Evaluating system architectures for driving range estimation and charge planning for electric vehicles
Notice bibliographique
Résumé
Abstract Due to sparse charging infrastructure and short driving ranges, drivers of battery electric vehicles (BEVs) can experience range anxiety, which is the fear of stranding with an empty battery. To help eliminate range anxiety and make BEVs more attractive for customers, accurate range estimation methods need to be developed. In recent years, many publications have suggested machine learning algorithms as a fitting method to achieve accurate range estimations. However, these algorithms use a large amount of data and have high computational requirements. A traditional placement of the software within a vehicle's electronic control unit could lead to high latencies and thus detrimental to user experience. But since modern vehicles are connected to a backend, where software modules can be implemented, high latencies can be prevented with intelligent distribution of the algorithm parts. On the other hand, communication between vehicle and backend can be slow or expensive. In this article, an intelligent deployment of a range estimation software based on ML is analyzed. We model hardware and software to enable performance evaluation in early stages of the development process. Based on simulations, different system architectures and module placements are then analyzed in terms of latency, network usage, energy usage, and cost. We show that a distributed system with cloud‐based module placement reduces the end‐to‐end latency significantly, when compared with a traditional vehicle‐based placement. Furthermore, we show that network usage is significantly reduced. This intelligent system enables the application of complex, but accurate range estimation with low latencies, resulting in an improved user experience, which enhances the practicality and acceptance of BEVs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».