Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Knowledge-data fusion dominated vehicle platoon dynamics modeling and analysis: A physics-encoded deep learning approach

Created by
  • Haebom
Category
Empty

저자

Hao Lyu, Yanyong Guo, Pan Liu, Shuo Feng, Weilin Ren, Quansheng Yue

개요

본 논문은 인공지능(AI) 기반의 비선형 차량 플래툰 역학 모델링에서 차량 간 상호작용 예측 및 최적화를 위해, 플래툰 규모에서 차량 행동 상호작용 특징을 추출하고 포착하는 데 초점을 맞춘 새로운 물리적 인코딩 심층 학습 네트워크인 PeMTFLN을 제안한다. PeMTFLN은 분석 가능한 매개변수 인코딩 계산 그래프(APeCG)와 다중 스케일 궤적 특징 학습 네트워크(MTFLN)로 구성된다. APeCG는 플래툰의 안정성을 유지하면서 선행 차량의 주행 행동에 대한 반응을 안내하고, MTFLN은 플래툰 추종 패턴을 포착하여 APeCG에 필요한 물리적 매개변수를 궤적 데이터로부터 추론한다. HIGHSIM 데이터셋을 사용하여 PeMTFLN을 훈련했으며, 속도 및 간격 예측 정확도 측면에서 기존 모델보다 우수한 성능을 보였다. 또한, 시뮬레이션 실험에서 낮은 추론 오류와 실제 안전 통계를 정확하게 재현하는 결과를 보였으며, 코드는 공개 소스로 제공된다.

시사점, 한계점

•
시사점:
◦
플래툰 규모에서 차량 행동 상호작용 특징을 효과적으로 추출 및 포착하는 새로운 방법 제시.
◦
물리적 분석 가능성을 유지하면서 높은 모델링 정확도를 달성.
◦
실제 환경에서 플래툰 안정성을 재현하는 물리적 매개변수 도출.
◦
높은 예측 정확도와 낮은 추론 오류를 보이는 플래툰 궤적 생성.
◦
실제 안전 통계를 정확하게 재현.
◦
코드 공개를 통한 연구의 재현성 및 확장성 증대.
•
한계점:
◦
HIGHSIM 데이터셋에 대한 의존성. 다른 데이터셋에 대한 일반화 성능 검증 필요.
◦
APeCG의 설계 및 MTFLN의 구조에 대한 추가적인 설명 및 분석 필요.
◦
다양한 주행 환경 및 상황에 대한 로버스트성 검증 필요.
◦
모델의 복잡도 및 계산 비용에 대한 분석 필요.
👍
Made with Slashpage