2020년에는 레벨 3의 상용화, 2025년에는 자율주행자동차의 양산을 목표로 자동차업계와 IT업계가 연구 개발을 진행하고 있다. 자율주행 기술이 개발됨에 따라 요소기술인 운전자 보조 시스템(Advanced Driver Assistance System, ADAS)을 사용자가 이용할 수 있게 되었다. ADAS의 대표적인 기능인 긴급자동제동장치와 적응순항제어와 같은 기능들은 사용자의 안전 및 수용성을 높이기 위해서 자차량 주변에 존재하는 객체들을 인지하고, 자차량의 주행에 영향을 미치는 객체인지 판단하는 타겟 선정 알고리즘의 신뢰성이 중요하다. 이러한 타겟 선정 알고리즘의 신뢰성을 높이기 위해서는 주변차량에 대한 경로예측 기술이 접목되어야 한다. 차선변경 의도파악을 고려한 기존 경로예측 방법은 주로 자차량의 차선변경 의도파악에 관한 것이고 주변차량에 대한 연구는 ...
2020년에는 레벨 3의 상용화, 2025년에는 자율주행자동차의 양산을 목표로 자동차업계와 IT업계가 연구 개발을 진행하고 있다. 자율주행 기술이 개발됨에 따라 요소기술인 운전자 보조 시스템(Advanced Driver Assistance System, ADAS)을 사용자가 이용할 수 있게 되었다. ADAS의 대표적인 기능인 긴급자동제동장치와 적응순항제어와 같은 기능들은 사용자의 안전 및 수용성을 높이기 위해서 자차량 주변에 존재하는 객체들을 인지하고, 자차량의 주행에 영향을 미치는 객체인지 판단하는 타겟 선정 알고리즘의 신뢰성이 중요하다. 이러한 타겟 선정 알고리즘의 신뢰성을 높이기 위해서는 주변차량에 대한 경로예측 기술이 접목되어야 한다. 차선변경 의도파악을 고려한 기존 경로예측 방법은 주로 자차량의 차선변경 의도파악에 관한 것이고 주변차량에 대한 연구는 몬테카를로 시뮬레이션(Monte Carlo simulation), 은닉 마르코프 모델(Hidden Markov Model, HMM) 등 시뮬레이션 기반의 경로 예측을 통하여 의도와 주행경로를 함께 판단하였다. 이는 시뮬레이션을 반복수행하기 때문에 연산 시간이 오래 걸리고, 모델식이 복잡여 보완이 어렵다는 단점을 가지고 있다. 본 논문에서는 상기 언급된 문제를 해결하기 위해서 주변차량에 대한 상태값을 환경인식센서와 V2X를 융합하고, Support Vector Machine(SVM)의 입력값으로 이용하여 주변차량의 차선변경 여부를 판단하고 차선변경 여부에 따른 주행경로 예측모델을 달리 적용하여 주변차량의 경로예측을 수행한다. 여기에서 계측값에 대한 필터링을 적용하여 잡음을 없애 융합데이터의 신뢰성을 높였으며, SVM은 상기 방법에 비하여 연산속도가 빠르고 주변차량에 대한 의도파악을 목적으로 모델을 구성했기 때문에 특징값 변경으로 인한 보완 및 수정이 상대적으로 용이하다. 본 논문에서는 주변차량의 차선변경 의도파악을 고려한 경로예측 알고리즘의 성능 검증을 위해 급격한 차선변경 시나리오는 ISO 3888를 완만한 차선변경 시나리오는 ISO 17387과 선행 연구를 준용하여 정의하고, 기존 경로예측 모델인 클로소이드 모델 경로예측 방법과 비교하여 성능을 평가하였다. 각 시나리오마다 경로예측에 대한 오차를 평균 제곱근 오차(Root Mean Square, RMS)로 산출하였다. 급격한 차선변경의 거리 오차는 1초는 1.41 m, 2초는 1.80m, 3초는 2.42 m가 나오는 것을 확인하였고, 완만한 차선변경의 경우에는 1초는 0.79 m, 2초는 0.85 m, 3초는 1.33 m의 거리 오차를 가지는 것을 통해 완만한 차선변경을 할때에 정확성 커지는 것을 확인 하였다. 하지만 기존 경로예측방법은 급격한 차선변경 시나리오에서 1초는 1.38 m, 2초는 3.13 m, 3초는 4.96 m의 거리 오차를 가지고 완만한 차선변경 시나리오에서 1초는 0.69 m, 2초는 1.39 m, 3초는 1.86 m의 거리 오차를 보여주어 장기 경로예측일수록 정확성이 현저히 떨어지는 것을 확인할 수가 있었다.
