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.
TwinAMFNet: 3차원 시맨틱 세그멘테이션을 위한 Twin 어텐션 기반 멀티모달 퓨전 네트워크
http://doi.org/10.5626/JOK.2023.50.9.784
최근 자율주행에서 오인식으로 인한 충돌 사고가 증가함에 따라 멀티 모달 센서를 활용한 센서 퓨전 기반의 3차원 시맨틱 세그멘테이션에 관한 관심이 늘어나고 있다. 이에 따라 본 연구에서는 카메라와 LiDAR의 센서 퓨전을 통해 새로운 3차원 시맨틱 세그멘테이션 신경망인 TwinAMFNet을 소개한다. 제안하는 신경망은 RGB 영상과 2차원의 좌표 평면에 사영한 점 군 사영 영상을 처리하는 Twin 신경망을 포함하며 인코더 및 디코더에서의 특징 단계 퓨전을 위한 어텐션 기반 퓨전 모듈을 통해 더욱 확장된 객체 및 경계 구분에 대한 표현력 개선을 보여준다. 결과적으로 제안한 신경망은 mIoU를 기준으로 3차원 시맨틱 세그멘테이션에 약 68%의 성능을 기록하였으며 기존 연구들에 비해 약 4.5% 이상 향상된 성능을 보였다.
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.
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.
