⚡ electrical engineering

An Actor-Critic-Identifier Control Design for Increasing Energy Efficiency of Automated Electric Vehicles

Dit artikel presenteert een nieuw 'actor-critic-identifier' controleontwerp dat gebruikmaakt van neurale netwerken en reinforcement learning om de energie-efficiëntie van autonome elektrische voertuigen te verhogen door de relatie tussen stuurcommando's en energieverbruik online te leren.

Oorspronkelijke auteurs: Hamed Faghihian, Arman Sargolzaei

Gepubliceerd 2026-02-11

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Hamed Faghihian, Arman Sargolzaei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Slimme Rijstijl-Coach" voor Elektrische Auto's

Stel je voor dat je een elektrische auto (EV) bestuurt. Je wilt zo ver mogelijk rijden op één batterijlaadbeurt. De meeste mensen doen dit door heel rustig te rijden, maar dat is saai en niet altijd praktisch als je een bepaalde snelheid moet aanhouden.

Wetenschappers hebben een nieuw systeem bedacht dat werkt als een soort "super-slimme, onzichtbare co-piloot". Dit systeem heet de Actor-Critic-Identifier (ACI).

Om te begrijpen hoe dit werkt, kunnen we de auto vergelijken met een ervaren coureur in een raceauto die de auto nog nooit eerder heeft gereden.

1. De Identifier: De "Zintuigen" (De auto leren kennen)

Stel je voor dat je in een gloednieuwe raceauto stapt. Je weet niet precies hoe zwaar de auto is, hoe de remmen voelen of hoe de motor reageert als je het gaspedaal intrapt.

De Identifier is als de coureur die tijdens de eerste rondjes constant de auto "voelt". Hij denkt: "Hé, als ik dit pedaal indruk, reageert de auto sneller dan ik dacht!" Hij leert de onbekende eigenschappen van de auto terwijl hij rijdt. In de auto is dit een computerprogramma dat de fysieke eigenschappen (zoals weerstand en motorvermogen) razendsnel leert begrijpen zonder dat iemand hem een handleiding heeft gegeven.

2. De Critic: De "Strenge Scheidsrechter" (De fouten meten)

Terwijl de coureur rijdt, zit er een strenge scheidsrechter op de achterbank. De Critic kijkt niet naar hoe hard je rijdt, maar naar hoe efficiënt je bent. Hij houdt een score bij: "Je reed wel op de juiste snelheid, maar je verbruikte veel te veel stroom bij dat bochtje! Dat was een slechte zet." De Critic berekent constant de "kosten" van elke beweging in termen van energie.

3. De Actor: De "Coureur" (De actie ondernemen)

De Actor is de coureur zelf die de stuurcommando's geeft. Hij luistert naar de scheidsrechter (de Critic) en probeert zijn rijstijl constant aan te passen. Als de scheidsrechter zegt: "Dat was te veel energie!", dan past de Actor de volgende keer zijn voet op het gaspedaal subtiel aan. Hij probeert de perfecte balans te vinden tussen:

De snelheid houden (niet te langzaam rijden).
Energie sparen (zo min mogelijk stroom verbruiken).

Waarom is dit bijzonder? (De "Magie")

Normaal gesproken moeten ingenieurs een auto heel ingewikkeld "uitrekenen" met duizenden formules voordat de auto de weg op gaat. Als de auto dan een beetje anders reageert (bijvoorbeeld door kou of een zware lading), werkt die berekening niet meer goed.

Dit nieuwe systeem heeft geen handleiding nodig. Het leert ter plekke. Het is alsover een coureur die een auto bestuurt die hij nog nooit heeft gezien, en binnen enkele minuten rijdt hij alsof hij de auto zijn hele leven al kent.

Wat is het resultaat?

In de tests van de onderzoekers was het resultaat indrukwekkend:

Betere controle: De auto houdt de gewenste snelheid veel nauwkeuriger aan dan een standaard systeem (zoals een ouderwetse cruise control).
Veel minder energieverbruik: De auto herstelt veel meer energie tijdens het remmen en verbruikt minder stroom tijdens het optrekken. In de simulaties was de auto zelfs 42% efficiënter dan de standaard manier van rijden.

Kortom: Dit systeem is als een coureur die tegelijkertijd een wiskundige en een energie-expert is, en die tijdens elke rit leert hoe hij de auto zo zuinig mogelijk kan laten rijden.

