論文の概要: A Preference-aware Meta-optimization Framework for Personalized Vehicle Energy Consumption Estimation

• arxiv url: http://arxiv.org/abs/2306.14421v1
• Date: Mon, 26 Jun 2023 05:03:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 14:52:58.078387
• Title: A Preference-aware Meta-optimization Framework for Personalized Vehicle Energy Consumption Estimation
• Title（参考訳）: パーソナライズされた車両エネルギー消費推定のための選好認識メタ最適化フレームワーク
• Authors: Siqi Lai (1), Weijia Zhang (1), Hao Liu (1, 2) ((1) The Hong Kong University of Science and Technology (Guangzhou), (2) The Hong Kong University of Science and Technology)
• Abstract要約: 自動車エネルギー消費の推定は、所定の旅行に必要な総エネルギーを、開始前に予測することを目的としている。 既存のアプローチは主に、VEC推定を改善するために典型的な旅行から統計的に重要な要素を抽出することに焦点を当てている。 本稿では、自動車のエネルギー消費のパーソナライズのための好みを考慮したメタ最適化フレームワークMeta-Pecを提案する。
• 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: Vehicle Energy Consumption (VEC) estimation aims to predict the total energy required for a given trip before it starts, which is of great importance to trip planning and transportation sustainability. Existing approaches mainly focus on extracting statistically significant factors from typical trips to improve the VEC estimation. However, the energy consumption of each vehicle may diverge widely due to the personalized driving behavior under varying travel contexts. To this end, this paper proposes a preference-aware meta-optimization framework Meta-Pec for personalized vehicle energy consumption estimation. Specifically, we first propose a spatiotemporal behavior learning module to capture the latent driver preference hidden in historical trips. Moreover, based on the memorization of driver preference, we devise a selection-based driving behavior prediction module to infer driver-specific driving patterns on a given route, which provides additional basis and supervision signals for VEC estimation. Besides, a driver-specific meta-optimization scheme is proposed to enable fast model adaption by learning and sharing transferable knowledge globally. Extensive experiments on two real-world datasets show the superiority of our proposed framework against ten numerical and data-driven machine learning baselines. The source code is available at https://github.com/usail-hkust/Meta-Pec.
• Abstract（参考訳）: 自動車エネルギー消費推定(VEC)は、旅行計画と輸送の持続可能性において非常に重要である、所定の旅行に必要な総エネルギーを予測することを目的としている。 既存のアプローチは主に、VEC推定を改善するために典型的な旅行から統計的に重要な要素を抽出することに焦点を当てている。 しかし、走行状況によってパーソナライズされた運転行動のため、各車両のエネルギー消費量は広範囲に分散する可能性がある。 そこで本稿では,車両のエネルギー消費量をパーソナライズするメタ最適化フレームワークであるmeta-pecを提案する。 具体的には,まず,過去の旅行に隠された潜在運転者の嗜好を捉える時空間行動学習モジュールを提案する。 さらに,ドライバ選好の記憶に基づいて,選択に基づく運転行動予測モジュールを考案し,与えられた経路上でのドライバ固有の運転パターンを推定し,vec推定のための追加のベースと監督信号を提供する。 さらに,ドライバ固有のメタ最適化手法を提案し,伝達可能な知識の学習と共有によって高速なモデル適応を実現する。 2つの実世界のデータセットに対する大規模な実験は、10の数値およびデータ駆動機械学習ベースラインに対して提案したフレームワークの優位性を示している。 ソースコードはhttps://github.com/usail-hkust/Meta-Pecで入手できる。

関連論文リスト

• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• AHMF: Adaptive Hybrid-Memory-Fusion Model for Driver Attention Prediction [14.609639142688035]
  本稿では,AHMF(Adaptive Hybrid-Memory-Fusion)ドライバの注意予測モデルを提案する。 本モデルは、まず、現在のシーンにおける特定の危険刺激に関する情報を符号化し、作業記憶を形成する。その後、長期記憶から同様の状況体験を適応的に回収し、最終的な予測を行う。
  論文  参考訳（メタデータ） (2024-07-24T17:19:58Z)
• 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)
• 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)
• BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous Driving [24.123577277806135]
  我々は行動認識軌道予測モデル(BAT)を考案した。 我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。 次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
  論文  参考訳（メタデータ） (2023-12-11T13:27:51Z)
• Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive Cruise Control in Urban and Highway Scenarios [0.5161531917413706]
  典型的な自動車追従シナリオでは、目標車両の速度変動はホスト車両の外部障害として作用し、そのエネルギー消費に影響を与える。 本研究では,長寿命メモリ(LSTM)とゲートリカレントユニット(GRU)を用いたディープリカレントニューラルネットワークに基づく車両速度予測について検討した。 提案した速度予測モデルは、目標車両の将来の速度の長期予測(最大10秒)に対して評価される。
  論文  参考訳（メタデータ） (2022-11-30T22:50:43Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Calibration of Human Driving Behavior and Preference Using Naturalistic Traffic Data [5.926030548326619]
  自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。 我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
  論文  参考訳（メタデータ） (2021-05-05T01:20:03Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。