기존의 연비측정방법은 내연기관과 전기차의 연료소비량 또는 에너지 소비량을 측정하기 위해 Driving Cycle Test와 Real Driving Emissions로 측정했다. Driving Cycle Test는 범용적인 방식으로 연비를 측정할 수 있지만, 조향각에 따른 연비 평가가 불가능하고 실제 차량으로 시험하기 때문에 비용부담이 크다. 또한, 교통량 변화에 따른 연비측정이 불가능하여 Driving Cycle 이외에 연비를 반영하기 힘들다. Real Driving Emission은 조향각과 교통량 변화를 모두 포함할 수 있는 연비 측정방법이지만, 실제 차량으로 시험하여 비용부담이 크고, 설계 초기 단계에서 연비를 예측하지 못한다. 다른 차량과 비교하여 연비를 평가할 때 실도로 주행은 교통량이 달라서 차량 성능에 따른 연비 비교가 힘들다. 이 단점을 극복하기 위해서 가상주행환경에서 시나리오 기반으로 연비를 평가할 수 있는 Simulation in the loop 기반의 연비해석 플랫폼을 구축하였다.
가상주행환경 시나리오 기반 연비해석 플랫폼은 세 가지 모듈로 구성된다. 교통량을 조절하고 가상주행환경에 반영할 수 있는 모듈과 차량의 연비를 계산할 수 있는 차량 동역학 모듈 그리고 가상주행도로를 구성하고 가상주행환경의 다양한 주행상황을 모델링 할 수 있는 가상주행환경 모듈이 필요하다. 따라서 가상주행환경에서 연비 평가를 할 수 있는 통합환경을 구성하기 위해 위 세 가지 모듈을 연동하는 인터페이스를 구축하였다. 가상주행환경은 도로, 차선, 고도 정보를 포함하는 정적요소와 신호등 패턴 버스정류장에서의 차량 거동과 버스 노선을 반영할 수 있는 동적 요소로 구성된다. 실제 버스 도로 정보를 반영하기 위해 MMS(Mobile Mapping System) 기반의 도로 정보 측정을 하였다. 계측한 도로는 Point Cloud data와 Camera 이미지를 Mapping한 LAS데이터로 구성되며, 이를 openDRIVE 형식으로 변환하여 가상주행 시뮬레이션에 실도로 기반이 도로 정보를 사용했다.
평가 시나리오는 신호등 패턴, 버스정류장에서의 거동, 교통량 변화로 구성된다. 신호등 패턴은 계측한 실도로의 교통신호 패턴을 측정하여 모델링 했고, 버스정류장은 차량이 정류장에 도착한 후 감속하고 정지 후 30초 뒤에 출발하는 시나리오로 구성했다. 교통량 변화는 가상주행환경에서 2km 정도의 교통체증 구간을 설정했다. 신호등 패턴과 버스정류장에서의 거동을 고정하고 교통량을 변화하여 연비를 계산했다.
차량 모델은 상용 전기버스인 Bi-modal 움직임 특성을 고려한 차량 모델을 구축했다. 차량의 구동 및 제동 모델은 실제 차량의 재원을 사용해 모델링 했다. 실차 연비에 대한 주행시험결과가 없어 차량의 가속 및 감속 시험을 시뮬레이션과 비교하여 차량의 가속 및 감속 특성을 고려했다. 차선 변경에 의한 횡 방향 거동은 Double Lane Change 시험을 진행하여 차량 모델의 횡 방향 움직임과 비교하여 차량의 거동 특성을 검증했다. 시나리오에 따라 구축한 연비 평가 플랫폼에서 연비해석을 진행했다. 상용 전기 버스의 연비는 배터리에서 방전된 전하량으로 비교를 했다. 해석 결과에서 교통량 변화에 따라 운전자의 가속 및 감속 횟수가 다른 것을 확인했고, 가속 및 감속 횟수가 많을 때 상용 전기 버스의 방전량이 큰 것을 확인할 수 있었다.
따라서 교통량과 상용 전기 버스 동역학 모델을 반영하여 가상주행환경에서 연비 평가가 가능한 해석 플랫폼을 구축했다. 이는 기존의 구축된 Driving Cycle과 다르게 시나리오를 생성해 예측 불가능한 영역까지 해석영역을 확대할 수 있는 플랫폼이다.

The conventional fuel economy measurement method was measured with Driving Cycle Test and Real Driving Emissions to measure fuel consumption or energy consumption of internal combustion engines and electric vehicles. The Driving Cycle Test can measure fuel economy in a universal manner, but it is costly because it is impossible to assess fuel efficiency based on steering angles and is tested with actual vehicles. In addition, it is impossible to measure fuel economy due to changes in traffic volume, so it is difficult to reflect fuel economy other than driving cycle. Real Driving Emissions is a fuel economy measurement method that can include both steering angle and traffic volume changes, but they are tested with actual vehicles and are costly, and do not predict fuel economy in the early stages of design.
When evaluating fuel economy compared to other vehicles, actual road traffic is different, making it difficult to compare fuel economy depending on vehicle performance. To overcome this disadvantage, a simulation in the loop-based fuel economy analysis platform was established to evaluate fuel efficiency based on scenarios in virtual driving environments.
The fuel economy analysis platform based on the scenario of a virtual driving environment consists of three modules. A module that can control traffic volume and reflect it in a virtual driving environment, a vehicle dynamics module that can calculate the fuel economy of a vehicle, and a virtual driving environment module that can construct a virtual driving road and model various driving conditions in a virtual driving environment are needed.
Therefore, an interface linking the above three modules was established to create an integrated environment in which fuel efficiency could be assessed in a virtual driving environment. The virtual driving environment consists of static elements including road, lane and altitude information, and dynamic elements that can reflect vehicle behavior and bus routes at bus stops with traffic lights patterned. Road information measurements based on the Mobile Mapping System (MMS) were made to reflect actual bus road information. The measured road consists of point cloud data and camera image mapped LAS data, which was converted to openDRIVE format and the real road-based road information was used for simulation of virtual driving.
The evaluation scenario consists of a traffic light pattern, behavior at bus stops, and changes in traffic volume. The traffic light pattern was modelled by measuring the traffic signal pattern of the measured real road, and the bus stop consisted of a scenario in which the vehicle decelerated after arriving at the station and departed 30 seconds after stopping. The change in traffic volume set up a two-kilometer traffic jam section in a virtual driving environment. The pattern of traffic lights and the behavior at bus stops were fixed and the fuel economy calculated by changing traffic volume.
The vehicle model has built a vehicle model that takes into account the characteristics of Bi-modal movement, a commercial electric bus. The driving and braking models of the vehicle were modeled using the resources of the actual vehicle. The acceleration and deceleration characteristics of the vehicle were taken into account by comparing the acceleration and deceleration tests of the vehicle with the simulation as there were no driving test results for the actual fuel economy. Lateral behavior by lane change was tested in double lane change to verify the behaviour characteristics of the vehicle compared with the lateral movement of the vehicle model. Based on the scenario, the company conducted an analysis of fuel efficiency on its fuel efficiency evaluation platform. The fuel economy of commercial electric buses was compared to the amount of charge discharged from the battery. The analysis result confirmed that the driver''s acceleration and deceleration frequency is different depending on the traffic volume change, and that the commercial electric bus discharge is large when the number of acceleration and deceleration is high.
Therefore, an analytical platform that can evaluate fuel economy in a virtual driving environment was established by reflecting traffic volume and commercial electric bus dynamic models. Unlike conventional driving cycles, this is a platform that can create scenarios and expand the area of interpretation to unpredictable areas.