A Novel ANFIS-Based Approach for Optimizing Energy Efficiency in Autonomous Vehicles
Notice bibliographique
Résumé
Autonomous vehicles (AVs) promise improved safety and sustainability, yet their sophisticated sensing, computing, and communication systems impose auxiliary power loads of 1.5–3.2 kW, risking an increase of up to 45% in global transport energy demand by 2040 if left unaddressed. Existing energy management strategies fail to jointly optimize propulsion and autonomy subsystems under real-world dynamic traffic, treat ADAS loads as static, and lack statistically rigorous validation. This paper proposes a novel Adaptive Neuro-Fuzzy Inference System (ANFIS)-PID framework that integrates (i) 5 s V2X traffic preview, (ii) online PID gain scheduling, and (iii) energy-aware rule pruning for real-time energy allocation. Validated on a real-world trajectory dataset, the approach consistently reduces fuel consumption by up to 4.4% over pure fuzzy logic, 0.05% over FL-RWOA, 1.16% over FL-GWO, and 2.39% over FL-PSO across 25–100 km segments (paired t-test, p ≤ 0.001 on 50 random segments). Additional benefits include 18% faster transient response and 18% lower inference computational load compared to metaheuristic baselines. Scaled to fleet level, the 0.51 L/100 km average saving equates to over CAD 100 million annual savings in Canada. The hybrid neuro-fuzzy architecture offers a deployable, adaptive solution for sustainable autonomous transportation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».