論文の概要: Constrained Optimal Fuel Consumption of HEVs under Observational Noise

• arxiv url: http://arxiv.org/abs/2410.20913v2
• Date: Mon, 21 Jul 2025 08:09:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 18:47:38.785833
• Title: Constrained Optimal Fuel Consumption of HEVs under Observational Noise
• Title（参考訳）: 観測騒音下におけるHEVの最適燃料消費量の制限
• Authors: Shuchang Yan, Haoran Sun,
• Abstract要約: 本研究では,SOCと基準速度の両方に観測ノイズを明示的に組み込むことでCOFC問題を再構築する。 その結果, 燃料消費とSOC制約満足度は, 様々な騒音レベルにおいて頑健であることが示唆された。
• 参考スコア（独自算出の注目度）: 12.936592572736908
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In our prior work, we investigated the minimum fuel consumption of a hybrid electric vehicle (HEV) under a state-of-charge (SOC) balance constraint, assuming perfect SOC measurements and accurate reference speed profiles. The constrained optimal fuel consumption (COFC) problem was addressed using a constrained reinforcement learning (CRL) framework. However, in real-world scenarios, SOC readings are often corrupted by sensor noise, and reference speeds may deviate from actual driving conditions. To account for these imperfections, this study reformulates the COFC problem by explicitly incorporating observational noise in both SOC and reference speed. We adopt a robust CRL approach, where the noise is modeled as a uniform distribution, and employ a structured training procedure to ensure stability. The proposed method is evaluated through simulations on the Toyota Prius hybrid system (THS), using both the New European Driving Cycle (NEDC) and the Worldwide Harmonized Light Vehicles Test Cycle (WLTC). Results show that fuel consumption and SOC constraint satisfaction remain robust across varying noise levels. Furthermore, the analysis reveals that observational noise in SOC and speed can impact fuel consumption to different extents. To the best of our knowledge, this is the first study to explicitly examine how observational noise -- commonly encountered in dynamometer testing and predictive energy control (PEC) applications -- affects constrained optimal fuel consumption in HEVs.
• Abstract（参考訳）: 本研究は, 完全SOC測定と正確な基準速度プロファイルを仮定して, SOCバランス制約下でのハイブリッド電気自動車(HEV)の燃費の最小化について検討した。 制約付き拡張学習(CRL)フレームワークを用いて,制約付き最適燃料消費(COFC)問題に対処した。 しかし、現実のシナリオでは、SOCの読み取りはセンサーノイズによってしばしば破損し、参照速度は実際の駆動条件から逸脱する可能性がある。 これらの不完全性を考慮するため、本研究では、SOCと基準速度の両方に観測ノイズを明示的に組み込むことにより、COFC問題を再構成する。 我々は、雑音を一様分布としてモデル化する頑健なCRLアプローチを採用し、安定性を確保するために構造化された訓練手順を採用する。 提案手法は,新欧州運転サイクル(NEDC)とWLTC(Worldwide Harmonized Light Vehicles Test Cycle)の両方を用いて,トヨタプリウスハイブリッドシステム(THS)のシミュレーションにより評価した。 その結果, 燃料消費とSOC制約満足度は, 様々な騒音レベルにおいて頑健であることが示唆された。 さらに,SOCの観測ノイズと速度が燃料消費に影響を及ぼすことを明らかにした。 私たちの知る限りでは、ダイナモメーターテストや予測エネルギー制御(PEC)アプリケーションでよく見られる観測ノイズが、HEVの最適な燃料消費にどのように影響するかを明示的に調査する最初の研究である。

