디지털 라이브러리[ 검색결과 ]
운전 공격성 인식을 위한 3D 컨볼루션 기반 비디오 인식 시스템 연구
http://doi.org/10.5626/JOK.2024.51.12.1094
본 연구는 차량 전방 카메라에서 수집한 비디오 데이터를 활용해 운전 스타일을 분류하고, 이를 통해 운전 공격성을 인식하는 모델을 개발 및 평가하는 것을 목적으로 한다. 이를 위해 CARLA 시뮬레이터를 사용하여 다양한 도로 환경에서 공격적/안전지향적 운전 패턴을 모사하였으며, 3D 컨볼루션 기반의 VideoResNet 모델을 활용하여 비디오 데이터를 분석하였다. 연구 결과, 학습된 모델은 도심 주행 상황에서 높은 정확도로 운전 스타일을 분류할 수 있었으며, 전방 카메라 데이터를 활용해 운전 공격성을 인식하는 데 유용함을 보여주었다. 또한, 실험을 통해 모델이 온라인 방식으로 운전 스타일을 분류할 수 있음을 확인하였으며, 이를 통해 모델의 즉각적인 운전 공격성 인식 도구로서의 적용 가능성을 평가하였다. 추가로, 본 연구에서는 도로 환경 및 속도 변화가 공격성 수치에 미치는 영향을 분석하여, 모델이 도로 환경의 복잡성과 속도의 상호작용을 고려한 판단을 수행할 수 있음을 확인하였다.
모방학습 기반 개인화된 자율주행 에이전트 개발
http://doi.org/10.5626/JOK.2024.51.6.558
자율주행의 출현으로 인간과 로봇은 같은 도로를 공유하게 되었다. 자율주행 차량이 기존 도로 에 조화롭게 편입하기 위해서는 인간 운전자처럼 (human-like) 주행하며 서로 간의 간극을 줄여야 할 필 요가 있다. 나아가 높아지는 개인화 요구에 맞추어 개인의 선호가 반영된(personalized) 자율주행에 대한 요구를 충족할 필요도 있다. 본 논문에서는 전문가 데이터를 복제하는 모방학습 기법을 탐구하고, 나아가 전문가 데이터를 기반으로 다양한 주행 패턴에 대한 선호를 만족하는 자율주행 정책을 생성하는 조정 가 능한 다중목적 모방학습 방식을 제안한다. 또한, 제안하는 방식으로 생성된 자율주행 정책들을 자율주행 Carla 시뮬레이터를 이용하여 다양한 시나리오에서 실험한다.
자율주행 컴퓨팅 시스템을 위한 확률적 응답시간 분석
http://doi.org/10.5626/JOK.2021.48.5.486
본 논문은 자율주행차를 위한 컴퓨팅 시스템의 센싱부터 제어까지의 종단간 응답시간을 확률적으로 분석하는 기법을 기술한다. 종단간 응답시간은 차량 응답성을 평가하는 지표로서, 차량 안전을 보장하는 다양한 지표들을 유도하는데 활용될 수 있다. 예를 들어, 장애물 센싱부터 차량 정지를 위한 제어까지의 종단간 응답 시간이 주어지면, 차량 안전을 위해서 요구되는 차량 속도의 상한을 정의할 수 있다. 또한, 제안하는 분석은 차량 응답성을 개선하기 위해서 컴퓨팅 자원을 얼마나 투입해야 하는지를 판단하기 위해서도 활용될 수 있다. 본 논문은 ERF(Earliest Release First) 스케줄링을 사용하고 태스크마다 CPU를 고정적으로 지정하여 실행한다는 가정 하에서 안전한 분석 방법을 제안하고, 오픈소스 자율주행 스택 오토웨어(Autoware)의 응답성 분석 결과를 제시한다.
