基于迁移强化学习的真实驾驶工况自适应能量管理
系统与控制
2020-07-27 v1 机器学习
系统与控制
摘要
本文针对并联拓扑结构的混合动力汽车（HEV），提出一种基于迁移强化学习（RL）的自适应能量管理方法。该方法分为上下两层。上层刻画如何通过驾驶循环变换（DCT）在 RL 框架中转换 Q 值表。具体而言，计算不同循环的功率需求转移概率矩阵（TPM），并采用诱导矩阵范数（IMN）作为识别变换差异、决定控制策略调整的关键判据。下层则利用无模型强化学习（RL）算法，确定如何结合转换后的 Q 值表和 TPM 设定相应的控制策略。数值实验表明，迁移性能可通过 IMN 值进行调节，且迁移 RL 控制器可获得更高的燃油经济性。对比结果表明，所提策略在计算速度和控制性能上均优于传统 RL 方法。
引用
@article{arxiv.2007.12560,
title = {Adaptive Energy Management for Real Driving Conditions via Transfer Reinforcement Learning},
author = {Teng Liu and Wenhao Tan and Xiaolin Tang and Jiaxin Chen and Dongpu Cao},
journal= {arXiv preprint arXiv:2007.12560},
year = {2020}
}
备注
10 pages, 10 figures