지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 백윤주
- 발행연도
- 2020
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수8
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 운전자의 행동이 교통 문제에 직접적인 영향이 있는 것을 판단되어 운전자 행동 분석에 관한 연구가 활발히 진행되고 있다. 운전자는 직진 주행, 회전 도로 주행, 차선 변경과 같은 차량 동작을 수행한다. 따라서 운전자 행동을 분석하기 위하여 먼저 차량의 동작을 인식할 필요가 있다. 차량의 OBD 포트를 통해 차량 내부 정보를 추출해서 차량 동작을 인식하는 연구가 있다. 차량 내부 정보를 사용할 경우 차량에 추가적인 센서를 부착하는 외부 센서 보다 직접적인 차량 동작 변화를 감지하기 어렵다. 또한 실제 차량에서 실시간 동작을 위해 소형 임베디드 디바이스에서 딥러닝을 사용할 경우 제한된 성능으로 딥러닝을 구현하는데 문제가 있다.
이러한 문제들을 해력하기 위해 본 논문에서는 온-디바이스 딥러닝 시스템을 구현하여 차량 동작을 인식하는 시스템을 제안한다. 먼저 차량의 OBD 포트와 연결되어 차량 내부 정보를 추출 가능하는 임베디드 단말 장치를 제작하였다. 그리고 차량 동작 인식에 사용하는 차량 내부 정보의 종류를 탐색하고, 인식하고자 하는 차량 동작을 정의 하여 딥러닝을 사용해 차량 동작 상태인식 모델을 학습시킨다. 또한 소형 디바이스에서 딥러닝을 구현하기 위해서 딥러닝의 경량화 방법을 제안한다. 마지막으로 구현한 온-디바이스 딥러닝 시스템의 추론 결과의 성능 향상을 위한 후처리 기법을 제안한다. 실제 차량으로 도로환경에서 수집한 데이터를 사용하여 학습하였고, 실시간 도로 주행을 실시하여 평가하였다. 차량 동작 인식 정확도는 93.23%, 추론 시간은 19.72ms으로 확인하였다. 기존의 35.41KByte인 학습 모델을 17.70KByte까지 경량화 하여 온-디바이스 시스템을 구현하였다.
이러한 문제들을 해력하기 위해 본 논문에서는 온-디바이스 딥러닝 시스템을 구현하여 차량 동작을 인식하는 시스템을 제안한다. 먼저 차량의 OBD 포트와 연결되어 차량 내부 정보를 추출 가능하는 임베디드 단말 장치를 제작하였다. 그리고 차량 동작 인식에 사용하는 차량 내부 정보의 종류를 탐색하고, 인식하고자 하는 차량 동작을 정의 하여 딥러닝을 사용해 차량 동작 상태인식 모델을 학습시킨다. 또한 소형 디바이스에서 딥러닝을 구현하기 위해서 딥러닝의 경량화 방법을 제안한다. 마지막으로 구현한 온-디바이스 딥러닝 시스템의 추론 결과의 성능 향상을 위한 후처리 기법을 제안한다. 실제 차량으로 도로환경에서 수집한 데이터를 사용하여 학습하였고, 실시간 도로 주행을 실시하여 평가하였다. 차량 동작 인식 정확도는 93.23%, 추론 시간은 19.72ms으로 확인하였다. 기존의 35.41KByte인 학습 모델을 17.70KByte까지 경량화 하여 온-디바이스 시스템을 구현하였다.
목차
1. 서론 12. 연구 배경 및 관련 연구 42.1. 연구 배경 42.1.1. 운전자 운전 분석 42.1.2. 위험 운전 정보 62.2. 관련 연구 82.2.1. 외부 센서를 사용한 현재 차량상태 인식 및 예측 연구 82.2.2. 차량 내부 정보를 사용한 현재 차량상태 인식 연구 92.3. 문제 정의 및 접근 방법 113. 온-디바이스 딥러닝 시스템 133.1. 시스템 설계 133.2. 현재 차량 상태 인식을 위한 딥러닝 모델 설계 153.2.1. 현재 차량 상태 인식을 위한 입력 센서 선정 153.2.2. 시스템이 인식하는 현재 차량 상태 정의 183.2.3. 차량 동작 상태 인식을 위한 라벨링 방법 193.3. 온-디바이스 추론을 위한 딥러닝 경량화 223.3.1. 동작 상태 정보의 전처리 223.3.2. DS-CNN 263.3.3. 딥러닝 기반 온-디바이스 추론 283.3.4. 추론 성능 결과 향상을 위한 후처리 기법 294. 성능 평가 344.1. 시스템 구현 344.1.1. 하드웨어 구현 344.1.2. 실험 환경 374.2. 차량 동작 상태 인식 424.2.1. 실험 환경 424.2.2. 성능 평가 434.3. 온-디바이스 시스템 추론 444.4. 후처리 기법 적용 평가 495. 결론 52
최근 본 자료
댓글(0)
0