A real-time implementable model-predictive cruise controller for electric vehicles and energy-efficient driving

Schwickart, Tim; Voos, Holger; Darouach, Mohamed

doi:10.1109/cca.2014.6981408

Cited by 5 publications

(3 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…However, taking only the minimum may cause discontinuities to appear in the reference trajectory. To smoothen the reference trajectory, the discrete optimization problem [60] min…”

Section: Longitudinal Economic Mpcmentioning

confidence: 99%

Global Sensitivity Analysis of Economic Model Predictive Longitudinal Motion Control of a Battery Electric Vehicle

2022

View full text Add to dashboard Cite

Global warming forces the automotive industry to reduce real driving emissions and thus, its CO2 footprint. Besides maximizing the individual efficiency of powertrain components, there is also energy-saving potential in the choice of driving strategy. Many research works have noted the potential of model predictive control (MPC) methods to reduce energy consumption. However, this results in a complex control system with many parameters that affect the energy efficiency. Thus, an important question remains: how do these partially uncertain (system or controller) parameters influence the energy efficiency? In this article, a global variance-based sensitivity analysis method is used to answer this question. Therefore, a detailed powertrain model controlled by a longitudinal nonlinear MPC (NMPC) is developed and parameterized. Afterwards, a qualitative Morris screening is performed on this model, in order to reduce the parameter set. Subsequently, the remaining parameters are quantified using Generalized Sobol Indices, in order to take the time dependence of physical processes into account. This analysis reveals that the variations in vehicle mass, battery temperature, rolling resistance and auxiliary consumers have the greatest influence on the energy consumption. In contrast, the parameters of the NMPC only account for a maximum of 5% of the output variance.

show abstract

“…However, taking only the minimum may cause discontinuities to appear in the reference trajectory. To smoothen the reference trajectory, the discrete optimization problem [60] min…”

Section: Longitudinal Economic Mpcmentioning

confidence: 99%

Global Sensitivity Analysis of Economic Model Predictive Longitudinal Motion Control of a Battery Electric Vehicle

2022

View full text Add to dashboard Cite

show abstract

“…Facing the hardness of improving the technical specification of the EV itself, there have been other approaches to increase the driving range of the EV. The cruise control optimizing the power consumption of the EV is studied in [1], [4], [5]. These practices optimize a cost function that consists of terms related to the tradeoff between energy saving and EV velocity.…”

Section: Introductionmentioning

confidence: 99%

Accurate remaining range estimation for Electric vehicles

Hong

Park

Chang

2016

2016 21st Asia and South Pacific Design Automation Conference (ASP-DAC)

View full text Add to dashboard Cite

EVs (Electric vehicle) generally have only around 22% driving ranges compared with ICEVs (Internal combustion engine vehicle) with a similar price range. Running out of the EV battery SoC (State of charge) while driving gives the same inconvenience as a vehicle breakdown. In this paper, we emphasize that an accurate remaining range estimation can efficiently mitigate the range anxiety of EV drivers. Most EV drivers reserve 30% of the on-dash estimated remaining range gauge of their EV because they do not trust the current remaining range estimation accuracy of production EVs. In other words, an accurate remaining range estimation is equivalent to increasing the EV battery capacity up to 30%.Just like the analogous concepts used in the power estimation of digital circuits, a model-based remaining range estimation consists of the two consecutive steps, a driving profile estimation and a power consumption estimation using the power model. In this paper, we focus on increasing the accuracy of the power model. We come up with a hybrid modeling methodology combining a physics equation based model with empirical data. We validate the accuracy of the hybrid model in the remaining range estimation with the target EV. We collect the power consumption, velocity, road inclination, etc. of the EV in every half second with an onboard monitoring system, a perform multivariable linear regression and create an accurate EV power model. The proposed remaining range estimation yields only 2.52% error while the state-of-the-art model-based EV remaining range estimation shows 9.33% error when the same future route and speed estimation are given.

