論文の概要: Data-Driven Transferred Energy Management Strategy for Hybrid Electric Vehicles via Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2009.03289v2
• Date: Sun, 20 Sep 2020 16:24:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 03:14:26.378085
• Title: Data-Driven Transferred Energy Management Strategy for Hybrid Electric Vehicles via Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習によるハイブリッド電気自動車のデータ駆動移動エネルギー管理戦略
• Authors: Teng Liu, Bo Wang, Wenhao Tan, Shaobo Lu, Yalian Yang
• Abstract要約: 本稿では,DRL法と転写学習(TL)を併用したリアルタイムEMSを提案する。 関連するEMSは、Transport Secure Data Centerから収集された実世界の運転サイクルデータセットから導出され、評価される。 シミュレーションの結果, DRLをベースとしたEMSは, 時間消費を効果的に低減し, 制御性能を保証できることが示唆された。
• 参考スコア（独自算出の注目度）: 3.313774035672581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time applications of energy management strategies (EMSs) in hybrid electric vehicles (HEVs) are the harshest requirements for researchers and engineers. Inspired by the excellent problem-solving capabilities of deep reinforcement learning (DRL), this paper proposes a real-time EMS via incorporating the DRL method and transfer learning (TL). The related EMSs are derived from and evaluated on the real-world collected driving cycle dataset from Transportation Secure Data Center (TSDC). The concrete DRL algorithm is proximal policy optimization (PPO) belonging to the policy gradient (PG) techniques. For specification, many source driving cycles are utilized for training the parameters of deep network based on PPO. The learned parameters are transformed into the target driving cycles under the TL framework. The EMSs related to the target driving cycles are estimated and compared in different training conditions. Simulation results indicate that the presented transfer DRL-based EMS could effectively reduce time consumption and guarantee control performance.
• Abstract（参考訳）: ハイブリッド電気自動車(HEV)におけるエネルギー管理戦略(EMS)のリアルタイム適用は、研究者や技術者にとって最も厳しい要件である。 深部強化学習(DRL)の優れた問題解決能力に着想を得て,DRL法と伝達学習(TL)を取り入れたリアルタイムEMSを提案する。 関連する EMS は、Transport Secure Data Center (TSDC) から収集された実世界の運転サイクルデータセットから導出され、評価される。 具体的なDRLアルゴリズムは、ポリシー勾配(PG)技術に属する近似ポリシー最適化(PPO)である。 PPOに基づくディープネットワークのパラメータのトレーニングには,多くのソース駆動サイクルが使用されている。 学習したパラメータはtlフレームワークの下でターゲット駆動サイクルに変換される。 目標駆動サイクルに関連するEMSを,異なる訓練条件下で推定,比較した。 シミュレーションの結果, DRLをベースとしたEMSは時間消費を効果的に低減し, 制御性能を保証できることが示唆された。

関連論文リスト

• Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
  ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。 具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。 実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-30T23:20:23Z)
• Data-Efficient Task Generalization via Probabilistic Model-based Meta Reinforcement Learning [58.575939354953526]
  PACOH-RLはメタ強化学習(Meta-RL)アルゴリズムである。 既存のMeta-RLメソッドは豊富なメタ学習データを必要とし、ロボット工学などの設定で適用性を制限する。 実験の結果,PACOH-RLはモデルベースRLおよびモデルベースMeta-RLベースラインよりも高い性能を示し,新しい動的条件に適応することがわかった。
  論文  参考訳（メタデータ） (2023-11-13T18:51:57Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• Residual Policy Learning for Powertrain Control [2.064612766965483]
  本稿では、リザーブポリシー学習(RPL)エージェントを使用して、デフォルトのパワートレインコントローラにリザーブアクションを提供するアクティブドライバ支援手法の概要を述べる。 各種の自動車追従シナリオにおける模擬商用車両の実装により,RPLエージェントは,ベースラインのソースポリシーと比較して急速に改善されたポリシーを学習することがわかった。
  論文  参考訳（メタデータ） (2022-12-15T04:22:21Z)
• Progress and summary of reinforcement learning on energy management of MPS-EV [4.0629930354376755]
  エネルギー管理戦略(エネルギ・マネジメント・ストラテジー、EMS)は、MPS-EVが効率、燃費、走行距離を最大化するための重要な技術である。 本稿では,RL ベース EMS に関する現在の研究の詳細な分析を行い,RL ベース EMS の設計要素を要約する。
  論文  参考訳（メタデータ） (2022-11-08T04:49:32Z)
• Fair and Efficient Distributed Edge Learning with Hybrid Multipath TCP [62.81300791178381]
  無線による分散エッジ学習のボトルネックは、コンピューティングから通信へと移行した。 DEL用の既存のTCPベースのデータネットワークスキームは、アプリケーションに依存しず、アプリケーション層要求に応じて調整を施さない。 DELのためのモデルベースと深部強化学習(DRL)に基づくMP TCPを組み合わせたハイブリッドマルチパスTCP(MP TCP)を開発した。
  論文  参考訳（メタデータ） (2022-11-03T09:08:30Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Adaptive Energy Management for Real Driving Conditions via Transfer Reinforcement Learning [19.383907178714345]
  本稿では, 並列トポロジを用いたハイブリッド電気自動車(HEV)における伝達強化学習(RL)に基づく適応エネルギー管理手法を提案する。 上位レベルは、駆動サイクル変換(DCT)を介してRLフレームワークのQ値テーブルを変換する方法を特徴付ける。 低レベルは、変換されたQ値テーブルとTPMで対応する制御戦略を設定する方法を決定する。
  論文  参考訳（メタデータ） (2020-07-24T15:06:23Z)
• Transfer Deep Reinforcement Learning-enabled Energy Management Strategy for Hybrid Tracked Vehicle [8.327437591702163]
  本稿では、深部強化学習(DRL)と伝達学習(TL)を組み合わせたハイブリッド電気自動車の適応エネルギー管理戦略を提案する。 退屈なトレーニング時間でDRLの欠陥に対処することを目的としている。 DRLおよびTL対応制御ポリシは、エネルギー効率を向上し、システム性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-07-16T23:39:34Z)
• Human-like Energy Management Based on Deep Reinforcement Learning and Historical Driving Experiences [5.625230013691758]
  ハイブリッド電気自動車の開発は、高度かつ効率的なエネルギー管理戦略(EMS)に依存している 本稿では, 深部強化学習法と過去の運転データに基づいて, ハイブリッド電気自動車の人為的なエネルギー管理の枠組みについて述べる。 燃料経済と収束率の改善は、構築された制御構造の有効性を示している。
  論文  参考訳（メタデータ） (2020-07-16T14:15:35Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。