論文の概要: Personalized electric vehicle energy consumption estimation framework that integrates driver behavior with map data
- arxiv url: http://arxiv.org/abs/2604.20764v1
- Date: Wed, 22 Apr 2026 16:49:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:11.240896
- Title: Personalized electric vehicle energy consumption estimation framework that integrates driver behavior with map data
- Title（参考訳）: 運転行動と地図データを統合したパーソナライズされた電気自動車エネルギー消費量推定フレームワーク
- Authors: Sreechakra Vasudeva Raju Rachavelpula, Sangwhan Cha,
- Abstract要約: 本稿では,パーソナライズされたバッテリー電気自動車(BEV)エネルギー消費量推定フレームワークを提案する。
地図ベースのコンテキスト特徴とドライバ固有の速度予測と物理ベースのエネルギー消費モデリングを統合している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a personalized Battery Electric Vehicle (BEV) energy consumption estimation framework that integrates map-based contextual features with driver-specific velocity prediction and physics-based energy consumption modeling. The system combines route selection, detailed road feature processing, a rule-based reference velocity generator, a PID controller-based vehicle dynamics simulator, and a Bidirectional LSTM model trained to reproduce individual driving behavior. The predicted individual-specific velocity profiles are coupled with a quasi-steady backward energy consumption model to compute tractive power, regenerative braking, and State-of-Charge (SOC) evolution. Evaluation across urban, freeway, and hilly routes demonstrates that the proposed approach captures key driver behavioral patterns such as deceleration at intersections, speed-limit tracking, and road grade-dependent responses, while producing accurate power and SOC trajectories. The results highlight the effectiveness of combining learned driver behavior with map-based context and physics-based energy consumption modeling to produce accurate, personalized BEV SOC depletion profiles.
- Abstract（参考訳）: 本稿では,地図に基づく環境特徴とドライバ固有の速度予測と物理に基づくエネルギー消費モデリングを統合した,パーソナライズされたバッテリー電気自動車(BEV)エネルギー消費推定フレームワークを提案する。
このシステムは、経路選択、詳細な道路特徴処理、ルールベースの基準速度生成器、PIDコントローラベースの車両動力学シミュレータ、および運転行動の再現のために訓練された双方向LSTMモデルを組み合わせる。
予測された個々の速度プロファイルは、トラクティブパワー、再生ブレーキ、およびステート・オブ・チャージ(SOC)進化を計算するために、準定常な後方エネルギー消費モデルと結合される。
都市,高速道路,丘陵路をまたいで評価した結果,提案手法は交差点での減速,速度制限追従,道路グレードに依存した応答などの重要なドライバの行動パターンを捉えるとともに,正確な電力とSOC軌道を生成する。
その結果、学習したドライバー行動と地図に基づくコンテキストと物理に基づくエネルギー消費モデルを組み合わせることで、正確な個別化されたBEV SOC減量プロファイルを生成することの有効性を強調した。
関連論文リスト
- TrajDiff: End-to-end Autonomous Driving without Perception Annotation [65.49718343700319]
エンドツーエンドの自動運転システムは、生センサ入力から直接駆動ポリシーを生成する。
TrajDiffはTrajectory-oriented BEV Conditioned Diffusionフレームワークであり、エンドツーエンドの自動運転のための知覚アノテーションのない生成方法を確立する。
NAVSIMベンチマークで評価すると、TrajDiffは87.5 PDMSを達成した。
論文 参考訳（メタデータ） (2025-11-30T04:34:20Z) - 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) - 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) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。
また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - A Preference-aware Meta-optimization Framework for Personalized Vehicle
Energy Consumption Estimation [0.0]
自動車エネルギー消費の推定は、所定の旅行に必要な総エネルギーを、開始前に予測することを目的としている。
既存のアプローチは主に、VEC推定を改善するために典型的な旅行から統計的に重要な要素を抽出することに焦点を当てている。
本稿では、自動車のエネルギー消費のパーソナライズのための好みを考慮したメタ最適化フレームワークMeta-Pecを提案する。
論文 参考訳（メタデータ） (2023-06-26T05:03:24Z) - 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) - 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) - 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) - Analyzing the Travel and Charging Behavior of Electric Vehicles -- A
Data-driven Approach [1.7403133838762446]
電気自動車(EV)は電力システムにかなりの電力需要をもたらす可能性がある。
本プロジェクトでは,全国住宅ホルドサーベイ(NHTS)データを用いて旅行の順序を定めている。
我々は、旅行開始時間、終了時間、距離など、ドライバーの次の旅行のパラメータを予測する機械学習モデルを開発する。
論文 参考訳（メタデータ） (2021-06-11T15:53:59Z)
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。