論文の概要: NPC: Neural Predictive Control for Fuel-Efficient Autonomous Trucks
- arxiv url: http://arxiv.org/abs/2412.13618v1
- Date: Wed, 18 Dec 2024 08:57:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 13:23:26.459500
- Title: NPC: Neural Predictive Control for Fuel-Efficient Autonomous Trucks
- Title（参考訳）: NPC:燃料効率の良い自律トラックのニューラル予測制御
- Authors: Jiaping Ren, Jiahao Xiang, Hongfei Gao, Jinchuan Zhang, Yiming Ren, Yuexin Ma, Yi Wu, Ruigang Yang, Wei Li,
- Abstract要約: 燃料効率は、石油を動力とするトラックによる長距離貨物輸送の重要な側面である。
現在の予測制御法は、車両力学とエンジンの正確なモデルに依存している。
車両に物理モデルを用いない純データ駆動型ニューラル予測制御(NPC)を提案する。
- 参考スコア（独自算出の注目度）: 31.02279745978277
- License:
- Abstract: Fuel efficiency is a crucial aspect of long-distance cargo transportation by oil-powered trucks that economize on costs and decrease carbon emissions. Current predictive control methods depend on an accurate model of vehicle dynamics and engine, including weight, drag coefficient, and the Brake-specific Fuel Consumption (BSFC) map of the engine. We propose a pure data-driven method, Neural Predictive Control (NPC), which does not use any physical model for the vehicle. After training with over 20,000 km of historical data, the novel proposed NVFormer implicitly models the relationship between vehicle dynamics, road slope, fuel consumption, and control commands using the attention mechanism. Based on the online sampled primitives from the past of the current freight trip and anchor-based future data synthesis, the NVFormer can infer optimal control command for reasonable fuel consumption. The physical model-free NPC outperforms the base PCC method with 2.41% and 3.45% more significant fuel saving in simulation and open-road highway testing, respectively.
- Abstract（参考訳）: 燃料効率は、燃料を動力とするトラックによる長距離貨物輸送において重要な側面であり、コストを節約し、二酸化炭素排出量を削減している。
現在の予測制御法は、重量、ドラッグ係数、およびエンジンのブレーキ固有燃料消費(BSFC)マップを含む車両力学とエンジンの正確なモデルに依存している。
車両に物理モデルを用いない純データ駆動型ニューラル予測制御(NPC)を提案する。
2万km以上の歴史的データをトレーニングした後、NVFormerは車両力学、道路斜面、燃料消費、および注意機構を用いた制御コマンドの関係を暗黙的にモデル化した。
現在の貨物旅行の過去のオンラインサンプルプリミティブとアンカーベースの将来のデータ合成に基づいて、NVFormerは適切な燃料消費のために最適な制御コマンドを推測することができる。
物理モデルなしのNPCは、それぞれシミュレーションとオープンロードハイウェイテストにおいて、2.41%と3.45%の燃料節約率でベースPCC法より優れている。
関連論文リスト
- EV-PINN: A Physics-Informed Neural Network for Predicting Electric Vehicle Dynamics [0.3749861135832072]
動的パラメータ(例えば、空力抵抗、ローリング抵抗)のオンボード予測は、EVの正確な経路計画を可能にする。
本稿では,物理情報を用いたニューラルネットワーク手法EV-PINNについて述べる。
論文 参考訳（メタデータ） (2024-11-22T02:56:47Z) - 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) - 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) - A Tricycle Model to Accurately Control an Autonomous Racecar with Locked
Differential [71.53284767149685]
自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。
本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
論文 参考訳（メタデータ） (2023-12-22T16:29:55Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Safe Model-based Off-policy Reinforcement Learning for Eco-Driving in
Connected and Automated Hybrid Electric Vehicles [3.5259944260228977]
本研究は,エコドライブ問題に対するセーフオフポジーモデルに基づく強化学習アルゴリズムを提案する。
提案アルゴリズムは, モデルフリーエージェントと比較して, 平均速度が高く, 燃費も良好である。
論文 参考訳（メタデータ） (2021-05-25T03:41:29Z) - 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) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z)
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。