Energy Efficient Routing Estimation in Electric Vehicle with Online Rolling Resistance Estimation
Notice bibliographique
Résumé
Against the gas emission and fuel dependency, the number of electrical vehicles (EV) is expected to rise in the future. However, EVs have less autonomy than gas vehicles, causing driver anxiety about EV running out of energy. To reduce driver anxiety of battery electric vehicle (BEV), we aim in this study at finding the near optimal route with minimal energy consumption. First, 10- intersection road network is used to construct the traveling scenario. Road segments vary with respect to length and type of road pavement (Gravel or Asphalt). The proposed routing technique includes a robust estimation of the rolling resistance coefficient. To this end, a Recursive Least Square (RLS)-based algorithm is performed to estimate BEV rolling resistance coefficient on Gravel and Asphalt roads. An experimental work is performed on NEtwork MObility (NEMO) to test and validate the proposed estimation method. Finally, the routing technique is developed in order to give the driver more freedom and convenience to find at each intersection the most efficient road segment in terms of consumed energy. The consumed energy is a function of the segment distance and the estimated rolling resistance coefficient corresponding to Asphalt or Gravel pavement. Our technique allowed finding the near optimal route that allows less power consumption computed at the 5 intersections with the longer distance than the shortest path. This development is a starting point to contribute promoting the use of EVs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».