論文の概要: A Generative Physics-Informed Reinforcement Learning-Based Approach for Construction of Representative Drive Cycle

• arxiv url: http://arxiv.org/abs/2506.07929v1
• Date: Mon, 09 Jun 2025 16:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.154924
• Title: A Generative Physics-Informed Reinforcement Learning-Based Approach for Construction of Representative Drive Cycle
• Title（参考訳）: 物理インフォームド強化学習に基づく代表駆動サイクル構築のための一手法
• Authors: Amirreza Yasami, Mohammadali Tofigh, Mahdi Shahbakhti, Charles Robert Koch,
• Abstract要約: PIESMCは、過渡的ダイナミクス、加速度、減速、アイドリング、道路グレード遷移を捉えることで駆動サイクルを構築する。 計算コストを削減した効率的なサイクル構成を提供する。 従来の技術よりも桁違いに速い。
• 参考スコア（独自算出の注目度）: 0.5999777817331317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate driving cycle construction is crucial for vehicle design, fuel economy analysis, and environmental impact assessments. A generative Physics-Informed Expected SARSA-Monte Carlo (PIESMC) approach that constructs representative driving cycles by capturing transient dynamics, acceleration, deceleration, idling, and road grade transitions while ensuring model fidelity is introduced. Leveraging a physics-informed reinforcement learning framework with Monte Carlo sampling, PIESMC delivers efficient cycle construction with reduced computational cost. Experimental evaluations on two real-world datasets demonstrate that PIESMC replicates key kinematic and energy metrics, achieving up to a 57.3% reduction in cumulative kinematic fragment errors compared to the Micro-trip-based (MTB) method and a 10.5% reduction relative to the Markov-chain-based (MCB) method. Moreover, it is nearly an order of magnitude faster than conventional techniques. Analyses of vehicle-specific power distributions and wavelet-transformed frequency content further confirm its ability to reproduce experimental central tendencies and variability.
• Abstract（参考訳）: 正確な運転サイクルの構築は、車両設計、燃料経済分析、環境影響評価に不可欠である。 SARSA-Monte Carlo (PIESMC) モデル忠実性を確保しつつ, 過渡的ダイナミクス, 加速度, 減速, アイドリング, ロードグレード遷移を捕捉し, 代表的な駆動サイクルを構築する。 モンテカルロサンプリングによる物理インフォーム強化学習フレームワークを活用することで、PIESMCは計算コストを削減して効率的なサイクル構築を実現する。 2つの実世界のデータセットに対する実験的評価により、PIESMCはキーキネマティックとエネルギーのメトリクスを再現し、最大57.3%の累積キネマティックな断片誤差をMicro-trip-based (MTB)法と比較し、Markov-chain-based (MCB)法と比較すると10.5%の削減を達成した。 また、従来の技術よりも桁違いに高速である。 車両固有の電力分布とウェーブレット変換周波数量の分析により、実験的な中央傾向と変動性を再現する能力がさらに確認される。

関連論文リスト

• Predicting Stress and Damage in Carbon Fiber-Reinforced Composites Deformation Process using Composite U-Net Surrogate Model [3.4116927260734506]
  炭素繊維強化複合材料(CFRC)は、その異常な機械的特性により、高度な工学的応用において重要である。 機械的負荷下でのCFRCの挙動の深い理解は、航空宇宙構造などの要求された応用における性能の最適化に不可欠である。 本研究では, CFRC変形時の応力場と損傷場を同時に予測する, 自己回帰型複合U-Netディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-19T02:29:39Z)
• Estimating City-wide Operating Mode Distribution of Light-Duty Vehicles: A Neural Network-based Approach [9.412151450938504]
  本稿では,動作モード分布を推定するモジュール型ニューラルネットワーク(NN)に基づくフレームワークを提案する。 アメリカ合衆国ブルックラインMAのよく校正されたマイクロシミュレーションモデルを用いて検証した。 提案手法は, 迅速かつ正確な排出推定を行うことにより, リアルタイムの排出監視に利用することができる。
  論文  参考訳（メタデータ） (2025-03-28T03:43:04Z)
• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車の体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、ランダムフォレストといった従来の機械学習モデルと比較した。 以上の結果から,GCNモデルは,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• 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)
• Fast training and sampling of Restricted Boltzmann Machines [4.785158987724452]
  我々は、RBMトレーニングの最近の理論的進歩に基づいて、トレーニングの計算コストを大幅に削減する。 コンベックス最適化プロセスにより,主成分を低ランクのRBMに符号化する事前学習フェーズを提案する。 パラメータアニール軌道の連続的かつ滑らかな性質を利用して、信頼性と計算効率のよい対数類似度推定を行う。
  論文  参考訳（メタデータ） (2024-05-24T09:23:43Z)
• Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
  非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。 本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-05T00:23:34Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• EBM Life Cycle: MCMC Strategies for Synthesis, Defense, and Density Modeling [116.10821733517976]
  本研究は, MCMCサンプリング軌道の所望の長さに応じて, エネルギーベースモデル(EBM)を学習するための戦略を提案する。 1)画像生成のためのショートランサンプリング,2)原則に依存しない対角防御のためのミッドランサンプリング,3)画像確率密度の未変更モデリングのためのロングランサンプリング,である。
  論文  参考訳（メタデータ） (2022-05-24T17:52:29Z)
• No MCMC for me: Amortized sampling for fast and stable training of energy-based models [62.1234885852552]
  エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。 本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。 次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
  論文  参考訳（メタデータ） (2020-10-08T19:17:20Z)

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。