자율주행 차량의 기능 간 상호작용 식별 패턴
http://doi.org/10.5626/JOK.2019.46.10.1001
다양한 피처들이 복합적으로 동작하는 시스템은 피처 간 상호작용으로 인해 예상치 못한 동작을 수행할 때가 있다. 시스템 구성 요소의 의존성만을 고려한 상호작용 식별은 실제로 동시에 수행되지 않는 피처들 간에도 상호작용이 발생하는 것으로 간주하여 긍정 오류가 발생할 수 있다. 그리고 속도와 방향과 같이 연관관계로 인해 발생하는 상호작용을 고려하지 않는다. 본 연구는 시스템의 시계열 데이터를 기반으로 상호작용을 식별하기 위한 패턴을 제안한다. 사례 연구에서는 상호작용 속성을 조합하여 상호작용 종류를 분류하고, 각 상호작용을 식별하기 위한 패턴을 대응시켰으며, 자율주행 차량의 시계열 데이터를 바탕으로 상호작용 식별을 수행하였다. 자율주행 차량의 ACC, OA, LKA, EVA 피처를 대상으로 상호작용 식별 결과, 비연속적 파티션 변화 패턴과 반복적 파티션 변화 패턴을 이용하여 속도 변수와 방향 변수에서 발생한 상호작용을 식별하였으며, 파티션 상충 패턴을 이용하여 방향과 속도 변수 사이의 연관관계로 인해 발생하는 상호작용을 식별하였다.
Style Transfer를 이용한 주행 중인 이동체에서의 야간 차량 인식률 향상 방식
http://doi.org/10.5626/JOK.2019.46.9.968
차량 인식 알고리즘은 자율 주행 차량에 필요한 기술에 있어서 중요한 부분 중 하나이다. 자율주행에서의 차량 간 사고를 막기 위해 선행되어야 하는 첫 번째 기술은 바로 차량 인식 기술이다. 대부분의 제시되는 기존의 기법들이 주간의 상황에서 우수한 성능을 보이는 반면 야간의 상황에서는 그렇지 못하다. 따라서 본 논문은 컬러 필터 기반 이미지 스타일 트랜스퍼를 통해 이전의 기법보다 강력한 야간에서의 차량 인식 기법을 제안하고자 하였다. 제안하는 방법의 성능 평가 결과는 실제 데이터를 이용하였고, 그 결과를 통해 이상적인 세그맨테이션 결과의 정확도와 비교하여 제안하는 방법이 다른 방법들보다 우수함을 나타내었다.
임베디드 보드에서 실시간 의미론적 분할을 위한 심층 신경망 구조
http://doi.org/10.5626/JOK.2018.45.1.94
본 논문은 자율주행을 위한 실시간 의미론적 분할 방법으로 최적화된 심층 신경망 구조인 Wide Inception ResNet (WIR Net)을 제안한다. 신경망 구조는 Residual connection과 Inception module을 적용하여 특징을 추출하는 인코더와 Transposed convolution과 낮은 층의 특징 맵을 사용하여 해상도를 높이는 디코더로 구성하였고 ELU 활성화 함수를 적용함으로써 성능을 올렸다. 또한 신경망의 전체 층수를 줄이고 필터 수를 늘리는 방법을 통해 성능을 최적화하였다. 성능평가는 NVIDIA Geforce gtx 1080과 TX1 보드를 사용하여 주행환경의 Cityscapes 데이터에 대해 클래스와 카테고리별 IoU를 평가하였다. 실험 결과를 통해 클래스 IoU 53.4, 카테고리 IoU 81.8의 정확도와 TX1 보드에서 640×360, 720×480 해상도 영상처리에 17.8fps, 13.0fps의 실행속도를 보여주는 것을 확인하였다.
신호등 신호에 따른 차량 주행 제어를 위한 인공 전위 함수
본 논문은 신호등 신호에 따른 자율 주행 (또는 반-자율 주행) 차량의 주행 제어를 위한 인공전위 함수(artificial potential function)를 제안한다. 신호등은 보행자의 안전과 직결된 일반적이면서도 가장 중요한 교통 신호 중 하나로서, 도로 위 자율 주행을 위해서는 차량이 교통 신호를 준수하게 해주는 주행 알고리즘의 설계가 중요하다. 본 논문은 세 가지 신호 색(녹색, 노랑, 빨강)으로 구성된 차량 신호등의 신호에 따라 차량의 움직임을 제어할 수 있는 인공 전위 함수를 제안한다. 제안된 인공 전위 함수는 세 가지 신호 색 각각에 대한 인공 전위 함수들로 구성되며, 신호에 따라 전위 함수가 전환되며 인공 전위 장(artificial potential field)을 변화시킨다. 제안된 신호등 전위 함수는 차량 주행을 위한 기존의 인공전위 함수들과 결합되어 최종 인공 전위 장을 생성한다. 제안하는 방법은 시뮬레이션을 통해 다양한 신호등 상황에 대해 실험되었으며, 신호등의 신호에 따라 차량이 자연스럽게 반응하는 모습을 보여준다.
