2023-12

电池模型对电动赛车时间最优协同设计的影响：回顾与应用

分类： 系统与控制, 系统与控制

作者： Giorgio Riva, Stefano Radrizzani, Giulio Panzani

发布时间： 2023-12-28

链接： http://arxiv.org/abs/2312.17003v2

摘要： 从一级方程式 (F1) 和勒芒超级跑车的混合动力到全电动电动方程式赛车级别，可持续交通趋势也触及了赛车界。在这种情况下，研究界正在研究如何将电动赛车推向极限，结合车辆动力学和能源管理，成功解决最短单圈时间问题。最近，此类问题已扩大到最佳尺寸，特别关注电池，这是电动汽车性能的主要瓶颈。在这项工作中，从对文献方法的彻底回顾开始，我们定义了电动汽车最小圈速和比赛时间问题的通用优化框架，适合找出不同建模选择对问题结构和最佳变量配置文件的影响。通过对第三代电动方程式赛车 (Gen 3) 的案例研究，我们深入研究了电池模型的复杂性对最佳尺寸和最佳电池使用的影响。我们展示了研究比赛期间电池和车辆控制变量的演变需要高度详细的模型，而简单的模型足以解决电池尺寸问题。

使用 TD3 和 CACC 的基于卡尔曼的自适应混合动力汽车跟随策略

分类： 人工智能, 机器人技术, 系统与控制, 系统与控制

作者： Yuqi Zheng, Ruidong Yan, Bin Jia, Rui Jiang, Adriana TAPUS, Xiaojing Chen, Shiteng Zheng, Ying Shang

发布时间： 2023-12-26

链接： http://arxiv.org/abs/2312.15993v1

摘要： 在自动驾驶中，深度强化学习与协同自适应巡航控制（CACC）的混合策略可以充分发挥两种算法的优势，显着提高汽车跟随性能。然而，传统的基于固定系数的混合策略很难适应混合交通流场景，这可能会降低性能，甚至导致事故发生。针对上述问题，结合CACC和双延迟深度确定性策略梯度(TD3)算法，提出了一种基于自适应卡尔曼滤波器的混合动力汽车跟随策略。与基于固定系数的传统混合策略不同，卡尔曼增益H作为自适应系数，是通过多时间步预测和蒙特卡罗树搜索导出的。研究结束时，4157745个时间步的仿真结果表明，与TD3和HCFS算法相比，本研究提出的算法可以在不影响舒适性和效率的情况下，大幅提高混合交通流中跟车的安全性。

风对红超巨星大气层的影响II。对 AH Sco、KW Sgr、V602 Car、CK Car 和 V460 Car 的 VLTI/GRAVITY 和 MATISSE 观测进行建模

分类： 太阳和恒星天体物理学

作者： G. González-Torà, M. Wittkowski, B. Davies, B. Plez

发布时间： 2023-12-19

链接： http://arxiv.org/abs/2312.12521v1

摘要： 质量损失在大质量恒星的生命中起着至关重要的作用，特别是当恒星离开主序并演化到红超巨星（RSG）阶段时。然而，触发 RSG 质量损失事件的物理过程尚不清楚。最近，我们表明，在 MARCS 大气模型中添加静态风可以准确地再现观测到的 RSG 大气中的延伸。在这项工作中，我们计算了与通过 VLTI/MATISSE 和 GRAVITY 获得的 RSG AH Sco、KW Sgr、V602 Car、CK Car 和 V460 Car 的新干涉数据相匹配的合成可观测值。我们计算了模型光谱和能见度，并找到了观测的最佳拟合模型、质量损失率和最佳拟合罗斯兰角直径。我们将模型与数据进行匹配，涵盖 $1.8-5.0,\mu$m 的波长范围，对应于 $K$、$L、$ 和 $M$ 波段。我们的模型再现了这个宽波长范围内的光谱干涉数据，包括 CO、H$2$O 和 SiO 的扩展大气层。我们获得的罗斯兰角直径在 $3.0<\theta{\mathrm{Ross}}<5.5$ mas 之间，质量损失率为 $-6.5<\log \dot{M}/M_{\odot}\mathrm{yr}^ {-1}<-4$。 SiO 相对于气体压力的分压和 SiO 4.0$,\mu$m 线强度在 2 到 3 个恒星半径之间增加。相对强度取决于我们模型所使用的光度，因为越亮的模型具有越高的质量损失率。这项工作进一步证明，我们的 MARCS+wind 模型可以重现观测到的 RSG 大气物理延伸，用于跨越广泛波长范围的多种光谱诊断。我们再现了新获得的数据的光谱和可见度，并提供了与观测结果一致的温度和密度分层。通过 MATISSE 数据，我们新近将 SiO2 层的延伸纳入硅酸盐尘埃的前体。

