用于预测电动车动力学的 EV-PINN：一种物理信息神经网络
机器学习
2024-11-25 v1
摘要
对动态参数（例如气动阻力、滚动阻力）的 onboard 预测可实现对电动汽车的精确路径规划。本文提出了 EV-PINN，这是一种针对预测电动车在巡航期间的瞬时电池功率和累计能耗的物理信息神经网络方法，能够泛化到电动车的非线性动力学。我们的模型使用自动微分基于动力学学习真实世界参数，如电机效率、再生制动效率、车辆质量、气动阻力系数和滚动阻力系数，并确保与地面真实车辆数据一致。EV-PINN 使用 Tesla Model 3 长续航版和 Tesla Model S 的分别为 15 分钟和 35 分钟的现场电池日志数据进行验证。仅使用车速和时间作为输入，我们的模型在准确性和动力学泛化方面表现出色，分别具有验证损失为 0.002195 和 0.002292。这表明 EV-PINN 在实际驾驶条件下能够在无需额外传感器的情况下有效估计参数并预测电池用量。
引用
@article{arxiv.2411.14691,
title = {EV-PINN: A Physics-Informed Neural Network for Predicting Electric Vehicle Dynamics},
author = {Hansol Lim and Jee Won Lee and Jonathan Boyack and Jongseong Brad Choi},
journal= {arXiv preprint arXiv:2411.14691},
year = {2024}
}
备注
This work has been submitted to the 2025 IEEE International Conference on Robotics and Automation (ICRA) for possible publication