VEGA：基于物理信息神经算子和近端策略优化的电动车导航智能体
摘要
我们提出了 VEGA，一种面向电动汽车（EV）的 vehicle-adaptive energy-aware routing 系统，集成了 physics-informed parameter estimation 与 RL-based charge-aware path planning。VEGA 由两个耦合模块组成：（1）一个 physics-informed neural operator（PINO），用于从短时 onboard speed 和 acceleration 数据中估计 vehicle-specific physical 参数——包括 drag、滚动阻力、质量、motor 和 regenerative-braking efficiencies 以及 auxiliary load；（2）一个 Proximal Policy Optimization（PPO）智能体，用于导航标注了充电站的 road graph，联合选择路径和充电停靠位点，同时满足 state-of-charge 约束。该智能体通过从 A* teacher 进行 behavior cloning 初始化，并在包含 Tesla Supercharger 位置的全美州际公路网上进行 curriculum-guided PPO 微调。在跨国从旧金山到纽约的路线（约4860公里）上，VEGA 产生了一条可行的20站计划，总 trip time 为56.12小时， minimum SoC 为11.41%。相对于受控 Energy-aware A* 基线，距离和驾驶时间差距微小（分别为-8.49km 和 +0.37h），而推理速度快于20倍。所学策略可推广至法国和日本的道路网络，无需重新训练。
引用
@article{arxiv.2509.13386,
title = {VEGA: Electric Vehicle Navigation Agent via Physics-Informed Neural Operator and Proximal Policy Optimization},
author = {Hansol Lim and Minhyeok Im and Jonathan Boyack and Jee Won Lee and Jongseong Brad Choi},
journal= {arXiv preprint arXiv:2509.13386},
year = {2026}
}
备注
This work has been submitted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) for possible publication