使用 HMI 球谐系数探测太阳的近表面剪切层

分类： 太阳和恒星天体物理学

作者： Sushanta C. Tripathy, Kiran Jain, Shukurijon Kholikov, Rudolf Komm

发布时间： 2023-12-18

链接： http://arxiv.org/abs/2312.11699v1

摘要： 我们通过应用由球谐 (SH) 系数构建的多普勒图环图技术，测量了太阳表面以下 30 毫米深度的地下流的纬向和经向分量。 SH 系数是从日震和磁成像仪 (HMI) 全盘多普勒图获得的。我们发现本研究中获得的流量与使用直接多普勒图的传统方法获得的流量之间有很好的一致性和一些差异。

基于现场数据的自动驾驶班车探索性驾驶性能和跟车建模

分类： 机器人技术, 应用领域

作者： Renan Favero, Lily Elefteriadou

发布时间： 2023-12-15

链接： http://arxiv.org/abs/2401.08643v1

摘要： 自动驾驶班车（AS）在多个城市运营，并显示出改善公共交通网络的潜力。然而，目前还没有基于现场数据并允许决策者评估和规划自动驾驶操作的汽车跟随模型。为了填补这一空白，本研究收集了 AS 的现场数据，分析了其驾驶性能，并建议改变 AS 轨迹模型以提高乘客舒适度。样本是通过跟随一辆传统汽车超过 4000 秒的 AS 采集的。该样本包含 AS 和传统车辆的 GPS 位置。纬度和经度位置用于计算领导者和跟随者的速度、加速度和加加速度。数据分析表明，AS 具有较高的加加速度值，可能会影响乘客的舒适度。对几个现有模型进行了评估，研究人员得出结论，校准后的 ACC 模型可以降低 AS 间距和速度的误差。标定结果表明，与其他研究中为自动驾驶车辆模型标定的参数相比，AS具有更低的峰值加速度和更高的减速度

超越经验窗口：自动驾驶汽车中基于注意力的信任预测方法

分类： 人机交互, 机器学习

作者： Minxue Niu, Zhaobo Zheng, Kumar Akash, Teruhisa Misu

发布时间： 2023-12-15

链接： http://arxiv.org/abs/2312.10209v2

摘要： 人类的内部状态在人机交互中发挥着关键作用，导致人类状态估计作为一个突出领域的兴起。与惊讶和恼怒等快速状态变化相比，对信任和满意等渐进状态进行建模还受到标签稀疏性的进一步挑战：长时间序列信号通常与单个标签相关联，使得很难识别状态转变的关键跨度。窗口化是一种广泛使用的技术，可以对长时间序列数据进行本地化分析。然而，下游模型的性能可能对窗口大小敏感，确定最佳窗口大小需要领域专业知识和广泛的搜索。为了应对这一挑战，我们提出了一种选择性窗口注意力网络（SWAN），它采用窗口提示和屏蔽注意力转换来选择具有灵活长度的参与间隔。我们在新的多模式驾驶模拟数据集上的信任预测任务上评估了 SWAN。实验表明，SWAN 显着优于现有的经验窗口选择基线和包括 CNN-LSTM 和 Transformer 在内的神经网络基线。此外，与传统的加窗方法相比，它在较宽的加窗范围内表现出鲁棒性。

基于轨迹的走廊双尺度跟驰模型标定

分类： 应用领域

作者： Keke Long, Haotian Shi, Zhiwei Chen, Zhaohui Liang, Xiaopeng Li, Felipe de Souza

发布时间： 2023-12-14

链接： http://arxiv.org/abs/2312.09393v1

摘要： 出行时间、油耗等宏观交通参数的精确估计对于交通管理系统的优化至关重要。尽管很重要，但全面获取车辆轨迹数据以计算这些宏观指标仍然是一个挑战。为了弥补这一差距，本研究旨在校准能够预测微观指标和宏观指标的跟车模型。我们进行了数值分析来追踪模型预测误差在各种测量中的累积过程，我们的研究结果表明宏观测量封装了模型误差的累积。通过将宏观测量纳入车辆模型标定中，我们可以减轻噪声对微观数据测量的影响。我们比较了三种跟车模型校准方法：MiC（使用微观测量）、MaC（使用宏观测量）和 BiC（同时使用微观和宏观测量）：利用真实世界的轨迹数据。 BiC 方法在重建车辆轨迹和准确估计行驶时间和燃料消耗方面最为成功，而 MiC 方法会导致过度拟合和宏观测量预测不准确。这项研究强调了双尺度校准对于精确交通和能源消耗预测的重要性，为旨在加强交通管理策略的未来研究奠定了基础。

