基于生成式物理信息强化学习的方法用于代表性驾驶循环的构建
机器学习
2025-06-10 v1 系统与控制
系统与控制
摘要
准确的驾驶循环构建对于车辆设计、燃油经济性分析和环境影响评估至关重要。本文引入一种基于生成式物理信息强化学习的方法(PIESMC)，通过捕获瞬态动力学、加速度、减速度、怠速以及道路坡度转换，构建代表性驾驶循环，同时确保模型保真。该方法利用基于物理信息的强化学习框架结合蒙特卡洛抽样，实现了低计算成本的高效循环构建。在两个真实数据集上的实验评估表明，PIESMC复制关键运动学和能源指标的能力，其中在累积运动学碎片误差方面相较于基于微型 trip 方法(MTB)降低最高可达57.3%，相较于基于马尔可夫链方法(MCB)降低10.5%。此外，该方法比传统技术快约一个数量级。车辆专用功率分布分析以及小波转换频率内容进一步确认了其再现实验中央倾向性和变异性的能力。
引用
@article{arxiv.2506.07929,
title = {A Generative Physics-Informed Reinforcement Learning-Based Approach for Construction of Representative Drive Cycle},
author = {Amirreza Yasami and Mohammadali Tofigh and Mahdi Shahbakhti and Charles Robert Koch},
journal= {arXiv preprint arXiv:2506.07929},
year = {2025}
}