머신 러닝 기법을 활용한 ADAS/자율주행 차량의 운행 적합도 설계 :A study on driving suitability indicators for ADAS/AV based on machine learning

권대욱

추천

검색

자료유형: 학위논문

저자정보: 권대욱 (한양대학교, 한양대학교 대학원)

지도교수: 이형철

발행연도: 2021

저작권: 한양대학교 논문은 저작권에 의해 보호받습니다.

이용수35

이 논문의 연구 히스토리 (2)

2021

머신 러닝 기법을 활용한 ADAS/자율주행 차량의 운행 적합도 설계

권대욱 전기공학과 2021.01 학위논문

2020

머신러닝을 이용한 자율주행차량의 주행적합지표 설계

권대욱 , 김좌헌 , 조건희 외 1명 한국자동차공학회 추계학술대회 및 전시회 2020.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 ADAS(Advanced Driver Assistance System)/AV(Automated Vehicle)가 탑재된 차량에 탑승한 운전자/탑승자가 적합/부적합 상황을 판단하는 운전 적합도 지표를 설계하였다. 우선적으로 도로 교통 공단 교통사고 분석 시스템의 통계 결과를 바탕으로 차량 주행 시 부적합 하다고 주로 판단되는 상황을 통계적으로 판단하여 적합/부적합 시나리오를 구성했다. 이를 기반으로 시뮬레이션 환경을 구축하고 구축된 환경에서 주행 데이터 취득하였다. 취득한 데이터를 분석하고 머신 러닝으로 학습시켜 운전 적합도 지표를 도출하였다. 주행 환경 데이터는 각각 dSPACE社의 ASM(Automotive Simulation Models)과 Driving Simulator를 사용하여 획득했다. 이때 자율 주행 차의 운전 적합성 여부를 판단하기 위해 운전자 혹은 탑승자의 반응이 필요하므로 ‘Trigger Signal’이라는 입력 신호를 생성하였다. 이렇게 생성된 입력 신호는 운전자 또는 탑승자가 각 시나리오의 부적합한 운전 상황에 대해서만 입력하도록 하였다. 각각의 시나리오에 대해 지배적인 파라미터들을 파악하기 위하여 취득한 raw 데이터를 가지고 상대 거리, 상대 속도, 상대 가속도, TTC(Time To Collision)을 도출하였다. 이 실험 데이터를 동일한 스케일이 반영되도록 z-score를 통해 정규화 하였다. 데이터의 패턴을 보기위해 도출한 종/횡방향 상대 거리, 상대 속도, 상대 가속도, TTC, 그리고 ego 차량의 종방향 속도를 입력으로 적합/부적합 상황이라고 판정 지은 Trigger Signal을 출력으로 처리해 MLP(Multi-Layer Perceptron)학습을 시켰다. 학습시킨 MLP의 출력 값이 적합/부적합에 대한 신뢰도를 나타낸다는 점을 이용하여 인덱스를 설계하였고 이를 통해 ADAS/AV 시스템에서 제어기의 임계 값을 설계하여 다양한 운전자의 수용을 고려할 수 있고 운전 적합도 지표를 통해 종방향, 횡방향의 사고 위험도를 최소화하며 주행하여 높은 수준의 안전도 향상을 기대할 수 있다.

#전기공학

차 례
그림/표 목차 III
국문 요지 V
제１장 서 론 - 1 -
1.1 연구 배경 - 1 -
1.2 논문의 구성 - 3 -
제２장 시나리오 구성과 시뮬레이션 환경 구축 - 5 -
2.1 적합/부적합 운전 시나리오 구성 - 5 -
2.2 시뮬레이션 환경 구축 및 데이터 수집 - 8 -
제３장 데이터 전처리와 분석 - 10 -
3.1 데이터의 정규화 - 10 -
3.1.1 Min-Max Normalization - 11 -
3.1.2 Z-Score Normalization - 12 -
3.2 데이터 분석 - 14 -
3.2.1 종방향(Class 1) 데이터 분석 - 16 -
3.2.2 횡방향 (Class 2) 데이터 분석 - 18 -
3.2.3 종+횡방향(Class 3) 데이터 분석 - 20 -
제４장 머신 러닝을 활용한 운행 적합도 지표 설계 - 24 -
4.1 Multi-Layer Perceptron 기반 운행 적합도 지표 설계 - 24 -
4.2 Tight Longitudinal Distance Driving시나리오 검증 - 27 -
4.3 Sudden Stop 시나리오 검증 - 31 -
4.4 High-Speed Driving 시나리오 검증 - 35 -
4.5 Cut-In Interrupt 시나리오 검증 - 39 -
4.6 Tight Lateral Distance Driving 시나리오 검증 - 43 -
4.7 Lane Changing with Surround Car High-Speed Driving 시나리오 검증 - 47 -
4.8 Overtaking after High-Speed Driving 시나리오 검증 - 51 -
제５장 결론 및 향후 연구 방향 - 55 -
REFERENCE - 57 -
ABSTRACT - 60 -

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)