[論文レビュー] Vehicle Energy Dataset (VED), A Large-scale Dataset for Vehicle Energy Consumption Research

Geunseob Oh, David J. LeBlanc+1 more|arXiv (Cornell University)|Apr 19, 2019

Vehicle emissions and performance参考文献 14被引用数 11

ひとこと要約

本論文は、ミシガン州アナンバーアの383台の個人用車両から、1年間にわたりOBD-IIロガーを用いて収集した、現実の走行におけるエネルギー消費の大型オープンデータセット、Vehicle Energy Dataset (VED) を紹介する。このデータセットは、秒単位のGPS経路、燃料／エネルギー使用量、速度、補助電力の記録を含み、ドライバー行動、エコドライブ、コネクテッド／自動運転車両技術に関する研究を可能にする。主な発見として、速度、温度、交通状況による燃料効率の変動が明らかになった。

ABSTRACT

We present Vehicle Energy Dataset (VED), a novel large-scale dataset of fuel and energy data collected from 383 personal cars in Ann Arbor, Michigan, USA. This open dataset captures GPS trajectories of vehicles along with their time-series data of fuel, energy, speed, and auxiliary power usage. A diverse fleet consisting of 264 gasoline vehicles, 92 HEVs, and 27 PHEV/EVs drove in real-world from Nov, 2017 to Nov, 2018, where the data were collected through onboard OBD-II loggers. Driving scenarios range from highways to traffic-dense downtown area in various driving conditions and seasons. In total, VED accumulates approximately 374,000 miles. We discuss participant privacy protection and develop a method to de-identify personally identifiable information while preserving the quality of the data. After the de-identification, we conducted case studies on the dataset to investigate the impacts of factors known to affect fuel economy and identify energy-saving opportunities that hybrid-electric vehicles and eco-driving techniques can provide. The case studies are supplemented with a number of examples to demonstrate how VED can be utilized for vehicle energy and behavior studies. Potential research opportunities include data-driven vehicle energy consumption modeling, driver behavior modeling, machine and deep learning, calibration of traffic simulators, optimal route choice modeling, prediction of human driver behaviors, and decision making of self-driving cars. We believe that VED can be an instrumental asset to the development of future automotive technologies. The dataset can be accessed at https://github.com/gsoh/VED.

研究の動機と目的

• 現実の走行における経路データと高分解能のエネルギー消費データを併せ持つ、公開可能な大規模データセットの不足を解消すること。
• 人間ドライバーの行動、燃料効率のばらつき、現代の車両における省エネルギーの可能性に関する研究を支援すること。
• エコルーティング、エコアプローチ、自律走行車両の意思決定アルゴリズムの開発とキャリブレーションを可能にすること。
• 多様な現実の条件下における車両エネルギー消費のデータ駆動型モデリングの基盤を提供すること。
• 研究に適したデータ品質を保ちつつ、参加者のプライバシーを確保するための脱識別処理を実施すること。

提案手法

• 参加者による同意を得て、OBD-IIロガーを装着した383台の個人用車両（ICE、HEV、PHEV、EV）から時系列データを収集した。
• 12か月間（2017年11月〜2018年11月）にわたり、GPS経路、燃料／エネルギー消費、速度、補助電力のデータを秒単位で記録した。
• データの有用性を保ちつつ個人を特定できる情報を削除するための脱識別処理を実施した。
• すべての車両で一貫性のあるデータ取得を実現するため、標準化されたOBD-IIプロトコルを用いてCANバス信号にアクセスした。
• 実際の走行シナリオに基づき、燃料効率のばらつき、ハイブリッド効率、エコドライブの潜在的効果についての事例研究を実施した。
• 走行環境（高速道路、都市部、交差点）、速度、温度、時間帯ごとにデータを分析し、エネルギー消費のパターンを同定した。

実験結果

リサーチクエスチョン

• RQ1 燃料効率は、異なる走行環境、速度、周囲温度によってどのように変化するか？
• RQ2 ハイブリッド車両および電気自動車は、都市部の走行条件下で、従来のICE車両に比べてどの程度優れているか？
• RQ3 混雑時とスムーズ走行時とで、燃料消費量にどのような差が生じるか。また、車両タイプによってその差はどのように変化するか？
• RQ4 エコアプローチやエコディスパッチといったエコドライブ技術は、信号制御付き交差点において、平均的なドライバーと比較して燃料消費をどの程度削減できるか？
• RQ5 現実のデータに基づくと、コネクテッド・オートノムス・ビークル（CAV）技術によって、どのような省エネルギーの機会が得られるか？

主な発見

• 高速道路での燃料効率は、混雑した都市中心部の走行に比べ、平均で2.92倍高い。
• 最も燃料効率の良い走行速度は18 m/s（約40 mph）であり、それより速いか遅いかの走行では燃料消費量が増加した。
• -8°Cの環境では、20°Cの状態と比較して燃料消費量が46%増加した。これは、低温がエネルギー消費に与える顕著な影響を示している。
• 混雑時走行は、スムーズ走行と同等の条件下で、1英里あたり67%多くの燃料を消費した。
• 信号制御付き交差点を走行する際、HEVはICE車両と比較して287.5%も燃料を節約した。これは、止まり・走りの繰り返し走行においてハイブリッド車両の効率的優位性を示している。
• エコアプローチおよびエコディスパッチ技術を用いることで、実際の信号制御付き交差点において、平均的なドライバーと比較して燃料消費量を最大50%まで削減できる可能性がある。