論文の概要: VEGA: Electric Vehicle Navigation Agent via Physics-Informed Neural Operator and Proximal Policy Optimization

• arxiv url: http://arxiv.org/abs/2509.13386v1
• Date: Tue, 16 Sep 2025 11:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.581785
• Title: VEGA: Electric Vehicle Navigation Agent via Physics-Informed Neural Operator and Proximal Policy Optimization
• Title（参考訳）: VEGA:物理インフォームドニューラル演算子による電気自動車ナビゲーションエージェントと近似ポリシー最適化
• Authors: Hansol Lim, Minhyeok Im, Jonathan Boyack, Jee Won Lee, Jongseong Brad Choi,
• Abstract要約: 本稿では、充電器付道路グラフを計画する充電対応EVナビゲーションエージェントVEGAを紹介する。 VEGAは2つのモジュールで構成されている。まず、物理インフォームド・ニューラル演算子(PINO)で、実際の車両速度とバッテリパワーログに基づいて訓練されている。 第二に、Reinforcement Learning (RL) エージェントはこれらのダイナミクスを使用して、最適な充電停止と居住時間を持つ経路を最適化する。
• 参考スコア（独自算出の注目度）: 1.4524691281000133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Demands for software-defined vehicles (SDV) are rising and electric vehicles (EVs) are increasingly being equipped with powerful computers. This enables onboard AI systems to optimize charge-aware path optimization customized to reflect vehicle's current condition and environment. We present VEGA, a charge-aware EV navigation agent that plans over a charger-annotated road graph using Proximal Policy Optimization (PPO) with budgeted A* teacher-student guidance under state-of-charge (SoC) feasibility. VEGA consists of two modules. First, a physics-informed neural operator (PINO), trained on real vehicle speed and battery-power logs, uses recent vehicle speed logs to estimate aerodynamic drag, rolling resistance, mass, motor and regenerative-braking efficiencies, and auxiliary load by learning a vehicle-custom dynamics. Second, a Reinforcement Learning (RL) agent uses these dynamics to optimize a path with optimal charging stops and dwell times under SoC constraints. VEGA requires no additional sensors and uses only vehicle speed signals. It may serve as a virtual sensor for power and efficiency to potentially reduce EV cost. In evaluation on long routes like San Francisco to New York, VEGA's stops, dwell times, SoC management, and total travel time closely track Tesla Trip Planner while being slightly more conservative, presumably due to real vehicle conditions such as vehicle parameter drift due to deterioration. Although trained only in U.S. regions, VEGA was able to compute optimal charge-aware paths in France and Japan, demonstrating generalizability. It achieves practical integration of physics-informed learning and RL for EV eco-routing.
• Abstract（参考訳）: ソフトウェア定義自動車(SDV)の需要は増加しており、電気自動車(EV)には強力なコンピュータがますます備わっている。 これにより、車載AIシステムは、車両の現在の状態と環境を反映するようにカスタマイズされたチャージアウェアパス最適化を最適化できる。 本稿では,PPO (Proximal Policy Optimization) を用いた充電アノテート道路グラフの計画と,SoC (State-of-charge) 実現可能性の下でのA*教師指導の予算化について述べる。 VEGAは2つのモジュールから構成される。 第一に、物理インフォームド・ニューラルオペレーター(PINO)は、実車速とバッテリパワーログに基づいて訓練され、最近の車両速度ログを使用して、空力抵抗、ローリング抵抗、質量、モーターおよび再生ブレーキ効率、および補助負荷を車両のカストム力学を学習することで推定する。 第二に、Reinforcement Learning (RL) エージェントはこれらのダイナミクスを使用して、SoC制約の下で最適な充電停止と居住時間を持つ経路を最適化する。 VEGAは追加のセンサーを必要とせず、車両の速度信号のみを使用する。 電力と効率のバーチャルセンサーとして機能し、EVのコストを削減できるかもしれない。 サンフランシスコからニューヨークまでの長いルートの評価では、VEGAの停止時間、居住時間、SoC管理、全走行時間はTesla Trip Plannerをもう少し保守的に追跡するが、おそらくは車両パラメータのドリフトなどの実際の車両条件のためだろう。 VEGAは米国地域でのみ訓練を受けたが、フランスと日本において最適な電荷認識経路を計算し、一般化可能性を示した。 EVエコルーティングのための物理インフォームドラーニングとRLの実践的な統合を実現している。

関連論文リスト

• Smart Ride and Delivery Services with Electric Vehicles: Leveraging Bidirectional Charging for Profit Optimisation [8.899491864225464]
  V2G(EVOP-V2G)を用いた電気自動車のオリエンテーリング問題について紹介する。 これには、動的電気価格のナビゲート、充電ステーションの選択、ルートの制約が含まれる。 1つの進化的(EA)と、大近傍探索(LNS)に基づく2つの準最適メタヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-25T13:15:52Z)
• 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)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Deep Learning-Based Vehicle Speed Prediction for Ecological Adaptive Cruise Control in Urban and Highway Scenarios [0.5161531917413706]
  典型的な自動車追従シナリオでは、目標車両の速度変動はホスト車両の外部障害として作用し、そのエネルギー消費に影響を与える。 本研究では,長寿命メモリ(LSTM)とゲートリカレントユニット(GRU)を用いたディープリカレントニューラルネットワークに基づく車両速度予測について検討した。 提案した速度予測モデルは、目標車両の将来の速度の長期予測(最大10秒)に対して評価される。
  論文  参考訳（メタデータ） (2022-11-30T22:50:43Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• 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)
• End-to-End Vision-Based Adaptive Cruise Control (ACC) Using Deep Reinforcement Learning [12.100265694989627]
  本稿では,Double Deep Q-networksという深層強化学習手法を提案し,エンドツーエンドの視覚ベースの適応クルーズ制御(ACC)システムを設計した。 強化学習モデルでは, 後続距離とスロットル/ブレーキ力に付随するよく設計された報酬関数が実装された。 提案システムは, 先行車両の異なる速度軌跡に適応し, リアルタイムに動作可能である。
  論文  参考訳（メタデータ） (2020-01-24T20:02:50Z)

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。