接受和信任：驾驶员在自然交通中首次接触发布的自动驾驶汽车

分类： 人机交互, 机器人技术

作者： Sarah Schwindt-Drews, Kai Storms, Steven Peters, Bettina Abendroth

发布时间： 2023-12-14

链接： http://arxiv.org/abs/2312.08957v2

摘要： 本研究调查了驾驶员在实际交通条件下初次接触 SAE 3 级自动驾驶系统 (ADS) 的影响，重点关注 EQS 中的梅赛德斯-奔驰 Drive Pilot。它检查接受度、信任度、可用性和用户体验。尽管之前在模拟环境中的研究提供了对人机交互的见解，但现实世界的体验可能存在很大差异。该研究是在德国州际公路的一段路段上进行的，有 30 名不熟悉 3 级 ADS 的参与者。驾驶前和驾驶后问卷用于评估接受度和信心的变化。补充指标包括可用性和用户体验的驾驶后评级。研究结果显示，第一次接触后，接受度和信任度显着增加，证实了之前模拟器研究的结果。在初次接触 ADS 后，诸如绩效预期、努力预期、促进条件、自我效能和使用车辆的行为意图等因素的评分较高。然而，我们发现 ADS 与人类驾驶员之间的通信不充分，这凸显了改进通信的必要性，以防止操作模式的误用或混淆。与之前的研究相反，我们发现对技术创新的普遍态度对接受度和信任度没有显着影响。然而，值得注意的是，大多数参与者已经对技术有很高的亲和力。尽管总体反响良好，并且在首次接触后呈现出上升趋势，但 ADS 也被认为与手动驾驶一样要求严格。未来的研究应该关注更多样化的参与者样本，并包括更长或更多次的真实交通旅行，以了解随着时间的推移行为适应。

RACER：现实增强的理性人工智能跟车模型

分类： 人工智能, 机器学习, 机器人技术

作者： Tianyi Li, Alexander Halatsis, Raphael Stern

发布时间： 2023-12-12

链接： http://arxiv.org/abs/2312.07003v1

摘要： 本文介绍了 RACER，即由现实增强的理性人工智能跟车模型，这是一种尖端的深度学习跟车模型，满足偏导数约束，旨在预测自适应巡航控制 (ACC) 驾驶行为，同时保持理论上的可行性。与传统模型不同，RACER 有效地集成了实际驾驶的关键原则——理性驾驶约束 (RDC)，从而产生极其准确和现实的预测。与最佳速度相对速度 (OVRV)、跟车神经网络 (NN) 和跟车物理信息神经网络 (PINN) 等既定模型相比，RACER 在加速度、速度和速度等关键指标上表现出色。间距。值得注意的是，它完美地遵守了 RDC，记录了零违规，这与其他模型形成鲜明对比。这项研究强调了将物理约束纳入人工智能模型的巨大价值，特别是对于增强交通安全措施而言。它还为未来的研究铺平了道路，根据人类驾驶数据测试这些模型，有可能指导更安全、更合理的驾驶行为。所提出的模型的多功能性，包括其纳入额外衍生约束和更广泛的架构应用的潜力，增强了其吸引力并扩大了其在科学界的影响。

关于多参数 CAR 流

分类： 算子代数, 泛函分析

作者： C. H. Namitha, S. Sundar

发布时间： 2023-12-11

链接： http://arxiv.org/abs/2312.06433v1

摘要： 令$P$ 为$\mathbb{R}^d$ 中的一个尖的封闭凸锥体。我们证明，对于$P$的两个纯等距表示$V^{(1)}$和$V^{(2)}$，相关的CAR流$\beta^{V^{(1)}}$和 $\beta^{V^{(2)}}$ 是余循环共轭当且仅当 $V^{(1)}$ 和 $V^{(2)}$ 酉等价。我们还给出了 $P$ 的纯等距表示的完整描述，以及产生 I 类 CAR 流的通勤范围预测。我们证明这样的等距表示是完全可约的，每个不可约分量都是 $L^2[0,\infty)$ 上移位半群 ${S_t}_{t \geq 0}$ 的回拉。我们还计算了相关 CAR 流的索引和规范组，并表明规范组对标准化单位集的作用不需要是传递的。

行人和乘客与自动驾驶车辆的互动：人行横道场景的实地研究

分类： 人机交互, 人工智能, 机器人技术

作者： Rubén Izquierdo, Javier Alonso, Ola Benderius, Miguel Ángel Sotelo, David Fernández Llorca

发布时间： 2023-12-11

链接： http://arxiv.org/abs/2312.07606v1

摘要： 本研究介绍了有关人车交互的实证调查结果，涉及人行横道场景中配备内部和外部人机界面 (HMI) 的自动驾驶车辆。内部和外部 HMI 与隐式通信技术集成，在人行横道内结合了温和和激进的制动操作。通过问卷调查和量化指标相结合的方式收集数据，包括与车辆距离和速度相关的行人过马路决策。问卷调查显示，当外部 HMI 和温和制动操作同时使用时，行人的安全感知得到增强。相比之下，测量的变量表明，在辅以温和的制动操作时，外部 HMI 被证明是有效的。此外，调查结果强调，只有与积极的制动操作相结合，内部 HMI 才能增强乘客的信心。