論文の概要: Recent Progress in Energy Management of Connected Hybrid Electric
Vehicles Using Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2308.14602v2
- Date: Sat, 23 Dec 2023 19:21:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-28 01:49:35.431756
- Title: Recent Progress in Energy Management of Connected Hybrid Electric
Vehicles Using Reinforcement Learning
- Title（参考訳）: 強化学習を用いたハイブリッド電気自動車のエネルギー管理の最近の進歩
- Authors: Min Hua, Bin Shuai, Quan Zhou, Jinhai Wang, Yinglong He, Hongming Xu
- Abstract要約: 電気輸送へのシフトは、化石燃料消費に関する環境問題を抑制することを目的としている。
HEVからコネクテッドハイブリッド電気自動車(CHEV)へのエネルギー管理システム(EMS)の進化は、重要なシフトを表している。
このレビューは、将来の持続可能な輸送システムに対するRLベースのソリューションのギャップを橋渡しし、課題、進歩、潜在的貢献を明らかにする。
- 参考スコア（独自算出の注目度）: 6.851787321368938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing adoption of hybrid electric vehicles (HEVs) presents a
transformative opportunity for revolutionizing transportation energy systems.
The shift towards electrifying transportation aims to curb environmental
concerns related to fossil fuel consumption. This necessitates efficient energy
management systems (EMS) to optimize energy efficiency. The evolution of EMS
from HEVs to connected hybrid electric vehicles (CHEVs) represent a pivotal
shift. For HEVs, EMS now confronts the intricate energy cooperation
requirements of CHEVs, necessitating advanced algorithms for route
optimization, charging coordination, and load distribution. Challenges persist
in both domains, including optimal energy utilization for HEVs, and cooperative
eco-driving control (CED) for CHEVs across diverse vehicle types. Reinforcement
learning (RL) stands out as a promising tool for addressing these challenges.
Specifically, within the realm of CHEVs, the application of multi-agent
reinforcement learning (MARL) emerges as a powerful approach for effectively
tackling the intricacies of CED control. Despite extensive research, few
reviews span from individual vehicles to multi-vehicle scenarios. This review
bridges the gap, highlighting challenges, advancements, and potential
contributions of RL-based solutions for future sustainable transportation
systems.
- Abstract（参考訳）: ハイブリッド電気自動車(hev)の普及は、輸送エネルギーシステムに革命をもたらす転換的な機会をもたらす。
電気輸送へのシフトは、化石燃料消費に関する環境問題を抑制することを目的としている。
これはエネルギー効率を最適化するために効率的なエネルギー管理システム(EMS)を必要とする。
HEVからコネクテッドハイブリッド電気自動車(CHEV)へのEMSの進化は、重要なシフトを示している。
HEVにとって、EMSはCHEVの複雑なエネルギー協力要件に直面し、経路最適化、充電調整、負荷分散のための高度なアルゴリズムを必要とする。
HEVの最適エネルギー利用、さまざまな車種にわたるCHEVの協調的エコ自動運転制御(CED)など、両方の領域で課題が続いている。
強化学習(RL)はこれらの課題に対処するための有望なツールである。
特に、CHEVの領域内では、CED制御の複雑さに効果的に取り組むための強力なアプローチとしてマルチエージェント強化学習(MARL)の応用が出現する。
広範な研究にもかかわらず、個々の車両から複数車両シナリオまでのレビューは少ない。
このレビューは、将来の持続可能な輸送システムに対するRLベースのソリューションのギャップを橋渡しし、課題、進歩、潜在的貢献を明らかにする。
関連論文リスト
- Advancing Generative Artificial Intelligence and Large Language Models for Demand Side Management with Internet of Electric Vehicles [52.43886862287498]
本稿では,大規模言語モデル(LLM)のエネルギー管理への統合について検討する。
本稿では、自動問題定式化、コード生成、カスタマイズ最適化のために、LLMを検索拡張生成で強化する革新的なソリューションを提案する。
本稿では,電気自動車の充電スケジューリングと最適化における提案手法の有効性を示すケーススタディを提案する。
論文 参考訳（メタデータ） (2025-01-26T14:31:03Z) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳（メタデータ） (2025-01-11T02:32:42Z) - Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。
我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。
本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文 参考訳（メタデータ） (2023-10-18T18:38:59Z) - MARL for Decentralized Electric Vehicle Charging Coordination with V2V
Energy Exchange [5.442116840518914]
本稿では、車両間エネルギー交換(V2V)を考慮したEV充電調整について述べる。
本稿では,EV充電とV2Vエネルギー交換を協調するマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳（メタデータ） (2023-08-27T14:06:21Z) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳（メタデータ） (2022-10-04T08:22:46Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - A new Hyper-heuristic based on Adaptive Simulated Annealing and
Reinforcement Learning for the Capacitated Electric Vehicle Routing Problem [9.655068751758952]
都市部では環境汚染と地球温暖化を減らすために電気自動車(EV)が採用されている。
社会と経済の持続可能性に影響を与え続けているラストマイルロジスティクスの軌道をルーティングするのにはまだ不足がある。
本稿では,高ヒューリスティック適応アニーリングと強化学習というハイパーヒューリスティックなアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-07T11:10:38Z) - 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) - Fed-BEV: A Federated Learning Framework for Modelling Energy Consumption
of Battery Electric Vehicles [5.817576247456001]
バッテリ電気自動車(BEV)は、バッテリパックに蓄えられた化学エネルギーのみを推進に使用する。
BEV(Fed-BEV)のエネルギー消費をモデル化するための新しい枠組みを提案する。
具体的には、Fed-BEVフレームワークに関わるBEVのグループが互いに学び、エネルギー消費モデルを共同で強化することができる。
論文 参考訳（メタデータ） (2021-08-05T01:56:09Z) - Efficient algorithms for electric vehicles' min-max routing problem [4.640835690336652]
輸送部門から排出される温室効果ガスの増加は、企業や政府が電気自動車(EV)の増産と支援を図っている。
近年の都市化と電子商取引の進展により、輸送会社は従来の車両をEVに置き換え、持続的で環境に優しい運転の取り組みを強化している。
EV車両の展開は、限られた範囲を緩和し、バッテリー劣化率を軽減するために、効率的なルーティングと充電戦略を要求する。
論文 参考訳（メタデータ） (2020-08-07T18:45:26Z) - Transferred Energy Management Strategies for Hybrid Electric Vehicles
Based on Driving Conditions Recognition [16.346064265993782]
エネルギー管理戦略(EMS)は、省エネルギーと排出削減の可能性を決定する。
本研究は, 強化学習法と駆動条件認識を組み合わせることで, 並列HEV用トランスポートEMSを提案する。
論文 参考訳（メタデータ） (2020-07-16T13:57:46Z)
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。