混合动力电动汽车的能源管理系统、连接的混合动力电动汽车的协同驾驶控制和强化学习是未来可持续交通系统的关键挑战和解决方案。

Aug, 2023

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

深度强化学习和迁移学习的结合是选择适当的能量管理策略的更加高效的方法，并且对比了使用不同探索方法的深度强化学习的迁移学习过程中的性能，结果显示在参数空间加入噪声的网络更加稳定和迅速收敛。

Feb, 2022

该研究论文介绍了一种安全感知的强化学习算法，用于管理电动车充电站，并确保满足系统约束。该算法不依赖于对约束违规的显式惩罚，而且能在不确定环境中学习模式，以提高对电动车充电的管理效果。

Mar, 2024

电动出行解决方案的关键是能源管理，本文通过分析现有文献探讨了人工智能在解决电动出行领域的各种挑战中的潜力，并提出了未来研究的有效途径，以推动可持续和高效的电动出行解决方案的发展。

Sep, 2023

本研究提出了一种称为 HHASA_{RL} 的超启发式方法来解决容量限制电动车路线问题，该问题包含了电动车的充电站数量有限以及行驶范围的限制，这种方法通过将多臂赌博机方法和自适应模拟退火算法相结合，以改进已有的解决方案并在 IEEE WCCI2020 竞赛中获得最佳平均值。

Jun, 2022

本文提出了针对现代交通运输领域中节约能源消耗和减少温室气体排放的需求，采用深度强化学习控制体方法，模拟实现了可交互的节油驾驶辅助代理，以最小化油耗为目标，并通过与基准控制器性能的比较，验证了该代理策略的有效性。

Dec, 2022

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

本文提出了一种基于模糊强化学习的能量管理策略，以减少燃料消耗，维护电池的长期运行和延长燃料电池系统的使用寿命。通过考虑惩罚函数抑制燃料电池的频繁启动，应用模糊逻辑来近似 Q 学习中的价值函数，解决了连续状态和操作空间的问题。最终，基于 Python 的培训和测试平台验证了该方法的有效性和自学习改进，在初始状态变化、模型变化和驾驶条件变化的情况下。

Feb, 2023

本研究基于强化学习算法，从车辆装载容量、时间窗口、能量供应等多个因素出发，在大规模客户和配电站环境下，构建了满足多个系统目标的电动车路由模型，并通过实验证明，该方法不但在速度上快于混合整数线性规划和遗传算法元启发式算法，而且结果质量接近最优解。

Apr, 2022