Driving Strategy Optimisation in DNV GL Fuel Fighter

Abstract

Denne oppgaven utforsker forskjellige metoder for å finne en kjøre-strategi for DNV GL Fuel Fighter i Shell Eco-Marathon(SEM) konkurransen. Oppgaven går gjennom stiplanlegging, kjørestrategi og matematisk modellering av kjøretøy dynamikken og det elektriske systemet. Den går også gjennom noen optimaliseringsmetoder for stiplanlegging og forsterkningslæring. Forsterkningslæring ved hjelp av Q-Læring, og Hurtigutforskende tilfeldige trær(RRT) og RRT\* er implementert. Menneskelig forsterkningslæring via nettdugnad er også brukt, ved å holde en konkurranse i en simulator. Alle disse metodene virker til å være nyttig for å få innsikt i kjørestrategi. Mer arbeid gjenstår for å kunne ferdigstille metodene for bruk i SEM konkurransen.

This thesis explores different methods to find a driving strategy for DNV GL Fuel Fighter in Shell Eco-Marathon(SEM) competition. The thesis goes some of the basics of path planning, driving strategy and mathematical modeling of vehicle dynamics and its electrical system. It also details some optimisation methods for path planning and reinforcement learning. Reinforcement learning through Q-learning, \acrfull{rrt}, and RRT* are also implemented. Human reinforcement learning is also implemented through crowd sourcing using a simulator competition. All these methods have shown to be useful to gain some insight in driving strategy and further work is needed to finalise the methods for the \gls{sem} competition.