論文の概要: A phase-aware AI car-following model for electric vehicles with adaptive cruise control: Development and validation using real-world data
- arxiv url: http://arxiv.org/abs/2510.21735v1
- Date: Tue, 30 Sep 2025 22:27:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 05:35:45.939651
- Title: A phase-aware AI car-following model for electric vehicles with adaptive cruise control: Development and validation using real-world data
- Title（参考訳）: 適応走行制御型電気自動車の相認識型AI自動車追従モデル:実世界データを用いた開発と検証
- Authors: Yuhui Liu, Shian Wang, Ansel Panicker, Kate Embry, Ayana Asanova, Tianyi Li,
- Abstract要約: 内燃機関(ICE)車両と電気自動車(EV)は、異なる車両の動力学を示す。
既存の顕微鏡モデルでは、ICE車両の駆動挙動を効果的に捉えている。
本研究は、EVに特化したフェーズアウェアAI(PAAI)カーフォローモデルを開発し、検証する。
- 参考スコア（独自算出の注目度）: 7.228308959516853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internal combustion engine (ICE) vehicles and electric vehicles (EVs) exhibit distinct vehicle dynamics. EVs provide rapid acceleration, with electric motors producing peak power across a wider speed range, and achieve swift deceleration through regenerative braking. While existing microscopic models effectively capture the driving behavior of ICE vehicles, a modeling framework that accurately describes the unique car-following dynamics of EVs is lacking. Developing such a model is essential given the increasing presence of EVs in traffic, yet creating an easy-to-use and accurate analytical model remains challenging. To address these gaps, this study develops and validates a Phase-Aware AI (PAAI) car-following model specifically for EVs. The proposed model enhances traditional physics-based frameworks with an AI component that recognizes and adapts to different driving phases, such as rapid acceleration and regenerative braking. Using real-world trajectory data from vehicles equipped with adaptive cruise control (ACC), we conduct comprehensive simulations to validate the model's performance. The numerical results demonstrate that the PAAI model significantly improves prediction accuracy over traditional car-following models, providing an effective tool for accurately representing EV behavior in traffic simulations.
- Abstract（参考訳）: 内燃機関(ICE)車両と電気自動車(EV)は、異なる車両の動力学を示す。
EVは急速に加速し、電動モーターはより広い速度範囲でピーク電力を発生させ、再生ブレーキによって急速に減速する。
既存の顕微鏡モデルはICE車の運転行動を効果的に捉えているが、EVのユニークな車追従ダイナミクスを正確に記述するモデリングフレームワークは欠如している。
このようなモデルの開発は、トラフィックにおけるEVの存在が増大する中で不可欠であるが、使いやすく正確な分析モデルを作成することは依然として困難である。
これらのギャップに対処するために、この研究は、EVに特化したフェーズアウェアAI(PAAI)カーフォローモデルを開発し、検証する。
提案モデルは、高速加速や再生ブレーキなど、異なる駆動フェーズを認識し、適応するAIコンポーネントを用いて、従来の物理ベースのフレームワークを強化する。
適応型クルーズ制御(ACC)を搭載した車両の実際の軌道データを用いて,モデルの性能評価を行う。
数値的な結果から,PAAIモデルは従来の自動車追従モデルよりも予測精度を著しく向上させ,交通シミュレーションにおけるEVの挙動を正確に表現するための有効なツールを提供する。
関連論文リスト
- Modeling Electric Vehicle Car-Following Behavior: Classical vs Machine Learning Approach [0.49115431920688835]
本研究では,EV車追従行動の古典的モデルと機械学習モデルを比較した。
我々は、予測と実データの間のRMSEを最小化することにより、古典的モデルパラメータを校正した。
ランダムフォレストモデルは、スペーシング、スピード、ギャップタイプを入力として加速度を予測する。
論文 参考訳（メタデータ） (2025-10-28T05:54:50Z) - 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) - 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) - Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳（メタデータ） (2024-04-30T23:18:51Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
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) - Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control [4.23755398158039]
本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。
提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。
シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-01T06:09:49Z) - 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) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - A Deep Learning Approach for Macroscopic Energy Consumption Prediction
with Microscopic Quality for Electric Vehicles [0.0]
本稿では,電気自動車の電力消費をマクロレベルでモデル化する機械学習手法を提案する。
エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値がかなり正確に学習可能であることを示す。
このモデルは、リアルタイムの行動伝達モデルをサポートするために、POLARISトランスポーテーションシステムシミュレーションツールにデプロイされ、統合されている。
論文 参考訳（メタデータ） (2021-11-25T01:20:32Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z)
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。