MétaCan
Menu
Retour à la cohorte
Enregistrement W2806799977 · doi:10.1109/icoa.2018.8370584

Route planning for electric vehicle efficiency using the Bellman-Ford algorithm on an embedded GPU

2018· article· en· W2806799977 sur OpenAlexaff
Adam Schambers, Matthew Eavis-O'Quinn, Vincent Roberge, Mohammed Tarbouchi

Notice bibliographique

Revue2018 4th International Conference on Optimization and Applications (ICOA) · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAutonomous Vehicle Technology and Safety
Établissements canadiensRoyal Military College of Canada
Organismes subventionnairesnon disponible
Mots-clésDijkstra's algorithmTraverseComputer scienceAlgorithmPlan (archaeology)Dynamic programmingProcess (computing)Enhanced Data Rates for GSM EvolutionComputational complexity theoryEfficient energy useEnergy (signal processing)Work (physics)Shortest path problemArtificial intelligenceEngineering

Résumé

récupéré en direct d'OpenAlex

Traditional route planning algorithms, such as Dijkstra or A*, are efficient in their execution due to low computational complexity. With the rise in popularity of electric vehicles, which have the capability of recharging their batteries while driving, energy costs to traverse road segments can now be negative values. Dijkstra or A* cannot process negative edge weights. This work presents the use of the Bellman-Ford algorithm to plan driving routes based on energy efficiency. To overcome the increased computational complexity and ensure reasonable processing speeds this work uses an embedded graphical processing unit and a parallel implementation of Bellman-Ford on an embedded GPU system. This method allows routes to be plotted with considerable reductions in energy requirements, while maintaining the performance of traditional route planning programs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,963
Score d'incertitude au seuil0,542

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,304
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2018 4th International Conference on Optimization and Applications (ICOA)Même sujetAutonomous Vehicle Technology and SafetyTravaux en français237 207