초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

기존의 차량에 탑재된 주행 모드 설정 기능은 운전자의 수동 설정 또는 개발자에 의한 규칙기반 방식으로 구현되었으나, 운전자의 편의와 효율적인 주행을 위한 자동화 연구가 필요하다. 주행 모드 설정은 운전 성향 분류와 깊은 연관을 가지므로 실제 운전 성향이 반영된다면 보다 적합한 주행 모드 설정이 가능해진다.
이를 위해 본 논문에서는 차량 주행 모드의 설정을 위한 운전 성향의 분류 시스템을 제안한다. 머신러닝 기반의 순환신경망 학습 모델 및 차량의 ...

기존의 차량에 탑재된 주행 모드 설정 기능은 운전자의 수동 설정 또는 개발자에 의한 규칙기반 방식으로 구현되었으나, 운전자의 편의와 효율적인 주행을 위한 자동화 연구가 필요하다. 주행 모드 설정은 운전 성향 분류와 깊은 연관을 가지므로 실제 운전 성향이 반영된다면 보다 적합한 주행 모드 설정이 가능해진다.
이를 위해 본 논문에서는 차량 주행 모드의 설정을 위한 운전 성향의 분류 시스템을 제안한다. 머신러닝 기반의 순환신경망 학습 모델 및 차량의 CAN통신을 통해 취득한 데이터셋을 사용하여 운전 성향 분류를 수행하였다. 통계적 및 시간적 특성을 모두 활용하기 위해 취득 데이터로부터 일정 시간마다 통계 벡터를 추출하여 모델의 입력으로 사용하였다. 동일한 데이터셋을 크게 운전자 성향/ 주행 구간 두 기준으로 레이블링하여 두 방식에 대한 결과를 비교하고 분석하였으며, 운전자 성향 레이블링 데이터를 이용한 운전 성향 분류의 적절한 관찰 길이와 최적의 센서 조합을 찾아보았다. 그 결과 운전자 성향 레이블링 방식과 주행 구간 레이블링 방식에서 모두 유의미한 정확도를 보였다. 특히, 운전자 성향 레이블링 방식의 120초의 관찰에서 속도, 종방향 가속도 센서, 횡방향 가속도 센서 및 요레이트 센서 조합으로 분류를 수행했을 시 97.59%의 정확도를 나타냄을 확인하였다.

주제어