論文の概要: Credible CO2 Comparisons: A Machine Learning Approach to Vehicle Powertrain Assessment

• arxiv url: http://arxiv.org/abs/2601.14022v1
• Date: Tue, 20 Jan 2026 14:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.355119
• Title: Credible CO2 Comparisons: A Machine Learning Approach to Vehicle Powertrain Assessment
• Title（参考訳）: Credible CO2 Comparisons: 自動車パワートレイン評価のための機械学習アプローチ
• Authors: Rodrigo Pereira David, Luciano Araujo Dourado Filho, Daniel Marques da Silva, João Alfredo Cal-Braz,
• Abstract要約: 道路輸送の脱炭には、車両技術全体にわたるCO2排出量を比較するための一貫した透明な方法が必要である。 本稿では, 内燃機関車(ICEV)と電気自動車(EV)を, 同一の実世界の運転条件下での運転評価を行う機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decarbonizing road transport requires consistent and transparent methods for comparing CO2 emissions across vehicle technologies. This paper proposes a machine learning-based framework for like-for-like operational assessment of internal combustion engine vehicles (ICEVs) and electric vehicles (EVs) under identical, real-world driving conditions. The approach isolates technology-specific effects by holding the observed speed profile and environmental context fixed, enabling direct comparison of powertrain performance. Recurrent neural network models are trained independently for each domain to learn the mapping from contextual driving variables (speed, acceleration, temperature) to internal actuation variables (torque, throttle) and instantaneous CO2-equivalent emission rates. This structure allows the construction of counterfactual scenarios that answer: What emissions would an EV have generated if it had followed the same driving profile as an ICEV? By aligning both vehicle types on a unified instantaneous emissions metric, the framework enables fair and reproducible evaluation of powertrain technologies. It offers a scalable foundation for credible, data-driven assessments of vehicle carbon performance under real-world operating conditions.
• Abstract（参考訳）: 道路輸送の脱炭には、車両技術全体にわたるCO2排出量を比較するための一貫した透明な方法が必要である。 本稿では, 内燃機関車(ICEV)と電気自動車(EV)を, 同一の実世界の運転条件下での運転評価を行う機械学習フレームワークを提案する。 この手法は、観測速度プロファイルと環境コンテキストを固定することで、技術固有の効果を分離し、パワートレイン性能の直接比較を可能にする。 繰り返しニューラルネットワークモデルは、コンテキスト駆動変数(速度、加速度、温度)から内部アクチュエータ変数(トルク、スロットル)と瞬時CO2等価エミッションレートへのマッピングを学ぶために、各領域に対して独立に訓練される。 EVがICEVと同じ運転プロファイルに従っていた場合、どのようなエミッションを発生させるのか? 両車種を統一的な瞬時排出基準に整列させることにより、この枠組みはパワートレイン技術の公平かつ再現可能な評価を可能にする。 現実の運転条件下での車載炭素性能の信頼性とデータ駆動評価のためのスケーラブルな基盤を提供する。

関連論文リスト

• A phase-aware AI car-following model for electric vehicles with adaptive cruise control: Development and validation using real-world data [7.228308959516853]
  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。
  論文  参考訳（メタデータ） (2025-09-30T22:27:03Z)
• 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)
• 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)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• 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)
• Rapid Assessments of Light-Duty Gasoline Vehicle Emissions Using On-Road Remote Sensing and Machine Learning [18.334974501482275]
  道路上での自動車排ガスのリアルタイムかつ正確な評価は、都市大気の質と健康政策において中心的な役割を果たす。 ここでは、オンロードリモートセンシング(ORRS)測定をI/Mレコードに関連付ける103831光デューティガソリン車を含む、ユニークなデータセットを構築します。 ニューラルネットワーク(NN)、極勾配強化(XGBoost)、ランダムフォレスト(ランダムフォレスト)を含む3つの機械学習アルゴリズムを統合するアンサンブルモデルフレームワークを開発した。
  論文  参考訳（メタデータ） (2021-10-01T08:37:06Z)

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。