Sistema avançado de assistência ao motorista para eficiência energética de veículos em ruas inclinadas utilizando algoritmo ator-crítico

Abstract

A economia de combustível é um tema de amplo interesse e discussão por consumidores, indústria e governos. Enquanto proprietários de veículos buscam equilibrar economia e desempenho, a indústria automotiva busca atender metas restritas de emissão de poluentes definidas por governos. Como resultado, boa parte dos veículos modernos incluem indicadores de eficiência na condução, tais como, consumo instantâneo, eficência na condução em percurso e econômetros. Contudo, estes indicadores normalmente baseiam-se em métricas instantâneas, como por exemplo, a pressão no acelerador, sem considerar dados do trajeto, como aclives, declives e percursos anteriores. Considerando isso, este trabalho apresenta um sistema avançado de assistência ao motorista (ADAS), que recomenda ações para redução do consumo de combustível, em um percurso predefinido. Para tanto, a metodologia utilizada é a de aprendizado por reforço, mais especificamente algoritmo ator-crítico, que possibilita estimar o consumo apenas com informações já presentes no barramento Controller Area Network (CAN) e do Global Positioning System (GPS). Como resultado, o sistema foi capaz de, a partir dos dados de uma pista, indicar ações tomadas em cada trecho e, ao fim do percurso, obteve um aumento de 9.3% de eficiência quando comparado aos dados reais

Fuel economy is a topic of broad interest and discussion by consumers, industry and governments. While vehicle owners pursuit the equilibrium between economy and performance, the automotive industry seek to meet restrict emission goals defined by governments, As a result, modern vehicles include efficiency indicators like instant consumption, conduction efficiency and econometers. On the other hand, these indicators are based on instant metrics, as the accelerator pressure, without taking account of the route data, as slopes and previous routes. In light of this, this paper introduces an Advanced Driver Assistance System (ADAS) that offers recommendations for reducing fuel consumption on a predefined route. To achieve this, the methodology employed is the reinforcement learning, more specifically the actor-critic algorithm, which allows to estimate the fuel consumption using information readily available on the Controller Area Network (CAN) and the Global Positioning System (GPS). The outcome was the ability to, based on data from a given track, suggest actions taken at each segment and, at the end of the journey, got a 9.3% improvement on the efficiency when compared to the real data.