論文の概要: Production-Ready Automated ECU Calibration using Residual Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.07059v1
• Date: Wed, 08 Apr 2026 13:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.546992
• Title: Production-Ready Automated ECU Calibration using Residual Reinforcement Learning
• Title（参考訳）: 残留強化学習を用いた生産準備型ECU校正
• Authors: Andreas Kampmeier, Kevin Badalian, Lucas Koch, Sung-Yong Lee, Jakob Andert,
• Abstract要約: 本稿では,残差RLを用いたキャリブレーションプロセスの自動化について説明する。 提案手法は,ECUシリーズの参照によく似たキャリブレーションに急速に収束する。 その結果、アプローチはより少ない時間でキャリブレーションを向上し、事実上人間の介入を必要としない業界に適していることが証明された。
• 参考スコア（独自算出の注目度）: 3.6145509810300656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic Control Units (ECUs) have played a pivotal role in transforming motorcars of yore into the modern vehicles we see on our roads today. They actively regulate the actuation of individual components and thus determine the characteristics of the whole system. In this, the behavior of the control functions heavily depends on their calibration parameters which engineers traditionally design by hand. This is taking place in an environment of rising customer expectations and steadily shorter product development cycles. At the same time, legislative requirements are increasing while emission standards are getting stricter. Considering the number of vehicle variants on top of all that, the conventional method is losing its practical and financial viability. Prior work has already demonstrated that optimal control functions can be automatically developed with reinforcement learning (RL); since the resulting functions are represented by artificial neural networks, they lack explainability, a circumstance which renders them challenging to employ in production vehicles. In this article, we present an explainable approach to automating the calibration process using residual RL which follows established automotive development principles. Its applicability is demonstrated by means of a map-based air path controller in a series control unit using a hardware-in-the-loop (HiL) platform. Starting with a sub-optimal map, the proposed methodology quickly converges to a calibration which closely resembles the reference in the series ECU. The results prove that the approach is suitable for the industry where it leads to better calibrations in significantly less time and requires virtually no human intervention
• Abstract（参考訳）: 電子制御ユニット(Electronic Control Units, ECUs)は、ヨーレの自動車を、今日の道路で見られる現代車両に転換する上で、重要な役割を担っている。 個々のコンポーネントの動作を積極的に制御し、システム全体の特性を決定する。 この場合、制御機能の振る舞いは、エンジニアが手動で設計するキャリブレーションパラメータに大きく依存する。 これは、顧客の期待が高まり、製品開発サイクルが着実に短い環境で行われます。 同時に、排出基準が厳格化する一方、立法要件が増している。 これらに加えて車両の変種数を考えると、従来の手法は実用的かつ財政的な可能性を失っている。 これまでの研究で、最適制御関数は強化学習(RL)で自動的に開発できることが証明されており、結果として得られる関数は人工ニューラルネットワークで表されるため、説明性がない。 本稿では,既存の自動車開発原則に従う残差RLを用いてキャリブレーションプロセスを自動化するための説明可能なアプローチを提案する。 その適用性は、HiL(ハードウェア・イン・ザ・ループ)プラットフォームを使用した一連の制御ユニットにおけるマップベースの空気経路制御によって実証される。 準最適写像から始めると、提案手法は直ちに、ECUシリーズの参照によく似たキャリブレーションに収束する。 その結果、アプローチが極めて少ない時間でキャリブレーションを向上し、事実上人間の介入を必要としない業界に適していることが証明された。

関連論文リスト

• Physics Enhanced Residual Policy Learning (PERPL) for safety cruising in mixed traffic platooning under actuator and communication delay [8.172286651098027]
  線形制御モデルは、その単純さ、使いやすさ、安定性解析のサポートにより、車両制御に広範囲に応用されている。 一方、強化学習(RL)モデルは適応性を提供するが、解釈可能性や一般化能力の欠如に悩まされる。 本稿では,物理インフォームドポリシによって強化されたRL制御系の開発を目標とする。
  論文  参考訳（メタデータ） (2024-09-23T23:02:34Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Scenario-based Thermal Management Parametrization Through Deep Reinforcement Learning [0.4218593777811082]
  本稿では,熱管理機能に対する学習に基づくチューニング手法を提案する。 我々の深層強化学習エージェントは、チューニングタスクコンテキストを処理し、組込みパラメータセットのイメージベースの解釈を組み込む。 本稿では,バルブ制御器のパラメトリゼーションタスクへの適用性を実証し,実際の車両試験で検証する。
  論文  参考訳（メタデータ） (2024-08-04T13:19:45Z)
• 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)
• EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
  本研究では,データ駆動型自動車追従モデルを提案する。 本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
  論文  参考訳（メタデータ） (2024-06-23T15:04:07Z)
• Modelling, Positioning, and Deep Reinforcement Learning Path Tracking Control of Scaled Robotic Vehicles: Design and Experimental Validation [3.807917169053206]
  スケールされたロボットカーは通常、車両の状態の推定と制御に特化したタスクを含む階層的な制御機構を備えている。 本稿では, (i) フェデレートされた拡張カルマンフィルタ (FEKF) と (ii) エキスパートデモレータを用いて訓練された新しい深部強化学習 (DRL) パストラッキングコントローラを提案する。 実験により検証されたモデルは、(i)FEKFの設計を支援するために使用され、(ii)DRLに基づく経路追跡アルゴリズムをトレーニングするためのデジタルツインとして機能する。
  論文  参考訳（メタデータ） (2024-01-10T14:40:53Z)
• Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
  本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。 計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。 従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
  論文  参考訳（メタデータ） (2023-12-11T14:27:10Z)
• Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
  半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。 事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。 本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2022-05-18T16:50:20Z)

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。