IJCAIMar, 2020

电动汽车节能导航在线学习框架

PDF
TL;DR该研究使用贝叶斯方法建模道路片段的能量消耗，开发了一个在线学习框架并分析了 Thompson 采样和 Upper Confidence Bound 等探索策略，将在线学习框架扩展到多车自适应导航。最后，使用卢森堡 SUMO 交通数据集进行多个实际实验以证明我们方法的性能。
energy-efficientnavigationelectric vehiclesbayesian approachonline learning framework
发现论文，激发创造
  • 基于神经网络的车联网和自动驾驶车辆的生态驾驶控制

    通过使用神经网络实现的层次化多时域优化框架，本文提出了一种在行驶过程中通过车辆间信息来优化车辆速度和动力系统，以最小化能量消耗的方法。通过在真实行驶路线上进行模拟，证明了该方法可以实现与基于强化学习的随机优化解决方案相当的性能，并且不需要复杂的训练范式和较少的内存开销。

    Oct, 2023

  • 使用神经网络集合进行考虑不确定性的车辆能耗效率预测

    本文提出了一种基于深度神经网络（ENN）的集成学习方法，旨在减少交通工具能效预测中的不确定性并输出不确定性度量，该方法在公开的车辆能源数据集（VED）上表现出了高的预测性能和预测不确定性度量。

    Apr, 2023

  • 基于数据驱动的电池电动汽车能量消耗概率估计与模型不确定性

    本篇研究论文提出了一种基于概率数据驱动的新方法，用于对电池电动车的行程级能量消耗进行估计，该方法综合考虑了各种车辆动力学，驾驶员行为和环境因素，采用了概率神经网络进行建模和模型不确定性测量，并有机地融合驾驶员行为因素以提高模型的准确性，在试验中取得了相对误差的均值 9.3% 的表现。

    Jul, 2023

  • 参数化强化学习方法在信号控制路口电动车辆节能驾驶中的应用

    本文提出一种基于强化学习的连接电动汽车经济驾驶框架，旨在提高车辆能源效率，并在交通信号灯路口中重新定义汽车后续策略、换道策略以及车辆加速控制决策，从而优化车辆动作方案，基于 SUMO 软件单车视角和流量视角的评估表明，该策略能够显著减少非人为驾驶车辆的能源消耗，实现了减排目的。

    Jun, 2022

  • 插电式混合动力汽车的数据驱动建模和监控系统优化

    基于学习的智能能源管理系统对于插电式混合动力电动汽车 (PHEVs) 的高效能源利用至关重要，然而，其应用在现实世界中面临着系统可靠性的挑战，这阻碍了原始设备制造商 (OEMs) 的广泛接受。本文通过建立基于物理和数据驱动模型的 PHEV 模型，聚焦于高保真度训练环境，并提出一个以真实车辆应用为导向的控制框架，将基于扩展时间尺度的强化学习 (RL) 能源管理与等价耗电量最小化策略 (ECMS) 相结合，以提高实际适用性，同时改善现有研究中基于瞬时驾驶循环和动力系统状态的等效因素评估方法的缺陷。最后，进行全面的仿真和硬件在环验证，证明了所提出的控制框架在燃油经济性方面相对于自适应 ECMS 和基于规则的策略的优势。与直接控制动力系统组件的传统 RL 架构相比，所提出的控制方法不仅能实现类似的最优性，而且还显著提高了能源管理系统的干扰抗性，在 OEMs 的真实车辆应用中提供了一种有效的基于 RL 的能源管理策略的控制框架。

    Jun, 2024

  • 个性化汽车能耗估算的偏好感知元优化框架

    该研究提出了一种 Meta-Pec 的个性化车辆能耗估计框架，通过机器学习和 spatiotemporal 行为学习等方法获取个性化的驾驶行为数据，进而实现对车辆能耗的准确预测。

    Jun, 2023

  • 复杂动态环境下的多模态传感器融合概率端到端车辆导航

    本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

    May, 2020

  • 学习增强的太阳能电动车充电调度

    我们解决了太阳能电池板和电池配备的电动汽车（EV）的充电调度的复杂挑战，特别是在分布外（OOD）条件下。我们引入了一种新的学习增强策略，通过实时适应强化学习策略的表现来使用动态的鲁棒性预算，从而在 EV 充电调度中更有效地平衡一致性和鲁棒性，显著提高适应性和效率。

    Nov, 2023

  • 基于强化学习的混合动力汽车最优能量管理策略探究

    本文提出了一种新型框架，以在 FASTSim 开源车辆仿真工具中实现基于强化学习的能量管理策略，并在不同测试驾驶周期下对不同的车型进行评估，证明了这些基于强化学习的能量管理策略在提高能源效率方面的有效性。

    May, 2023

  • 新能源车辆对城市生态的行为影响建模

    通过行为分析和挖掘新能源汽车的使用模式，可以识别出特定模式。对于行为指标如过载电池、低电量操作和高速驾驶对电池性能的不良影响，提出了一种环境计算建模方法来评估这些行为对城市生态的影响。通过 LSTM 模型和贝叶斯优化器对时间序列数据进行模拟扩展，揭示了不良驾驶行为对环境的负面效应。

    Jun, 2024