Can Autonomous Vehicles Save Fuel? Findings from Field Experiments
Notice bibliographique
Résumé
The majority of the more recent studies have mainly focused on how to achieve energy-efficient goals by optimizing the driving behavior for human-driven vehicles or designing trajectory planning and tacking algorithms for autonomous vehicles. However, the energy-saving advantages of autonomous vehicles have not been quantitatively and theoretically explored. Therefore, this study aims to specifically clarify whether autonomous vehicles use less fuel than human-driven ones. First, the differences in driving behavior, regarding speed control, between autonomous vehicles and human-driven vehicles were compared. The most notable difference between them is that an autonomous vehicle can control the vehicle speed more effectively, with less speed fluctuations than a human driver. Subsequently, the influence of speed fluctuation on vehicle fuel consumption (L/100 km) was formulated based on the vehicle specific power (VSP) model. The mathematical deduction showed that the fuel consumption is proportional to the speed fluctuation under the same mean speed. Finally, simulation experiments were conducted under real scenarios. The simulation data showed that the fuel consumption increases almost linearly with the increase in speed fluctuation. Field experiments were also conducted on the fuel consumption of an autonomous vehicle under different driving modes. The experimental data showed that the fuel consumption also increases almost linearly with the increase in speed fluctuation. In the human-driven mode, the fuel consumption increased by 5.6% and 14.7%, respectively, compared with that in the autonomous mode at average speeds of 20 km/h and 40 km/h. Furthermore, the maximum fuel consumption was up to 60% more when the autonomous vehicle was driven by a driver, as the driving behavior displayed greater speed fluctuations.
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 ».