show abstract

“…Utiliza as informações de inclinação da via e o modelo do veículo em um horizonte deslizante finito para otimizar os perfis de velocidade através da resolução repetitiva de um problema de controle ótimo. Alguns trabalhos que utilizam essa técnica podem ser vistos em (HELLSTRöM et al, 2009;KAMAL et al, 2010;LI et al, 2015;SCHWICKART;VOOS;DAROUACH, 2014). Um problema dessa técnica em aplicações envolvendo veículos de grande porte é que essas necessitam de um horizonte de predição maior, devido ao maior peso e inércia destes veículos, muitas vezes levando décimos de segundo ou até mesmo segundos para o cálculo de um único passo de otimização do MPC.…”

Section: Cdboaplicado Na Redução Do Consumo De Combustível De Um Veícunclassified

Aprendizado Bayesiano aplicado ao controle de veículos autônomos de grande porte

Rocha¹

View full text Add to dashboard Cite

apoio e fomento dados durante o período de formação acadêmica e desenvolvimento da pesquisa que gerou esta tese.A todos meus familiares que sempre me apoiaram ao longo da realização deste trabalho, principalmente a meus pais e meus irmãos, por todo o incentivo, carinho e compreensão nos momentos de ausência. Agradeço por vocês terem formado a pessoa que sou hoje.Ao meu orientador, Prof Dr. Valdir Grassi Junior pela oportunidade, orientação, paciência, sabedoria e confiança ao longo de meu doutorado. Ao Prof. Dr. Fabio Ramos por ter me recebido na School of IT da Universidade de Sydney, e por toda a orientação e suporte.Aos amigos do LASI, da USP -São Carlos e aos amigos da School of IT da Universidade de Sydney, por todas as discussões teóricas, auxílio nos experimentos, parceria nos trabalhos, companheirismo e amizade.A todos, meu sincero agradecimento. ResumoROCHA, Fernando Henrique Morais da. Aprendizado Bayesiano Aplicado ao Controle de Veículos Autônomos de Grande Porte. 2018. 54 f. Tese (Doutorado) -Curso O tópico de identificação de sistemas aparece em vários ramos da ciência, com especial importância ao campo de Controle Automático. Entretanto, os problemas encontrados na construção de uma representação precisa de um sistema, como a falta de informações prévias, e as diversas decisões de projeto que devem ser tomadas para a resolução de problemas de identificação de sistemas por meios mais tradicionais, podem ser solucionados através da análise empírica do sistema. Nesse sentido, os processos Gaussianos apresentamse como uma alternativa viável para a modelagem não-paramétrica de sistemas, trazendo a vantagem da estimação da incerteza do modelo. Para verificar o potencial dos processos Gaussianos em problemas de identificação de sistemas, foi realizada a identificação do modelo longitudinal de um veículo de grande porte, tendo alcançado um desempenho satisfatório, mesmo quando se utilizou poucos dados de treinamento. A partir do modelo aprendido, foi projetado um controlador preditivo baseado em modelo para controlar a velocidade do veículo. O controlador levou em consideração a variância da predição do modelo GP (Gaussian Process -Processos Gaussianos) em consideração durante o processo de otimização do sinal de controle. O controlador proposto alcançou um baixo erro no seguimento da referência, mesmo em situações extremas, como estradas íngremes. Entretanto, em alguns tipos de problemas, o resultado só pode ser mensurado a partir da combinação de uma sequência de ações, ou sinais de controle, aplicados ao longo da execução do processo, como é o caso do problema de direção ecológica (eco-driving). Nesses casos, estratégias que otimizem sinais de controle instantâneos podem não ser viáveis, sendo necessária a utilização de estratégias em que toda a política de controle seja otimizada de uma vez. Além disso, a avaliação do custo, ou execução de todo um episódio do processo, pode ser dispendiosa, é desejável que uma solução seja encontrada com a menor quantidade de interações possíveis com o sistema real. Um...

show abstract

A real-time implementable model-predictive cruise controller for electric vehicles and energy-efficient driving

Cited by 5 publications

References 11 publications

Global Sensitivity Analysis of Economic Model Predictive Longitudinal Motion Control of a Battery Electric Vehicle

Global Sensitivity Analysis of Economic Model Predictive Longitudinal Motion Control of a Battery Electric Vehicle

Accurate remaining range estimation for Electric vehicles

Aprendizado Bayesiano aplicado ao controle de veículos autônomos de grande porte

Contact Info

Product

Resources

About