Recent Progress in Energy Management of Connected Hybrid Electric Vehicles Using Reinforcement Learning

要約

ハイブリッド電気自動車 (HEV) の導入の増加は、輸送エネルギー システムに革命をもたらす変革の機会をもたらしています。
交通機関の電動化への移行は、化石燃料消費に関連する環境問題を抑制することを目的としています。
これには、エネルギー効率を最適化するための効率的なエネルギー管理システム (EMS) が必要です。
HEV からコネクテッド ハイブリッド電気自動車 (CHEV) への EMS の進化は、極めて重要な変化を表しています。
HEV の場合、EMS は現在、CHEV の複雑なエネルギー連携要件に直面しており、ルートの最適化、充電調整、負荷分散のための高度なアルゴリズムが必要です。
HEV の最適なエネルギー利用や、さまざまな車種にわたる CHEV の協調的エコ運転制御 (CED) など、両方の領域で課題が続いています。
強化学習 (RL) は、これらの当面の課題に対処するための有望なツールとして際立っています。
具体的には、CHEV の領域内では、マルチエージェント強化学習 (MARL) のアプリケーションが、CED 制御の複雑さに効果的に取り組むための強力なアプローチとして浮上しています。
広範な調査にもかかわらず、個々の車両から複数車両のシナリオにまで及ぶレビューはほとんどありません。
このレビューはギャップを埋めるものであり、将来の持続可能な交通システムに対する RL ベースのソリューションの課題、進歩、および潜在的な貢献に焦点を当てています。

要約(オリジナル)

The growing adoption of hybrid electric vehicles (HEVs) presents a transformative opportunity for revolutionizing transportation energy systems. The shift towards electrifying transportation aims to curb environmental concerns related to fossil fuel consumption. This necessitates efficient energy management systems (EMS) to optimize energy efficiency. The evolution of EMS from HEVs to connected hybrid electric vehicles (CHEVs) represent a pivotal shift. For HEVs, EMS now confronts the intricate energy cooperation requirements of CHEVs, necessitating advanced algorithms for route optimization, charging coordination, and load distribution. Challenges persist in both domains, including optimal energy utilization for HEVs, and cooperative eco-driving control (CED) for CHEVs across diverse vehicle types. Reinforcement learning (RL) stands out as a promising tool for addressing these challenges at hand. Specifically, within the realm of CHEVs, the application of multi-agent reinforcement learning (MARL) emerges as a powerful approach for effectively tackling the intricacies of CED control. Despite extensive research, few reviews span from individual vehicles to multi-vehicle scenarios. This review bridges the gap, highlighting challenges, advancements, and potential contributions of RL-based solutions for future sustainable transportation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google