Digital Twin-Driven VCTS Control: An Iterative Apporach Using Model-Based Reinforcement Learning
Notice bibliographique
Résumé
The Virtually Coupled Train Set (VCTS) is a promising framework to improve the efficiency of urban rail transits (URTs), addressing challenges introduced by time-varying and location-varying passenger flow. However, traditional train control models, relying on liner approximation methods to fit nonlinear dynamic models, cannot meet the safety-critical and latency-sensitive task requirements of VCTS systems. Although artificial intelligence (AI)-based control models are promising, substantial training data and computational resources is challenging in URTs. In response to these challenges, this paper proposes a novel digital twin (DT) driven VCTS framework and an iterative-based control policy learning approach. In the designed DT-driven VCTS system, we collect essential training data from the physical domain, representing the real-world environment. We employ model-based reinforcement learning (MBRL) to learn the dynamic train model and optimize the train control policy in the digital domain, a simulated environment mirroring the physical domain. This approach uniquely leverages model predictions for policy optimization during the training process, adapting to a broad range of scenarios beyond reliance on actual operational data. Furthermore, by employing an iterative learning approach and integrating the physical and digital domains, the train control model and policy can be updated to effectively handle uncertainties and complexities encountered in real-world situations. Extensive experiments validates the effectiveness of our proposed framework, demonstrating its robust performance and adaptability across diverse conditions.
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 | 0,001 |
| 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 ».