論文の概要: Real-Time Monitoring and Driver Feedback to Promote Fuel Efficient
Driving
- arxiv url: http://arxiv.org/abs/2007.02728v1
- Date: Fri, 3 Jul 2020 09:23:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 05:55:50.773054
- Title: Real-Time Monitoring and Driver Feedback to Promote Fuel Efficient
Driving
- Title（参考訳）: 燃料効率向上のためのリアルタイムモニタリングとドライバフィードバック
- Authors: Sandareka Wickramanayake, H.M.N Dilum Bandara, Nishal A. Samarasekara
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7087237546722617
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Improving the fuel efficiency of vehicles is imperative to reduce costs and
protect the environment. While the efficient engine and vehicle designs, as
well as intelligent route planning, are well-known solutions to enhance the
fuel efficiency, research has also demonstrated that the adoption of
fuel-efficient driving behaviors could lead to further savings. In this work,
we propose a novel framework to promote fuel-efficient driving behaviors
through real-time automatic monitoring and driver feedback. In this framework,
a random-forest based classification model developed using historical data to
identifies fuel-inefficient driving behaviors. The classifier considers
driver-dependent parameters such as speed and acceleration/deceleration
pattern, as well as environmental parameters such as traffic, road topography,
and weather to evaluate the fuel efficiency of one-minute driving events. When
an inefficient driving action is detected, a fuzzy logic inference system is
used to determine what the driver should do to maintain fuel-efficient driving
behavior. The decided action is then conveyed to the driver via a smartphone in
a non-intrusive manner. Using a dataset from a long-distance bus, we
demonstrate that the proposed classification model yields an accuracy of 85.2%
while increasing the fuel efficiency up to 16.4%.
- Abstract（参考訳）: 自動車の燃料効率の向上は、コスト削減と環境保護に不可欠である。
効率的なエンジンと車両の設計は、インテリジェントなルート計画と同様に、燃料効率を高めるためのよく知られた解決策であるが、燃料効率の高い運転行動の導入がさらなる節約につながることを研究は示している。
本研究では,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,燃料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。
本フレームワークでは, 燃料非効率運転行動を特定するために, 歴史的データを用いてランダムフォレストに基づく分類モデルを開発した。
この分類器は、速度や加速/減速パターンなどの運転依存パラメータや、交通、道路地形、気象などの環境パラメータを考慮し、1分間の運転イベントの燃料効率を評価する。
非効率駆動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、燃料効率駆動動作を維持するために運転者がすべきことを判断する。
決定された動作は、非侵入的な方法でスマートフォンを介してドライバーに伝達される。
長距離バスのデータセットを用いて, 提案手法により, 燃料効率を最大16.4%向上させ, 85.2%の精度が得られることを示す。
関連論文リスト
- Green vehicle routing problem that jointly optimizes delivery speed and routing based on the characteristics of electric vehicles [0.0]
本稿では,実車を用いたエネルギー消費モデルを構築した。
エネルギー消費モデルはまた、車両のスタート/ストップ、速度、距離、および負荷がエネルギー消費に与える影響も含んでいる。
改良された適応遺伝的アルゴリズムは、最もエネルギー効率のよい経路を解くために用いられる。
論文 参考訳（メタデータ） (2024-10-04T08:08:15Z) - 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) - A Scoping Review of Energy-Efficient Driving Behaviors and Applied
State-of-the-Art AI Methods [2.765388013062202]
エネルギー効率の良い運転行動や戦略に関する包括的な調査は行われていない。
多くの最先端AIモデルは、エコフレンドリーな運転スタイルの分析に応用されているが、概観は得られていない。
本稿では、生態的な運転行動とスタイルに関する詳細な文献レビューを行い、エネルギー消費に影響を与える運転要因について分析する。
論文 参考訳（メタデータ） (2024-03-04T13:57:34Z) - 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) - DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in
Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。
DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。
このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文 参考訳（メタデータ） (2024-01-08T03:06:02Z) - Uncertainty-Aware Vehicle Energy Efficiency Prediction using an Ensemble
of Neural Networks [2.147325264113341]
交通部門は温室効果ガス排出量の約25%を占めている。
エネルギー効率に影響を与える要因は、車両の種類、環境、運転者行動、気象条件である。
本研究では,予測不確実性を低減し,その不確実性を評価するために,深層ニューラルネットワーク(ENN)に基づくアンサンブル学習手法を提案する。
論文 参考訳（メタデータ） (2023-04-14T11:51:26Z) - Driver Assistance Eco-driving and Transmission Control with Deep
Reinforcement Learning [2.064612766965483]
本稿では, モデルフリー深部強化学習(RL)制御エージェントを提案する。
燃料消費を他の運転者の収容目標と交換し、最適な牽引トルクと伝達シフトポリシーを経験から学習する。
燃料効率テーブルの知識を十分に備えたベースラインコントローラと比較して, 燃料消費量の最小化に優れた性能を示す。
論文 参考訳（メタデータ） (2022-12-15T02:52:07Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。
Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文 参考訳（メタデータ） (2021-02-10T03:09:13Z) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
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。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z)
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。