論文の概要: E-CoDrive: A Co-Simulation Framework for Testing Energy-Critical Driving Scenarios

• arxiv url: http://arxiv.org/abs/2607.04803v1
• Date: Mon, 06 Jul 2026 08:35:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.088912
• Title: E-CoDrive: A Co-Simulation Framework for Testing Energy-Critical Driving Scenarios
• Title（参考訳）: E-CoDrive: エネルギークリティカルな運転シナリオをテストするための共シミュレーションフレームワーク
• Abstract要約: E-CoDriveは再現可能なクローズドループ駆動のためのフレームワークである。 都市環境でAEVソフトウェアスタックをテストするために、エネルギー消費モデル、マイクロ交通シミュレータ、運転シミュレータを統合している。 評価の結果,交通条件の変化は自動車のエネルギー消費に大きな違いをもたらすことがわかった。
• 参考スコア（独自算出の注目度）: 41.09253757054338
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Autonomous driving research has largely focused on safety while giving limited attention to non-functional aspects such as energy consumption and sustainability. As Autonomous Electric Vehicles (AEVs) become increasingly common in urban traffic, understanding how complex traffic dynamics influence their energy consumption is paramount to test whether AEVs can complete trips before battery depletion. To support energy-aware scenario-based testing of AEVs, we present E-CoDrive, a framework for reproducible closed-loop driving co-simulations that integrates an energy consumption model, a micro-traffic simulator, and a high-fidelity driving simulator to test AEV software stacks in urban scenarios. This tool paper describes the architecture of E-CoDrive and demonstrates its applicability by testing an Autoware-based AEV stack. Our evaluation shows that varying traffic conditions produce substantial differences in vehicle energy consumption. The artifact is publicly available at https://doi.org/10.6084/m9.figshare.32244783, and a screencast showing the tool is available at https://youtu.be/yX9fWHqCvgc.
• Abstract（参考訳）: 自律運転研究は、エネルギー消費や持続可能性といった非機能的な側面に限定的に注意を向けながら、安全に重点を置いている。 都市交通において自律型電気自動車(AEV)が普及するにつれて、複雑な交通力学が彼らのエネルギー消費に与える影響を理解することが、AEVがバッテリーの枯渇前に旅行を完了できるかをテストする最重要課題である。 都市におけるAEVソフトウェアスタックをテストするための,エネルギー消費モデル,マイクロ交通シミュレータ,高忠実運転シミュレータを統合した,再現可能なクローズドループ駆動協調シミュレーションフレームワークであるE-CoDriveを提案する。 本稿では、E-CoDriveのアーキテクチャを説明し、AutowareベースのAEVスタックをテストすることで、その適用性を実証する。 評価の結果,交通条件の変化は自動車のエネルギー消費に大きな違いをもたらすことがわかった。 アーティファクトはhttps://doi.org/10.6084/m9.figshare.32244783で公開されており、ツールを示すスクリーンキャストはhttps://youtu.be/yX9fWqCvgcで公開されている。

関連論文リスト

• EVLA: An Electro-Aware Multimodal Assistant for Physically-Grounded Driving Reasoning and Control [10.455125430099676]
  本稿では,マルチモーダルシーン理解と電力系統状態のリアルタイム認識を組み合わせた,EVLA(Electro-Visual-Language Assistant)を提案する。 この研究は、車両状態の認識と構造化された物理的推論を統合することが、次世代で物理的に接地された運転アシスタントの開発に不可欠であることを示している。
  論文  参考訳（メタデータ） (2026-06-27T14:20:26Z)
• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• From Code to Road: A Vehicle-in-the-Loop and Digital Twin-Based Framework for Central Car Server Testing in Autonomous Driving [12.14436913195805]
  本研究は,集中型E/Eアーキテクチャ上での自動車ソフトウェアテストフレームワークを提案する。 このフレームワークは、ダイナモメーターテストベンチに物理テスト車両を、シミュレーション環境で同期仮想車両と結合する。
  論文  参考訳（メタデータ） (2026-03-05T15:23:28Z)
• VP-AutoTest: A Virtual-Physical Fusion Autonomous Driving Testing Platform [47.03629760732478]
  本稿では,現実の交通参加者の多様性を再現する,自律走行用仮想物理テストプラットフォーム(VP-AutoTest)を提案する。 VP-AutoTestには多次元評価フレームワークとAI駆動のエキスパートシステムが組み込まれ、包括的なパフォーマンス評価と欠陥診断を行う。
  論文  参考訳（メタデータ） (2025-12-08T12:43:33Z)
• DriveE2E: Closed-Loop Benchmark for End-to-End Autonomous Driving through Real-to-Simulation [30.965269391221373]
  我々は,CARLAシミュレータに現実の運転シナリオを密に統合した,単純なクローズドループ評価フレームワークを導入する。 当社のアプローチでは、高マウントのインフラストラクチャセンサーによってキャプチャされた総合的な100時間ビデオデータセットから選択された800の動的トラフィックシナリオを抽出する。 これらのデジタル双生児は実世界の交通と環境特性を正確に再現し、CARLAのより現実的なシミュレーションを可能にした。
  論文  参考訳（メタデータ） (2025-09-28T14:55:14Z)
• MetAdv: A Unified and Interactive Adversarial Testing Platform for Autonomous Driving [85.04826012938642]
  MetAdvは、現実的でダイナミックでインタラクティブな評価を可能にする、新しい対向テストプラットフォームである。 フレキシブルな3D車両モデリングと、シミュレートされた環境と物理的環境のシームレスな遷移をサポートする。 生理的信号のリアルタイムキャプチャとドライバからの行動フィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-08-04T03:07:54Z)
• A Data-Driven Odyssey in Solar Vehicles [9.56887549273956]
  本研究では,太陽光発電における長距離走行の理解を支援するシミュレータを提案する。 Google Mapsのデータと天気情報を利用することで、シミュレータは現実世界の運転条件を再現する。
  論文  参考訳（メタデータ） (2024-10-23T09:39:26Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• 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)

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。