関連論文リスト

• Improving Power Plant CO2 Emission Estimation with Deep Learning and Satellite/Simulated Data [0.0]
  発電所からのCO2排出は、重要なスーパーエミッターとして、地球温暖化に大きく貢献する。 本研究では、Sentinel-5PからのNO2データの統合、連続したXCO2マップの生成、OCO-2/3からの実際の衛星観測をデータスカース領域における71以上の発電所に組み込むことにより、利用可能なデータセットを拡張することによる課題に対処する。
  論文  参考訳（メタデータ） (2025-02-04T08:05:15Z)
• 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)
• 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)
• Constrained Optimal Fuel Consumption of HEV: A Constrained Reinforcement Learning Approach [0.0]
  この研究は、制約付き強化学習(CRL)の観点から、制約付き最適燃料消費(COFC)の数学的表現を提供する。 CRLの2つの主要なアプローチ、制約付き変動ポリシー最適化(CVPO)とラグランジアンベースのアプローチが、車両の最小燃費を得るために初めて使用される。
  論文  参考訳（メタデータ） (2024-03-12T10:42:32Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Catastrophic Overfitting: A Potential Blessing in Disguise [51.996943482875366]
  FAT(Fast Adversarial Training)は、敵の堅牢性向上に効果があるとして、研究コミュニティ内で注目を集めている。 既存のFATアプローチではCOの緩和が進んでいるが, クリーンサンプルの分類精度が低下するにつれて, 対向ロバスト性の上昇が生じる。 クリーンな例と逆向きな例に特徴アクティベーションの相違を利用して,COの根本原因を分析した。 我々は, モデル性能を高めることを目的として, 「攻撃難読化」を実現するためにCOを活用する。
  論文  参考訳（メタデータ） (2024-02-28T10:01:44Z)
• COPR: Continual Human Preference Learning via Optimal Policy Regularization [56.1193256819677]
  RLHF(Reinforcement Learning from Human Feedback)は、大規模言語モデル(LLM)と人間の嗜好の整合性を改善するために一般的に用いられる。 本稿では,最適政策理論からインスピレーションを得たCOPR法を提案する。
  論文  参考訳（メタデータ） (2024-02-22T02:20:08Z)
• EnduRL: Enhancing Safety, Stability, and Efficiency of Mixed Traffic Under Real-World Perturbations Via Reinforcement Learning [1.7273380623090846]
  実世界の走行軌道を解析し、幅広い加速度プロファイルを抽出する。 次に、これらのプロファイルを、混雑を軽減するためにRVをトレーニングするためのシミュレーションに組み込む。 RVの安全性は最大66%向上し、効率は最大54%向上し、安定性は最大97%向上した。
  論文  参考訳（メタデータ） (2023-11-21T00:45:13Z)
• Deep Reinforcement Learning-based Intelligent Traffic Signal Controls with Optimized CO2 emissions [6.851243292023835]
  交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。 文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。 EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
  論文  参考訳（メタデータ） (2023-10-19T19:54:47Z)
• 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)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning Framework for Congestion Control in Tactical Environments [53.08686495706487]
  本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。 衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
  論文  参考訳（メタデータ） (2023-06-27T16:15:15Z)
• CCE: Sample Efficient Sparse Reward Policy Learning for Robotic Navigation via Confidence-Controlled Exploration [72.24964965882783]
  CCE (Confidence-Controlled Exploration) は、ロボットナビゲーションのようなスパース報酬設定のための強化学習アルゴリズムのトレーニングサンプル効率を高めるために設計された。 CCEは、勾配推定と政策エントロピーの間の新しい関係に基づいている。 我々は、CCEが一定軌跡長とエントロピー正規化を用いる従来の手法より優れるシミュレーションおよび実世界の実験を通して実証する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• Adaptive Frequency Green Light Optimal Speed Advisory based on Hybrid Actor-Critic Reinforcement Learning [2.257737378757467]
  GLOSAシステムは、緑の間隔で交差点を通過するのを助けるために車両に速度を推奨する。 これまでの研究は、GLOSAアルゴリズムの最適化に重点を置いており、スピードアドバイザリーの頻度を無視している。 本稿では,Hybrid Proximal Policy Optimization (H-PPO) に基づく適応周波数GLOSAモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-07T01:16:45Z)
• Stabilizing and improving qubit coherence by engineering noise spectrum of two-level systems [52.77024349608834]
  超伝導回路は量子コンピューティングの主要なプラットフォームである。 アモルファス酸化物層内の電荷変動器は、低周波1/f$の電荷ノイズと高周波誘電損失の両方に寄与する。 本稿では,TLS雑音スペクトル密度の工学的手法により,有害な影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-06-21T18:37:38Z)
• Revealing the real-world CO2 emission reduction of ridesplitting and its determinants based on machine learning [12.864925081071684]
  本研究では,共有乗用車(ライドスプリット)のCO2排出量と代用単乗用車(レギュラーライドソーシング)を算出し,各乗用車走行のCO2排出量削減を推定する。 その結果、すべてのライドプリットトリップが、現実世界のライドソーシングから排出される排出を減少させるわけではないことがわかった。
  論文  参考訳（メタデータ） (2022-04-02T06:25:48Z)
• 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)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)
• Using Kalman Filter The Right Way: Noise Estimation Is Not Optimal [46.556605821252276]
  kfの仮定を少しでも破っても、効果のあるノイズを著しく修正できることを示す。 KFの対称および正定値(SPD)パラメータに勾配に基づく最適化を効率的に適用する方法を提案する。
  論文  参考訳（メタデータ） (2021-04-06T08:59:15Z)
• Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL [63.52264764099532]
  本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。 この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
  論文  参考訳（メタデータ） (2020-10-30T22:06:05Z)
• Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to reduce electric vehicle's driver's range anxiety by estimating energy consumption in real-time [9.475039534437332]
  畳み込みニューラルネットワーク(CNN)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。 BDT (Bagged Decision Tree) は推定値を微調整するために用いられる。 既存の手法と比較すると、開発手法は最低で0.14の絶対エネルギー偏差でより良い推定値を提供する。
  論文  参考訳（メタデータ） (2020-08-31T12:45:15Z)

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。