基于物理信息强化学习的代表性驾驶周期构建方法：PIESMC框架在车辆能耗与排放评估中的应用

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Technical performance evolution of BEVs: range, consumption and weight projections to 2050

本文推荐研究人员针对传统驾驶周期构建方法在捕捉瞬态动力学和道路坡度变化方面的不足，开发了一种基于物理信息期望SARSA-蒙特卡洛（PIESMC）的新方法。该方法通过整合速度、加速度和坡度三维状态空间，在真实驾驶数据集上验证表明，其运动学片段误差比微行程法（MTB）降低83.9%，计算效率比马尔可夫链法（MCB）提升30倍以上，为车辆能耗和排放评估提供了更精确的基准。

　　

在全球气候变化挑战日益严峻的背景下，交通运输部门作为碳排放的重要贡献者，其减排策略的制定亟需精准的能耗与排放评估工具。然而，现行车辆认证测试使用的标准驾驶周期难以真实反映复杂多变的实际驾驶条件，尤其忽略了道路坡度变化对车辆动力学特性的关键影响。这种代表性不足导致实验室测试结果与真实路况数据之间存在显著偏差，极大制约了新能源汽车技术发展和环境政策评估的有效性。

为突破这一技术瓶颈，阿尔伯塔大学研究团队在《Transportation Research Part D: Transport and Environment》发表了一项创新研究，提出了一种名为"物理信息期望SARSA-蒙特卡洛"（PIESMC）的全新驾驶周期构建方法。该方法巧妙地将强化学习框架与物理约束相结合，通过146组实车实验数据验证，成功实现了对速度、加速度和道路坡度的三维动态特征的精准重构。

研究团队采用的核心技术方法包括：基于OBD-II和GPS的实车数据采集系统（采样频率30Hz），利用Haversine公式和Savitzky-Golay滤波器的道路坡度计算算法，以及融合期望SARSA强化学习与蒙特卡洛评估的混合优化策略。特别值得关注的是，该方法创新性地构建了速度-加速度-坡度状态转移矩阵（SAGSTM），将理论2360亿个可能的状态转移压缩至仅12136个物理可行的转移，大幅提升了计算效率。

数据集描述

研究使用2021款福特Escape插电式混合动力车，在埃德蒙顿市区预设路线采集146组驾驶数据，涵盖晴天（DC2）和雪天（DC1）两种气象条件。通过20.5公里城市路线（含31个交通信号灯和13个停车标志）和专门设计的坡度验证路线，获取了包含速度、加速度及GPS高程信息的完整数据集。道路坡度计算采用Haversine公式计算水平距离，结合高程差获得原始坡度，再经窗口大小为25、多项式阶数为3的Savitzky-Golay滤波器平滑处理，最终实现与IMU测量值0.64%的均方根误差精度。

代表性驾驶周期构建方法

提出的PIESMC方法通过三个创新点突破传统局限：首先利用物理约束缩减动作空间，仅考虑实验数据中出现的可行状态转移；其次设计内在奖励函数鼓励探索未访问状态；最后结合运动学片段误差设计蒙特卡洛奖励机制。与微行程法（MTB）和马尔可夫链法（MCB）的对比显示，PIESMC在保持计算效率的同时（DC1仅需436秒），显著提升了周期构建的准确性。

结果与讨论

在运动学片段重构方面，PIESMC将平均速度误差控制在0.03-0.36 m/s范围内，较MTB方法提升83.9%的精度。特别在道路坡度重构上，PIESMC成功恢复了实验数据中2.28-2.36%的标准差特征，而MCB方法因无法处理坡度变化而完全失效。小波变换分析进一步证实，PIESMC生成的坡度剖面保持了与实际地形一致的低频主导特征，而MTB方法因微行程拼接产生了非物理的高频伪影。

车辆比功率（VSP）分布验证表明，PIESMC重构的VSP均值误差仅为0.15-1.06 kW/ton，且完整保留了实验数据的动态范围。相比之下，MTB方法因低估加速度变异度导致VSP分布过窄，可能引发能耗评估偏差。这种精度提升对于新能源汽车的电池能耗预测和排放控制策略优化具有重要工程价值。

该研究的突破性在于首次将物理约束与强化学习深度融合到驾驶周期构建领域，解决了传统方法在瞬态动力学和坡度变化建模中的固有缺陷。提出的PIESMC框架不仅为车辆研发提供了更可靠的测试基准，也为城市交通碳排放精准核算提供了方法论支持。未来通过与高保真车辆动力学模型的集成，有望在智能网联汽车和智慧城市领域产生更广泛的应用价值。