論文の概要: Data Set Description: Identifying the Physics Behind an Electric Motor
-- Data-Driven Learning of the Electrical Behavior (Part I)
- arxiv url: http://arxiv.org/abs/2003.07273v3
- Date: Wed, 25 Mar 2020 20:04:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 04:07:13.437220
- Title: Data Set Description: Identifying the Physics Behind an Electric Motor
-- Data-Driven Learning of the Electrical Behavior (Part I)
- Title（参考訳）: データセット記述:電動機の背後にある物理を同定する -- 電気的挙動のデータ駆動学習(その1)
- Authors: S\"oren Hanke, Oliver Wallscheid and Joachim B\"ocker
- Abstract要約: 電気自動車では、運転列車は可能な限り軽量化され、同時に可能な限り最大限に利用されなければならない。
これは、ドライブトレインの動的挙動がコントローラによって正確に認識されている場合にのみ達成できる。
制御器の課題は、電動機の電流を制御することにより、車の車輪における所望のトルクを達成することである。
機械学習モデリング技術では、計測データから振る舞いを記述する正確なモデルを抽出し、コントローラで使用することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two of the most important aspects of electric vehicles are their efficiency
or achievable range. In order to achieve high efficiency and thus a long range,
it is essential to avoid over-dimensioning the drive train. Therefore, the
drive train has to be kept as lightweight as possible while at the same time
being utilized to the best possible extent. This can only be achieved if the
dynamic behavior of the drive train is accurately known by the controller. The
task of the controller is to achieve a desired torque at the wheels of the car
by controlling the currents of the electric motor. With machine learning
modeling techniques, accurate models describing the behavior can be extracted
from measurement data and then used by the controller. For the comparison of
the different modeling approaches, a data set consisting of about 40 million
data points was recorded at a test bench for electric drive trains. The data
set is published on Kaggle, an online community of data scientists.
- Abstract（参考訳）: 電気自動車の最も重要な2つの側面は、その効率性または達成可能な範囲である。
高い効率と長距離を実現するためには、運転列車の過度な寸法を避けることが不可欠である。
そのため、運転列車は可能な限り軽量に保たなければならないと同時に、可能な限り有効活用される必要がある。
これは、駆動系統の動的挙動がコントローラによって正確に知られている場合にのみ達成できる。
制御器の課題は、電動機の電流を制御することにより、車の車輪における所望のトルクを達成することである。
機械学習モデリング技術では、計測データから振る舞いを記述する正確なモデルを抽出し、コントローラで使用することができる。
異なるモデリング手法の比較のために, 約4000万データポイントからなるデータセットを, 電気駆動列車のテストベンチで記録した。
データセットは、データサイエンティストのオンラインコミュニティであるKaggleで公開されている。
関連論文リスト
- DriveDiTFit: Fine-tuning Diffusion Transformers for Autonomous Driving [27.92501884414881]
自律運転では、データセットは悪天候、照明条件、さまざまな移動物体を含む様々な運転シナリオをカバーすることが期待されている。
DriveDiTFitを提案する。Diffusion Transformer(DiT)を微調整することで、自律運転データを効率的に生成する新しい方法である。
具体的には、DriveDiTFitはギャップ駆動変調技術を用いて、事前訓練されたソースデータと目標駆動データとの相違に応じて、DiT内のいくつかのパラメータを慎重に選択し、効率的に微調整する。
論文 参考訳（メタデータ） (2024-07-22T14:18:52Z) - MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳（メタデータ） (2024-04-30T23:18:51Z) - SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。
本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
論文 参考訳（メタデータ） (2024-03-28T14:07:13Z) - DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。
センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。
我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文 参考訳（メタデータ） (2024-03-25T17:59:01Z) - End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data [6.849144123909844]
本論文は,E2E運転のための自己教師付き模倣学習(SSIL)として,最初の完全自己教師型学習フレームワークを提案する。
提案したSSILフレームワークは、コマンドデータを使用せずにE2E駆動ネットワークを学習できる。
3つの異なるベンチマークデータセットを用いた数値実験により,提案したSSILフレームワークは,教師付き学習と同等のE2E駆動精度を達成できることを示した。
論文 参考訳（メタデータ） (2023-08-28T06:17:15Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - On the Choice of Data for Efficient Training and Validation of
End-to-End Driving Models [32.381828309166195]
エンド・ツー・エンドでトレーニング可能なディープ・ドライビング・モデルのトレーニングと検証に対するデータ設計選択の影響について検討する。
検証設計により、検証中に測定された駆動性能を未知のテスト環境に一般化できることを示す。
論文 参考訳（メタデータ） (2022-06-01T16:25:28Z) - Predicting Take-over Time for Autonomous Driving with Real-World Data:
Robust Data Augmentation, Models, and Evaluation [11.007092387379076]
我々は、運転者向けカメラビューで動作するコンピュータビジョンアルゴリズムによって作成される中高レベルの機能で動作するテイクオーバー時間(TOT)モデルを開発し、訓練する。
拡張データでサポートされたTOTモデルを用いて,遅延なく連続的なテイクオーバー時間を推定できることを示す。
論文 参考訳（メタデータ） (2021-07-27T16:39:50Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳（メタデータ） (2021-01-20T00:31:52Z) - Data Set Description: Identifying the Physics Behind an Electric Motor
-- Data-Driven Learning of the Electrical Behavior (Part II) [0.0]
この文書は、公開データセット citeDataset の使用方法と、導入例を使ってモデルを抽出する方法を説明している。
抽出したモデルは、ドライブのモデル予測制御環境におけるシステム状態の予測に使用される。
論文 参考訳（メタデータ） (2020-03-13T16:38:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。