A Generative Physics-Informed Reinforcement Learning-Based Approach for Construction of Representative Drive Cycle

要約

正確な運転サイクルの構築は、車両の設計、燃費分析、環境への影響評価に不可欠です。
一時的なダイナミクス、加速、減速、アイドリング、および道路グレードの遷移をキャプチャしながら、モデルの忠実度を確保することにより、代表的な駆動サイクルを構築する生成物理学に基づいた予想されるSARSA-Monte Carlo（PIESMC）アプローチが導入されます。
Monte Carloサンプリングを使用して物理学に基づいた強化学習フレームワークを活用して、PIESMCは計算コストを削減して効率的なサイクル構造を提供します。
2つの実際のデータセットでの実験的評価は、PIESMCが重要な運動学とエネルギーのメトリックを再現し、マイクロトリップベース（MTB）メソッドと比較して累積運動断片的な誤差を最大57.3％減少させることを実証し、マルコフキャインベース（MCB）方法に比べて10.5％減少します。
さらに、従来の技術よりもほぼ数桁高速です。
車両固有の電力分布とウェーブレット変換周波数含有量の分析により、実験的な中心的な傾向と変動性を再現する能力がさらに確認されます。

要約(オリジナル)

Accurate driving cycle construction is crucial for vehicle design, fuel economy analysis, and environmental impact assessments. A generative Physics-Informed Expected SARSA-Monte Carlo (PIESMC) approach that constructs representative driving cycles by capturing transient dynamics, acceleration, deceleration, idling, and road grade transitions while ensuring model fidelity is introduced. Leveraging a physics-informed reinforcement learning framework with Monte Carlo sampling, PIESMC delivers efficient cycle construction with reduced computational cost. Experimental evaluations on two real-world datasets demonstrate that PIESMC replicates key kinematic and energy metrics, achieving up to a 57.3% reduction in cumulative kinematic fragment errors compared to the Micro-trip-based (MTB) method and a 10.5% reduction relative to the Markov-chain-based (MCB) method. Moreover, it is nearly an order of magnitude faster than conventional techniques. Analyses of vehicle-specific power distributions and wavelet-transformed frequency content further confirm its ability to reproduce experimental central tendencies and variability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google