다:[34]
# 약한 선수들은 프리라이더로서 PCR = d와 PCR = 1 사이(d < PCR < 1)에서 가장 강한 선수의 속도를 유지할 수 있다. 이 범위에서 에너지 절감(1-d)과 동일하며, 추월은 불가능하고 가장 힘든 선두 위치를 공유한다. 강한 선수는 항상 앞의 약한 선수를 추월할 수 있다.
# 최대 속도까지 속도가 증가하면, 드래프팅으로 절약되는 에너지와 동일한 PCR 범위(1-d) 미만의 MSO를 가진 선수들은 펠로톤에서 분리된다(PCR ≥ 1).
# 선수들은 PCR ≤ d인 속도에서 MSO 조합으로 협력적 행동(추월 및 가장 힘든 선두 위치 공유)을 할 수 있다.
# 이러한 원리는 펠로톤의 선수들이 드래프팅의 에너지 절약과 동등한 범위(1-d)보다 큰 MSO 범위를 보이면, 시간이 지남에 따라, 그리고 펠로톤 속도의 지속적인 변동에 따라 펠로톤이 1-d와 동등한 범위 내에 하위 그룹이 들어맞도록 분할될 것임을 시사한다.
Trenchard는 이러한 분류 행동이 에너지 절약 메커니즘으로 연결된 생물학적 시스템에서 보편적인 진화 원리라고 보았으며, 멸종된 삼엽충과 점균류에서도 유사한 현상을 발견했다.[8][35]
7. 전략
펠로톤 내에서의 위치 선정은 경기 결과에 큰 영향을 미친다. 선수들은 다음과 같은 이유로 전략적으로 위치를 선정한다.
- 선두 부근:
- 경쟁자들의 공격에 적은 노력으로 대응할 수 있다.
- 펠로톤에 틈이 생기는 것에 대응할 수 있다.
- 사고 발생 시 후미 그룹에 갇힐 위험을 줄일 수 있다.
- 충돌에 연루되어 지연될 가능성이 적다.
- 후미:
- 충돌에 연루되어 지연되거나 부상을 입을 위험이 증가한다.
- 속도 변화가 증폭되는 아코디언 효과의 영향을 받는다.
- 펠로톤이 속도를 늦출 때 충돌을 피하기 위해 미리 예측하고 브레이크를 밟아야 한다.
강한 횡풍이 불 때는 에셜론 대형을 형성하여 바람의 저항을 분산시킨다. 에셜론의 크기는 도로의 너비에 따라 제한되며, 큰 펠로톤이 좁은 도로에서 강한 횡풍을 만나면 여러 개의 작은 에셜론으로 나뉠 수밖에 없다.
급커브 이후 속도를 다시 높일 때 펠로톤이 분열될 수 있으므로, 선두 부근에 위치하는 것이 유리하다. 분열이 발생하면, 선두 그룹과 후미 그룹 간의 간격은 경주가 끝날 때까지 유지되거나 증가할 수 있다.
팀은 펠로톤 내에서 팀원들을 뭉쳐서 다음과 같은 전략을 수행한다.
- 경주 템포 조절: 팀 전술에 따라 빠른 템포나 느린 템포를 선호할 수 있다.
- 브레이크어웨이 시도 또는 견제:
- 팀원이 브레이크어웨이 그룹에 있다면, 나머지 팀원들은 펠로톤 가속을 시도하지 않는다.
- 드물게, 펠로톤의 진전을 적극적으로 저지하기도 한다. (좁은 도로, 급커브 등에서 효과적)
- 스프린트 결승에서 팀원들은 협력하여 스프린터를 위한 리드아웃을 수행한다.
- 각 팀의 선두 선수는 최고 속도로 전진하다가 한계에 도달하면 옆으로 빠진다.
- 팀 스프린터는 마지막 100미터 정도까지 슬립스트림을 하다가, 선두 주자의 뒤에서 돌진하여 결승선으로 향한다.
