Multiobjective eco-driving speed optimisation with real-time traffic: Balancing fuel, NOx, and travel time
Notice bibliographique
Résumé
Optimising driving velocity profiles is crucial for reducing vehicle fuel consumption and NOx emissions without altering core vehicle components. While many studies have addressed eco-driving, most have focused solely on minimising fuel consumption or have treated NOx emissions separately, resulting in distinct, non-integrated speed profiles, and have often neglected the influence of real-time traffic. To overcome these limitations, this paper introduces a novel Multiobjective Speed Profile Optimisation (MO-SPO) framework for eco-driving that simultaneously minimises fuel consumption, NOx emissions, and travel time while accounting for surrounding traffic. Two solution approaches are developed and compared: a two-phase Model Predictive Control (MPC) method and a newly proposed Deep Reinforcement Learning (DRL) method that directly integrates multiple objectives and real-time traffic constraints into the speed control policy. Simulation results on a UK highway segment, with vehicle dynamics and engine characteristics derived from GT-SUITE data, demonstrate the benefits of the proposed framework. For instance, at one representative Pareto point, results indicate that the DRL approach achieves up to 10% lower fuel consumption and 16% lower NOx emissions compared to MPC-based methods while reducing travel time by approximately 5%. In addition, the DRL method maintained safer headway distances, offering more robust eco-driving strategies in dynamic traffic environments. This work is the first to apply multiobjective optimisation to generate integrated speed profiles that consider fuel, NOx, and travel time simultaneously under realistic traffic 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 | 0,000 |
| 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 ».