Co-Optimization of Adaptive Cruise Control and Hybrid Electric Vehicle Energy Management With Clutch Engagement Decision Control via Reinforcement Learning
Notice bibliographique
Résumé
The co-optimization of adaptive cruise control (ACC) and energy management strategy (EMS) can improve the energy-saving capability of a hybrid electric vehicle (HEV). Co-optimization for a series-parallel HEV involves continuous control variables, such as the engine speed and torque, and discrete control variables, such as the clutch engagement decision. To solve the mixed-integer optimal control problem, we propose a hybrid-action reinforcement learning (HARL) algorithm called parameterized proximal policy optimization (PA-PPO) for series-parallel HEV co-optimization of ACC and EMS to minimize the clutch engagement/disengagement times, energy consumption, and guarantee the car-following performance. Firstly, the ACC model and the control-oriented HEV EMS model considering the clutch engagement decision control are constructed and combined to form the co-optimization model. Secondly, the PA-PPO algorithm is proposed and trained to solve the co-optimization problem. Compared to model predictive control (MPC), the proposed PA-PPO algorithm achieves similar fuel consumption while significantly reducing clutch engagement/disengagement times and jerk values. In addition, the computation time of PA-PPO is five-orders-of-magnitude smaller than MPC. Finally, the PA-PPO control performance is validated using a Simulink high-fidelity model (HFM).
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 | 0,001 | 0,001 |
| 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 ».