참조
[1]
학술지
Aerodynamic drag in cycling pelotons: New insights by CFD simulation and wind tunnel testing
2018-06-30
[2]
간행물
Peloton phase oscillations
Elsevier
2013
[3]
간행물
Collective behavior and the identification of phases in bicycle pelotons
Elsevier
2014
[4]
학술지
Influence of peloton configuration on the interaction between sport cyclists and motor vehicles on two-lane rural roads
2020
[5]
학술지
The speed and configuration of cyclist social groups: A field study
2022
[6]
웹사이트
Calculating wind drag in the cycling peloton
https://flowingdata.[...]
2018-07-27
[7]
간행물
Energy saving mechanisms, collective behavior and the variation range hypothesis in biological systems: A review
2016
[8]
학술지
Trilobite ‘pelotons’: possible hydrodynamic drag effects between leading and following trilobites in trilobite queues
2017
[9]
학술지
Cell pelotons: A model of early evolutionary cell sorting, with application to slime mold Dictyostelium discoideum
2019
[10]
학술지
American coot collective on-water dynamics
2012
[11]
학술지
How vision governs the collective behaviour of dense cycling pelotons
2019
[12]
간행물
A deceleration model for bicycle peloton dynamics and group sorting
Elsevier
2015
[13]
컨퍼런스
Novel Optimization Algorithm for Composite Steel Deck Floor Systems: Peloton Dynamics Optimization (PDO)
2018-06-13
[14]
간행물
The peloton superorganism and protocooperative behavior
Elsevier
2015
[15]
학술지
Friends for (almost) a day: Studying breakaways in cycling races
https://doi.org/10.1[...]
2019
[16]
학술지
Cooperation in bike racing—when to work together and when to go it alone
2011
[17]
서적
Strategic behavior in road cycling competitions
Springer, Cham
2016
[18]
학술지
Equivalences in biological and economical systems: Peloton dynamics and the rebound effect
2016
[19]
컨퍼런스
Design of a Robot Controller for Peloton Formation Using Fuzzy Logic
IEEE
2019
[20]
컨퍼런스
Dynamic Peloton Formation Configuration Algorithm of Swarm Robots for Aerodynamic Effects Optimization
IEEE
2019
[21]
학술지
When Robots Get Bored and Invent Team Sports: A More Suitable Test than the Turing Test?
2018
[22]
학술지
The mathematics of breaking away and chasing in cycling
1998
[23]
서적
An Introduction to Multi-Agent Systems
Wiley: United Kingdom
2009
[24]
학술지
Cooperation in bike racing when to work together and when to go it alone
2011
[25]
컨퍼런스
Modelling peloton dynamics in competitive cycling: a quantitative approach
Springer, Cham
2013-09
[26]
문서
Netlogo flocking model
Centre for Connected Learning and Computer-based modeling, Northwestern University, Evanston, Il
1998
[27]
학술지
Flocks, Herds, and Schools: A Distributed Behavioral Model
1987
[28]
서적
Decentralized control and interactive design methods for large-scale heterogeneous self-organizing swarms
Springer
2007
[29]
학술지
The mathematics of breaking away and chasing in cycling
1998
[30]
학술지
Reduction of wind resistance and power output of racing cyclists and runners travelling in groups
1979
[31]
문서
Hoenigman
2011
[32]
문서
The complex dynamics of bicycle pelotons
2012
[33]
문서
Trenchard et al.
2015
[34]
간행물
The peloton superorganism and protocooperative behavior
Elsevier
2015
[35]
학술지
Cell pelotons: A model of early evolutionary cell sorting, with application to slime mold Dictyostelium discoideum
2019
[36]
뉴스
Sixth Sense Has Armstrong in Third Place
https://www.nytimes.[...]
New York Times
2009-07-06
[37]
문서
Ratamero
2013
[38]
문서
Olds
1998
[39]
문서
Ratamero
2013
[40]
논문
"Temporary organizational forms and coopetition in cycling: What makes a breakaway successful in the Tour de France?"
https://doi.org/10.1[...]
2018
[41]
논문
How to stay ahead of the pack: optimal road cycling strategies for two cooperating Riders
2017
[42]
서적
High-Tech Cycling
2003
본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.
문의하기 : help@durumis.com