2020년에는 레벨 3의 상용화, 2025년에는 자율주행자동차의 양산을 목표로 자동차업계와 IT업계가 연구 개발을 진행하고 있다. 자율주행 기술이 개발됨에 따라 요소기술인 운전자 보조 시스템(Advanced Driver Assistance System, ADAS)을 사용자가 이용할 수 있게 되었다. ADAS의 대표적인 기능인 긴급자동제동장치와 적응순항제어와 같은 기능들은 사용자의 안전 및 수용성을 높이기 위해서 자차량 주변에 존재하는 객체들을 인지하고, 자차량의 주행에 영향을 미치는 객체인지 판단하는 타겟 선정 알고리즘의 신뢰성이 중요하다. 이러한 타겟 선정 알고리즘의 신뢰성을 높이기 위해서는 주변차량에 대한 경로예측 기술이 접목되어야 한다. 차선변경 의도파악을 고려한 기존 경로예측 방법은 주로 자차량의 차선변경 의도파악에 관한 것이고 주변차량에 대한 연구는 몬테카를로 시뮬레이션(Monte Carlo simulation), 은닉 마르코프 모델(Hidden Markov Model, HMM) 등 시뮬레이션 기반의 경로 예측을 통하여 의도와 주행경로를 함께 판단하였다. 이는 시뮬레이션을 반복수행하기 때문에 연산 시간이 오래 걸리고, 모델식이 복잡여 보완이 어렵다는 단점을 가지고 있다. 본 논문에서는 상기 언급된 문제를 해결하기 위해서 주변차량에 대한 상태값을 환경인식센서와 V2X를 융합하고, Support Vector Machine(SVM)의 입력값으로 이용하여 주변차량의 차선변경 여부를 판단하고 차선변경 여부에 따른 주행경로 예측모델을 달리 적용하여 주변차량의 경로예측을 수행한다. 여기에서 계측값에 대한 필터링을 적용하여 잡음을 없애 융합데이터의 신뢰성을 높였으며, SVM은 상기 방법에 비하여 연산속도가 빠르고 주변차량에 대한 의도파악을 목적으로 모델을 구성했기 때문에 특징값 변경으로 인한 보완 및 수정이 상대적으로 용이하다. 본 논문에서는 주변차량의 차선변경 의도파악을 고려한 경로예측 알고리즘의 성능 검증을 위해 급격한 차선변경 시나리오는 ISO 3888를 완만한 차선변경 시나리오는 ISO 17387과 선행 연구를 준용하여 정의하고, 기존 경로예측 모델인 클로소이드 모델 경로예측 방법과 비교하여 성능을 평가하였다. 각 시나리오마다 경로예측에 대한 오차를 평균 제곱근 오차(Root Mean Square, RMS)로 산출하였다. 급격한 차선변경의 거리 오차는 1초는 1.41 m, 2초는 1.80m, 3초는 2.42 m가 나오는 것을 확인하였고, 완만한 차선변경의 경우에는 1초는 0.79 m, 2초는 0.85 m, 3초는 1.33 m의 거리 오차를 가지는 것을 통해 완만한 차선변경을 할때에 정확성 커지는 것을 확인 하였다. 하지만 기존 경로예측방법은 급격한 차선변경 시나리오에서 1초는 1.38 m, 2초는 3.13 m, 3초는 4.96 m의 거리 오차를 가지고 완만한 차선변경 시나리오에서 1초는 0.69 m, 2초는 1.39 m, 3초는 1.86 m의 거리 오차를 보여주어 장기 경로예측일수록 정확성이 현저히 떨어지는 것을 확인할 수가 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.