NPC: Neural Predictive Control for Fuel-Efficient Autonomous Trucks

要約

燃料効率は、コストを節約し、二酸化炭素排出量を削減する石油燃料トラックによる長距離貨物輸送の重要な側面です。
現在の予測制御方法は、重量、抗力係数、エンジンのブレーキ固有燃料消費量 (BSFC) マップなど、車両のダイナミクスとエンジンの正確なモデルに依存しています。
私たちは、車両の物理モデルを一切使用しない、純粋なデータ駆動型手法であるニューラル予測制御 (NPC) を提案します。
20,000 km を超える履歴データを使用してトレーニングした後、新しく提案された NVFormer は、アテンション メカニズムを使用して、車両のダイナミクス、道路の勾配、燃料消費量、および制御コマンドの間の関係を暗黙的にモデル化します。
現在の貨物輸送の過去からオンラインでサンプリングされたプリミティブとアンカーベースの将来のデータ合成に基づいて、NVFormer は合理的な燃料消費量を実現する最適な制御コマンドを推測できます。
物理モデルを使用しない NPC は、基本 PCC 手法よりも優れた性能を発揮し、シミュレーションおよび公道高速道路テストでそれぞれ 2.41% および 3.45% の大幅な燃料節約を実現しました。

要約(オリジナル)

Fuel efficiency is a crucial aspect of long-distance cargo transportation by oil-powered trucks that economize on costs and decrease carbon emissions. Current predictive control methods depend on an accurate model of vehicle dynamics and engine, including weight, drag coefficient, and the Brake-specific Fuel Consumption (BSFC) map of the engine. We propose a pure data-driven method, Neural Predictive Control (NPC), which does not use any physical model for the vehicle. After training with over 20,000 km of historical data, the novel proposed NVFormer implicitly models the relationship between vehicle dynamics, road slope, fuel consumption, and control commands using the attention mechanism. Based on the online sampled primitives from the past of the current freight trip and anchor-based future data synthesis, the NVFormer can infer optimal control command for reasonable fuel consumption. The physical model-free NPC outperforms the base PCC method with 2.41% and 3.45% more significant fuel saving in simulation and open-road highway testing, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google