Vehicle Activity Dataset: A Multimodal Dataset to Understand Vehicle Emissions with Road Scenes for Eco-Routing - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Applied Sciences Année : 2023

Vehicle Activity Dataset: A Multimodal Dataset to Understand Vehicle Emissions with Road Scenes for Eco-Routing

Ensemble de données sur l'activité des véhicules :Un ensemble de données multimodales pour comprendre les émissions des véhicules avec des scènes de route pour l'éco-routage

Vishnu Pradeep
Tahar Berradia
Benjamin Sibbille
  • Fonction : Auteur
Jérémy Fourre
Avigaël Ohayon
  • Fonction : Auteur
Mohammad Jouni

Résumé

In the field of smart mobility, Artificial Intelligence (AI) approaches are influential and can make a highly beneficial contribution. Our project aims to develop a real-time ecological map of road traffic. This map will allow electric vehicles (EVs) and thermal vehicles (TVs) to display the cost of energy consumption and CO2 emissions on different road sections. In urban environments, road traffic emissions are a significant contributor to environmental pollution, with vehicle emissions being a major component. Addressing these impacts requires a thorough understanding of the operational behavior of vehicles on different road infrastructures within the region. This paper presents a novel, comprehensive dataset, the Vehicle Activity Dataset (VAD), designed to assess the emissions and fuel consumption characteristics of vehicles about their actual operating environment. Constructed from a large number of real-world driving scenarios, VAD incorporates emission data collected by an industrial Portable Emission Measurement System (PEMS), road scenes captured by an RGB camera, and the detection of different object classes within these images. The primary objective of VAD is to provide a comprehensive understanding of the relationship between vehicle emissions and the diverse range of objects present on the road. Experimental results in real road traffic environments through different studies demonstrate the robustness of the developed dataset.
Dans le domaine de la mobilité intelligente, les approches de l'intelligence artificielle (IA) sont influentes et peuvent apporter une contribution très bénéfique.Notre projet vise à développer une carte écologique en temps réel du trafic routier. Cette carte permettra aux véhicules électriques (VE) et aux véhicules thermiques (TV) d'afficher le coût de la consommation d'énergie et des émissions de CO2 sur différents tronçons routiers. Dans les environnements urbains, les émissions du trafic routier contribuent de manière significative à la pollution de l'environnement, les émissions des véhicules en étant une composante majeure. Pour faire face à ces impacts, il est nécessaire de bien comprendre le comportement opérationnel des véhicules sur les différentes infrastructures routières de la région. Cet article présente un nouvel ensemble de données complet, le Vehicle Activity Dataset (VAD), conçu pour évaluer les caractéristiques des émissions et de la consommation de carburant des véhicules dans leur environnement de fonctionnement réel. Construit à partir d'un grand nombre de scénarios de conduite réels, le VAD incorpore des données d'émissions collectées par un système industriel de mesure des émissions portables (PEMS), des scènes de route capturées par une caméra RVB et la détection de différentes classes d'objets dans ces images. L'objectif principal de la VAD est de fournir une compréhension complète de la relation entre les émissions des véhicules et la gamme variée d'objets présents sur la route. Les résultats expérimentaux obtenus dans des environnements de trafic routier réels dans le cadre de différentes études démontrent la robustesse de l'ensemble de données développé.

Dates et versions

hal-04414039 , version 1 (24-01-2024)

Identifiants

Citer

Firas Jendoubi, Vishnu Pradeep, Redouane Khemmar, Tahar Berradia, Romain Rossi, et al.. Vehicle Activity Dataset: A Multimodal Dataset to Understand Vehicle Emissions with Road Scenes for Eco-Routing. Applied Sciences, 2023, Applied Science: Special Issue (Future Autonomous Vehicles and Their Systems), 14 (1), pp.338. ⟨10.3390/app14010338⟩. ⟨hal-04414039⟩
16 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More