論文の概要: A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles
- arxiv url: http://arxiv.org/abs/2006.00795v1
- Date: Mon, 1 Jun 2020 08:43:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 07:42:19.515390
- Title: A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles
- Title(参考訳): 拡張レンジ電気自動車のエネルギー管理のための物理モデルを用いたオンラインベイジアンフレームワーク
- Authors: Pengyue Wang, Yan Li, Shashi Shekhar and William F. Northrop
- Abstract要約: 本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
- 参考スコア(独自算出の注目度): 3.927161292818792
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Increasing the fuel economy of hybrid electric vehicles (HEVs) and extended
range electric vehicles (EREVs) through optimization-based energy management
strategies (EMS) has been an active research area in transportation. However,
it is difficult to apply optimization-based EMS to current in-use EREVs because
insufficient knowledge is known about future trips, and because such methods
are computationally expensive for large-scale deployment. As a result, most
past research has been validated on standard driving cycles or on recorded
high-resolution data from past real driving cycles. This paper improves an
in-use rule-based EMS that is used in a delivery vehicle fleet equipped with
two-way vehicle-to-cloud connectivity. A physics model-guided online Bayesian
framework is described and validated on large number of in-use driving samples
of EREVs used for last-mile package delivery. The framework includes: a
database, a preprocessing module, a vehicle model and an online Bayesian
algorithm module. It uses historical 0.2 Hz resolution trip data as input and
outputs an updated parameter to the engine control logic on the vehicle to
reduce fuel consumption on the next trip. The key contribution of this work is
a framework that provides an immediate solution for fuel use reduction of
in-use EREVs. The framework was also demonstrated on real-world EREVs delivery
vehicles operating on actual routes. The results show an average of 12.8% fuel
use reduction among tested vehicles for 155 real delivery trips. The presented
framework is extendable to other EREV applications including passenger
vehicles, transit buses, and other vocational vehicles whose trips are similar
day-to-day.
- Abstract(参考訳): ハイブリッド電気自動車 (HEV) と拡張レンジ電気自動車 (EREV) の最適化型エネルギー管理戦略 (EMS) による燃費の増大は、輸送分野において活発な研究領域となっている。
しかし、将来の旅行に関する知識が乏しく、大規模展開には計算コストがかかるため、現行のEREVに最適化ベースのEMSを適用することは困難である。
その結果、過去のほとんどの研究は、標準的な運転サイクルや過去の実際の運転サイクルから記録された高解像度データで検証されている。
本稿では,2方向の車両間接続機能を備えた配送車両群において使用される,利用ルールに基づくemsを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
このフレームワークにはデータベース、前処理モジュール、車両モデル、オンラインベイズアルゴリズムモジュールが含まれる。
従来の0.2Hzの解像度トリップデータを入力として使用し、エンジン制御ロジックに更新されたパラメータを出力し、次のトリップでの燃料消費を減らす。
この研究の重要な貢献は、使用中のEREVの燃料使用削減の即時解決策を提供するフレームワークである。
このフレームワークは、実際のルートで動作する現実のEREV配達車両でも実証された。
その結果、155回の実輸送でテスト車両の燃料使用量を平均12.8%削減した。
このフレームワークは、乗用車、トランジットバス、その他の日々の旅行に類似した職業用車両を含む、他のerevアプリケーションにも拡張可能である。
関連論文リスト
- Traffic Smoothing Controllers for Autonomous Vehicles Using Deep
Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。
我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。
その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
論文 参考訳(メタデータ) (2024-01-18T00:50:41Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳(メタデータ) (2023-10-08T21:32:30Z) - Deep Reinforcement Learning Based Framework for Mobile Energy
Disseminator Dispatching to Charge On-the-Road Electric Vehicles [3.7313553276292657]
本稿では,車両配車フレームワークを開発するための深層強化学習手法を提案する。
提案モデルは,最適数のMEDを効率よく展開しながら,EV走行範囲を大幅に向上させることができる。
論文 参考訳(メタデータ) (2023-08-29T22:23:52Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - A Reinforcement Learning Approach for Electric Vehicle Routing Problem
with Vehicle-to-Grid Supply [2.6066825041242367]
EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。
RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
論文 参考訳(メタデータ) (2022-04-12T06:13:06Z) - An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
本稿では,インテリジェントな自動運転トラックシステムについて紹介する。
提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。
また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
論文 参考訳(メタデータ) (2021-12-31T04:54:13Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - A Real-Time Energy and Cost Efficient Vehicle Route Assignment Neural
Recommender System [0.0]
本稿では,エネルギーとコストの基準に基づいて車両をルートに割り当てるニューラルネットワークレコメンデータシステムを提案する。
我々は、与えられた経路上での様々な候補車両のエネルギー消費量を効率的に推定するために、機械学習に基づくアプローチを採用する。
完全なレコメンデーションロジックが開発され、各ルートに対してリアルタイムに最適な割り当てが可能になる。
論文 参考訳(メタデータ) (2021-10-21T04:17:35Z) - Real-Time Monitoring and Driver Feedback to Promote Fuel Efficient
Driving [0.7087237546722617]
本稿では, リアルタイム自動監視とドライバフィードバックにより, 燃費効率の高い運転行動を促進する新しい枠組みを提案する。
歴史的データを用いたランダムフォレスト型分類モデルを用いて, 燃料非効率運転行動の同定を行う。
不効率な運転動作が検出されると、ファジィ論理推論システムを使用して、燃料効率の運転動作を維持するために運転者がすべきことを判断する。
論文 参考訳(メタデータ) (2020-07-03T09:23:53Z) - Data-Driven Prediction of Route-Level Energy Use for Mixed-Vehicle
Transit Fleets [7.2775693810940565]
公共交通機関は電気自動車(EV)による燃費削減を目指している
EVの先行コストが高いため、ほとんどの機関は内燃機関と電気自動車の混成車しか手に入らない。
混合車両輸送車両における経路レベルのエネルギー利用に関するデータ駆動予測のための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2020-04-10T16:31:10Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。