文献

J-GLOBAL ID：202202233683707007   整理番号：22A0323516

強化学習による電気自動車のためのギアシフトコントローラの改善【JST・京大機械翻訳】

Improving gearshift controllers for electric vehicles with reinforcement learning

著者 (2件)： Beaudoin Marc-Antoine (Intelligent Automation Lab, Centre for Intelligent Machines, McGill University, Room 503, McConnell Engineering Building, 3480 University Street, Montreal, QC, Canada, H3A 0E9) ,  Boulet Benoit (Intelligent Automation Lab, Centre for Intelligent Machines, McGill University, Room 503, McConnell Engineering Building, 3480 University Street, Montreal, QC, Canada, H3A 0E9)
資料名： Mechanism and Machine Theory  (Mechanism and Machine Theory)
巻： 169  ページ： Null  発行年： 2022年 
JST資料番号： B0947A  ISSN： 0094-114X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： マルチ速度伝送開発プロセスの間,歯車シフト制御装置パラメータの最終較正は,通常,物理的試験台上で実行される。技術者は,通常,ブラックボックスとしてコントローラパラメータから歯車シフト品質へのマッピングを処理し,そして,実験設計に根付いた方法,すなわち,選択した歯車シフト性能指標を最大化するパラメータ組合せを推論するために,純粋に統計的手法を用いた。このアプローチは,数千の歯車シフト試行を残念に必要とし,最終的に,異なる制御戦略の探索を中断する。本研究では,pilcoから適応したモデルベース強化学習アルゴリズムを用いて,歯車シフト制御器のフィードフォワードおよびフィードバックパラメータを較正した。実験結果は,この方式が少数の歯車シフト試行で制御装置パラメータを最適化することを示した。このアプローチは歯車シフト制御戦略の探査を加速することができ,それは電気自動車のためのマルチ速度伝送の新興技術にとって特に重要である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  実験計画法 ,  制御装置 ,  *歯車 ,  *電気自動車 ,  統計的方法 ,  フィードフォワード ,  ブラックボックス ,  *強化学習 ,  学習アルゴリズム
準シソーラス用語： マルチレート ,  モデルベース ,  開発プロセス ,  性能指標 ,  制御戦略 , 【Automatic Indexing@JST】

著者キーワード (5件)： 電気自動車 ,  高速伝送 ,  強化学習 ,  自動チューニング ,  ギヤシフトコントローラ

分類 (2件)： 動力伝達装置  (QG03020Z) ,  歯車,歯車装置  (QB01060O)

タイトルに関連する用語 (2件)： 強化学習 ,  電気自動車