Visual Detection and Deep Reinforcement Learning-Based Car Following and Energy Management for Hybrid Electric Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Practical vision-based technology is essential for the autonomous driving of intelligent hybrid electric vehicles. In this article, a hierarchical control structure is proposed, which combines you only look once-based object detection and learning-based intelligent control by deep reinforcement learning. After modeling a typical car-following scene, the leading car is detected in the driving image, and the real-time distance between two cars is evaluated by vision-based distance measurement. Then, a deep Q-network is adopted to learn the car-following control strategy and energy management strategy, which achieves multiobjective control of the hybrid powertrain while maintaining a reasonable distance for the following car. When completing off-line training, the online processor-in-the-loop test by the edge computing device NVIDIA Jetson AGX Xavier is performed. Results show that the hierarchical control strategy gets a fuel economy of 5.76 L/100 km while keeping a safe following distance. Moreover, the time consumed to run a driving cycle of 1797 s in the embedded device is 476.87 s, which means that a control loop, including target recognition, distance measurement, car-following control, and energy management, takes 0.26 s. This study proves that vehicle vision can lay the technical foundation for intelligent driving, and the results illustrate that the hierarchical control structure is capable of achieving considerable computing efficiency on embedded devices and has the potential for real vehicle control.
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.
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 | 0,001 | 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 découle