A Latent Space Framework for Modeling Transient Engine Emissions Using Joint Embedding Predictive Architectures
作者: Ganesh Sundaram, Tobias Gehra, Jonas Ulmen, Mirjan Heubaum, Daniel Görges, Michael Günthner
分类: eess.SY
发布日期: 2026-01-27
备注: 10 pages, Submitted to the 2026 SAE WCX
💡 一句话要点
提出基于联合嵌入预测架构的隐空间框架，用于建模瞬态发动机排放。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 瞬态排放建模 联合嵌入预测架构 隐空间表示 模型剪枝 模型量化 车载排放控制 数据驱动建模
📋 核心要点
- 传统数据驱动方法难以应对排放形成的复杂非线性动态，且计算成本高昂，限制了其应用。
- 论文提出基于联合嵌入预测架构（JEPA）的隐空间框架，学习排放动态的关键因素，实现紧凑表示。
- 实验表明，该框架在泛化性能上优于LSTM基线，并通过剪枝和量化降低了计算成本。
📝 摘要（中文）
本文提出了一种新颖的方法，通过在结构化的隐空间中建模排放动态，克服了传统数据驱动方法在瞬态事件（如快速加速）中建模车辆尾气排放的局限性。该框架利用联合嵌入预测架构（JEPA），从包含真实世界便携式排放测量系统（PEMS）数据和高频硬件在环测量数据的丰富数据集中学习。该模型抽象掉不相关的噪声，仅将控制排放行为的关键因素编码为紧凑、鲁棒的表示。这提高了数据效率和在各种瞬态工况下的预测精度，在泛化性能上显著优于高性能LSTM基线。为了确保适用于实际部署，JEPA框架支持剪枝和训练后量化，从而大幅减少计算量，以极小的精度损失最小化推理时间和内存需求。该模型非常适合在传统和混合动力总成中进行车载实施高级策略，如模型预测控制或基于模型的强化学习。这些发现为下一代车辆更强大的排放控制系统提供了明确的途径。
🔬 方法详解
问题定义：论文旨在解决传统数据驱动方法（如MLP和LSTM）在建模瞬态发动机排放时，对数据集变异性敏感、需要深度网络结构、计算成本高昂等问题。这些问题限制了其在实际应用中的可行性，尤其是在车载排放控制系统中。
核心思路：论文的核心思路是将排放动态建模问题转化到隐空间中进行。通过学习一个能够捕捉排放行为关键因素的紧凑、鲁棒的隐空间表示，从而降低模型对噪声的敏感性，提高数据效率和泛化能力。这种方法旨在抽象掉不相关的细节，专注于影响排放的关键变量。
技术框架：该框架基于联合嵌入预测架构（JEPA）。整体流程包括：1) 使用包含PEMS数据和硬件在环测量数据的丰富数据集训练JEPA模型；2) JEPA模型学习将输入数据编码到隐空间中；3) 在隐空间中进行排放动态的预测；4) 对训练好的JEPA模型进行剪枝和训练后量化，以降低计算成本。
关键创新：最重要的技术创新点是利用JEPA学习排放动态的隐空间表示。与直接在原始数据空间中建模相比，隐空间表示更加紧凑和鲁棒，能够更好地捕捉排放行为的关键特征。此外，通过剪枝和量化，进一步降低了模型的计算复杂度，使其更适合车载部署。
关键设计：论文中JEPA的具体网络结构和损失函数等技术细节未详细说明，属于未知信息。但可以推测，JEPA可能包含编码器和解码器，编码器将输入数据映射到隐空间，解码器从隐空间重构输入数据或预测排放。损失函数可能包含重构损失和预测损失，以确保隐空间表示既能保留原始数据的信息，又能用于准确预测排放。
📊 实验亮点
论文提出的JEPA框架在泛化性能上显著优于高性能LSTM基线，表明其能够更好地捕捉排放动态的关键特征。此外，通过剪枝和训练后量化，该框架能够大幅降低计算量，以极小的精度损失最小化推理时间和内存需求，使其更适合车载部署。具体的性能数据和提升幅度在摘要中未明确给出，属于未知信息。
🎯 应用场景
该研究成果可应用于传统和混合动力车辆的先进排放控制系统，例如模型预测控制（MPC）和基于模型的强化学习（RL）。通过车载部署高效的排放模型，可以实时优化发动机参数，从而降低排放、提高燃油效率，并满足日益严格的排放法规。此外，该方法还可扩展到其他类型的车辆和排放物建模。
📄 摘要（原文）
Accurately modeling and controlling vehicle exhaust emissions during transient events, such as rapid acceleration, is critical for meeting environmental regulations and optimizing powertrains. Conventional data-driven methods, such as Multilayer Perceptrons (MLPs) and Long Short-Term Memory (LSTM) networks, improve upon phenomenological models but often struggle with the complex nonlinear dynamics of emission formation. These monolithic architectures are sensitive to dataset variability and typically require deep, computationally expensive structures to perform well, limiting their practical utility. This paper introduces a novel approach that overcomes these limitations by modeling emission dynamics within a structured latent space. Leveraging a Joint Embedding Predictive Architecture (JEPA), the proposed framework learns from a rich dataset that combines real-world Portable Emission Measurement System (PEMS) data with high-frequency hardware-in-the-loop measurements. The model abstracts away irrelevant noise, encoding only the key factors governing emission behavior into a compact, robust representation. This results in superior data efficiency and predictive accuracy across diverse transient regimes, significantly outperforming high-performing LSTM baselines in generalization. To ensure suitability for real-world deployment, the JEPA framework is structured to support pruning and post-training quantization. This strategy drastically reduces the computational footprint, minimizing inference time and memory demand with negligible accuracy loss. The result is a highly efficient model ideal for on-board implementation of advanced strategies, such as model predictive control or model-based reinforcement learning, in conventional and hybrid powertrains. These findings offer a clear pathway toward more robust emission control systems for next-generation vehicles.