Technische Samenvatting: Actor-Critic-Identifier Controleontwerp voor Verhoging van de Energie-efficiëntie van Geautomatiseerde Elektrische Voertuigen

1. Probleemstelling

Hoewel elektrische voertuigen (EV's) een oplossing bieden voor transportproblemen, blijft de beperkte actieradius een grote barrière. Traditionele methoden om dit op te lossen (zoals grotere batterijen) brengen extra kosten en milieu-impact met zich mee. Een alternatieve oplossing is het verbeteren van de energie-efficiëntie via geavanceerde controle, met name door de inzet van geautomatiseerde voertuigen (AV's).

Het fundamentele probleem is dat de relatie tussen de controle-inputs (zoals motorkoppel) en het daadwerkelijke energieverbruik (inclusief regeneratief remmen) zeer complex en niet-lineair is. Deze relatie hangt af van variabelen zoals de State of Charge (SOC), temperatuur en efficiëntiekaarten van de aandrijflijn. Bestaande optimalisatiemethoden (zoals MPC of DP) vereisen vaak een expliciet, nauwkeurig wiskundig model van het energieverbruik, wat in de praktijk vaak onbeschikbaar of onnauwkeurig is.

2. Methodologie: De Actor-Critic-Identifier (ACI) Architectuur

De auteurs stellen een nieuw framework voor genaamd de Actor-Critic-Identifier (ACI). In plaats van te vertrouwen op een vooraf gedefinieerd model, leert dit systeem de dynamica van het voertuig en de optimale controlepolitiek online via Reinforcement Learning (RL) en neurale netwerken (NN).

De architectuur bestaat uit drie gekoppelde componenten:

Identifier (Identificatienetwerk): Een neuraal netwerk dat de onbekende systeemdynamica ( $g(x)$ ) online schat. Het leert hoe het voertuig reageert op inputs, waardoor het systeem zich kan aanpassen aan veranderende omstandigheden zonder een expliciet model van het vermogen te hebben.
Critic (Critic-netwerk): Schat de optimal value function ( $J^*$ ), die de verwachte cumulatieve kosten (energieverbruik en afwijking van de gewenste snelheid) over de tijd representeert.
Actor (Actor-netwerk): Genereert de optimale controle-input (het koppel) door de beleidsfunctie te benaderen die de kosten minimaliseert, gebaseerd op de informatie van de Critic.

Stabiliteitsanalyse: De update-wetten voor de gewichten van deze neurale netwerken zijn afgeleid met behulp van Lyapunov-stabiliteitsanalyse (en de Filippov-methode voor discontinuïteiten). Dit garandeert wiskundig dat de fouten in de schattingen begrensd blijven en dat het systeem convergeert naar een stabiele toestand.

3. Belangrijkste Bijdragen

Model-onafhankelijkheid: Het elimineren van de noodzaak voor een expliciet model van het energieverbruik, wat de controller adaptief maakt voor verschillende soorten EV's en rijomstandigheden.
Simultane leerprocessen: Een unieke koppeling waarbij systeemidentificatie en optimale beleidsvorming tegelijkertijd plaatsvinden via de Hamilton-Jacobi-Bellman (HJB) residual.
Wiskundige garantie: Het leveren van een formeel bewijs voor de stabiliteit en de Uniformly Ultimately Bounded (UUB) eigenschappen van de controller.

4. Resultaten

De effectiviteit van de ACI-controller werd getest in simulaties met een realistisch model van een elektrische aandrijflijn, vergeleken met een getunede PID-controller (de baseline).

Snelheidsvolging: De ACI-controller vertoonde een nauwkeuriger en stabieler volgen van het gewenste snelheidsprofiel dan de PID-controller.
Energieverbruik: De belangrijkste resultaten laten een significante verbetering zien in energie-efficiëntie. De ACI-controller reduceerde het netto tractieverbruik met 42% vergeleken met de PID-baseline (van 13,835 kJ naar 7,99 kJ).
Energieherstel: De methode verhoogde het totale energieherstel (via regeneratief remmen) met 12,84%.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat geavanceerde, energiebewuste controle kan worden gerealiseerd zonder dat er diepgaande kennis van de interne elektrische componenten nodig is. Door de combinatie van online identificatie en RL kan een voertuig "leren" hoe het zo efficiënt mogelijk kan rijden terwijl het een specifief traject volgt. Dit heeft grote potentie voor de volgende generatie geautomatiseerde elektrische voertuigen, waarbij de actieradius wordt vergroot zonder de batterijcapaciteit te vergroten.