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
- DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral
Planning States for Autonomous Driving [69.82743399946371]
DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。
モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。
このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
論文 参考訳(メタデータ) (2023-12-14T18:59:05Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。
DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
BDD-Xデータセットで行った評価では,DriveGPT4の質的,定量的な性能が向上した。
論文 参考訳(メタデータ) (2023-10-02T17:59:52Z) - End-to-End Driving via Self-Supervised Imitation Learning Using Camera
and LiDAR Data [7.144138173307238]
自己教師付き模倣学習(SSIL)は、コマンドデータを使わずにE2E駆動ネットワークを学習することができる。
数値実験により,提案するSSILフレームワークは,教師付き学習フレームワークと同等のE2E運転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) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳(メタデータ) (2021-06-21T12:28:08Z) - Identification of the nonlinear steering dynamics of an autonomous
vehicle [0.0]
現代の車両は、モデリングが難しいデジタルおよびメカトロニクスコンポーネントの広い配列を持っています。
関連する車両のダイナミクスをキャプチャするためにデータ駆動モデリングを使用することは魅力的です。
ニューラルネットワークベースのサブスペースエンコーダが基礎となるダイナミクスをうまくキャプチャできることを示した。
論文 参考訳(メタデータ) (2021-05-10T17:32:23Z) - 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。