Fugu-MT 論文翻訳(概要): A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods

論文の概要: A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods

arxiv url: http://arxiv.org/abs/2403.02053v1
Date: Mon, 4 Mar 2024 13:57:34 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 18:37:40.991712
Title: A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods
Title（参考訳）: エネルギー効率の良い運転行動と最先端AI手法のスコーピングレビュー
Authors: Zhipeng Ma, Bo N{\o}rregaard J{\o}rgensen, Zheng Ma
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.765388013062202
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The transportation sector remains a major contributor to greenhouse gas emissions. The understanding of energy-efficient driving behaviors and utilization of energy-efficient driving strategies are essential to reduce vehicles' fuel consumption. However, there is no comprehensive investigation into energy-efficient driving behaviors and strategies. Furthermore, many state-of-the-art AI models have been applied for the analysis of eco-friendly driving styles, but no overview is available. To fill the gap, this paper conducts a thorough literature review on ecological driving behaviors and styles and analyzes the driving factors influencing energy consumption and state-of-the-art methodologies. With a thorough scoping review process, the methodological and related data are compared. The results show that the factors that impact driving behaviors can be summarized into eleven features including speed, acceleration, deceleration, pedal, and so on. This paper finds that supervised/unsupervised learning algorithms and reinforcement learning frameworks have been popularly used to model the vehicle's energy consumption with multi-dimensional data. Furthermore, the literature shows that the driving data are collected from either simulators or real-world experiments, and the real-world data are mainly stored and transmitted by meters, controller area networks, onboard data services, smartphones, and additional sensors installed in the vehicle. Based on driving behavior factors, driver characteristics, and safety rules, this paper recommends nine energy-efficient driving styles including four guidelines for the drivers' selection and adjustment of the vehicle parameters, three recommendations for the energy-efficient driving styles in different driving scenarios, and two subjective suggestions for different types of drivers and employers.
Abstract（参考訳）: 輸送部門は温室効果ガスの排出に大きく貢献している。エネルギー効率の高い運転行動の理解とエネルギー効率の高い運転戦略の利用は、自動車の燃料消費を減らすために不可欠である。しかし、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。さらに、エコフレンドリーな運転スタイルの分析には最先端のAIモデルが数多く適用されているが、概観は得られていない。このギャップを埋めるために、生態的な運転行動やスタイルに関する詳細な文献レビューを行い、エネルギー消費や最先端の手法に影響を及ぼす要因を分析した。徹底的なスコーピングレビュープロセスでは、方法論および関連するデータを比較する。その結果, 運転行動に影響を与える要因は, 速度, 加速度, 減速, ペダルなど11の特徴にまとめることができることがわかった。本稿では,車両のエネルギー消費を多次元データでモデル化するために,教師なし・教師なし学習アルゴリズムと強化学習フレームワークが広く用いられていることを述べる。さらに,本論文では,シミュレータや実世界の実験から運転データを収集し,実世界のデータは,主にメーター,コントローラエリアネットワーク,オンボードデータサービス,スマートフォン,車両に搭載されたセンサによって格納・送信されている。運転行動要因,運転特性,安全ルールに基づいて,運転者の選択・調整のための4つのガイドライン,異なる運転シナリオにおけるエネルギー効率の高い運転スタイルに関する3つの勧告,異なる種類の運転者および雇用主に対する2つの主観的提案を含む,エネルギー効率の高い運転スタイルを推奨する。

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)
EcoFollower: An Environment-Friendly Car Following Model Considering Fuel Consumption [9.42048156323799]
本研究では,自動車追従シナリオにおける燃料消費を最適化するために強化学習(RL)を用いて開発された新しいエコカー追従モデルであるEcoFollowerを紹介する。このモデルは燃料消費を大幅に削減し、実際の運転シナリオと比較して10.42%削減した。
論文参考訳（メタデータ） (2024-07-22T16:48:37Z)
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)
RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文参考訳（メタデータ） (2023-12-12T06:21:30Z)
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)
Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。最小限の手動設計で高性能な制御戦略を発見する。この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文参考訳（メタデータ） (2022-07-30T16:23:45Z)
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)
Dynamic and Systematic Survey of Deep Learning Approaches for Driving Behavior Analysis [2.879036956042183]
運転行動の分析は、言及された問題の最適化と回避につながる可能性がある。運転の種類を特定して、その運転の結果にマッピングすることで、予防するためのモデルを得ることができます。
論文参考訳（メタデータ） (2021-09-18T19:47:03Z)
Learning to drive from a world on rails [78.28647825246472]
モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
論文参考訳（メタデータ） (2021-05-03T05:55:30Z)
Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文参考訳（メタデータ） (2021-04-19T11:48:13Z)
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)

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。