최근 토요타, 폭스바겐, 벤츠 등 자동차 제조사뿐만 아니라 구글, 애플, 우버, 인텔 등 여러 ICT 기업들이 앞다퉈 자율주행자동차에 관한 개발을 진행하며 자율주행 관련 기술이 급속도로 발전하고 있다. 특히 ECU(Electronic Control Unit)의 발달로 자동차가 많은 일들을 할 수 있게 되면서 ADAS(Advanced Driver Assistance Systems)는 자율주행의 핵심 기술로 발전해가고 있다. 현재 상당수 자동차가 ADAS 기능을 탑재하고는 있지만, 다양한 교통 상황에 모두 대처할 만큼 높은 수준의 안전성을 갖추지는 못하였다. ADAS 기술은 궁극적으로는 완전자율주행을 목표로 발전하고 있지만, ADAS 기술의 기본 조건은 탑승자의 안전을 보장하는 것이다. 이처럼 탑승자의 안전을 보장하기 위해서는 주행 중 주변의 상황을 인지하고, 그 상황이 미래에 어떻게 전개될 것인지를 예측하는 능력이 핵심적이다. 따라서 본 논문에서는 LSTM 구조와 ...
최근 토요타, 폭스바겐, 벤츠 등 자동차 제조사뿐만 아니라 구글, 애플, 우버, 인텔 등 여러 ICT 기업들이 앞다퉈 자율주행자동차에 관한 개발을 진행하며 자율주행 관련 기술이 급속도로 발전하고 있다. 특히 ECU(Electronic Control Unit)의 발달로 자동차가 많은 일들을 할 수 있게 되면서 ADAS(Advanced Driver Assistance Systems)는 자율주행의 핵심 기술로 발전해가고 있다. 현재 상당수 자동차가 ADAS 기능을 탑재하고는 있지만, 다양한 교통 상황에 모두 대처할 만큼 높은 수준의 안전성을 갖추지는 못하였다. ADAS 기술은 궁극적으로는 완전자율주행을 목표로 발전하고 있지만, ADAS 기술의 기본 조건은 탑승자의 안전을 보장하는 것이다. 이처럼 탑승자의 안전을 보장하기 위해서는 주행 중 주변의 상황을 인지하고, 그 상황이 미래에 어떻게 전개될 것인지를 예측하는 능력이 핵심적이다. 따라서 본 논문에서는 LSTM 구조와 DNN 구조의 딥러닝 기술 사용해 주변 차량의 미래 경로를 예측하는 시스템을 제안한다. 해당 예측 시스템은 도로 환경에서 주변 차량을 환경 센서를 이용하여 인지 한 후 이들의 과거 경로, 자차의 운동상태정보 등을 입력으로 하여 주변 차량들의 미래 경로를 실시간으로 예측한다. 해당 예측시스템은 전, 후방으로 100m, 측방으로 좌우 6m에 존재하는 주변 차량을 인지하고 미래 경로를 예측한다. 이를 위해 Carmaker simulator를 활용하여 학습데이터를 수집하였으며, MATLAB&SIMULINK로 데이터를 전처리하였다. 전처리 된 데이터를 신경망 모델에 송수신하기위해 MATLAB&SIMULINK의 TCP/IP블럭을 사용하여 Python기반으로 구성된 신경망과 소켓통신하였다. 딥러닝 모델은 Python, Tensorflow, Keras를 사용하여 구성하고 학습시켰다.
최근 토요타, 폭스바겐, 벤츠 등 자동차 제조사뿐만 아니라 구글, 애플, 우버, 인텔 등 여러 ICT 기업들이 앞다퉈 자율주행자동차에 관한 개발을 진행하며 자율주행 관련 기술이 급속도로 발전하고 있다. 특히 ECU(Electronic Control Unit)의 발달로 자동차가 많은 일들을 할 수 있게 되면서 ADAS(Advanced Driver Assistance Systems)는 자율주행의 핵심 기술로 발전해가고 있다. 현재 상당수 자동차가 ADAS 기능을 탑재하고는 있지만, 다양한 교통 상황에 모두 대처할 만큼 높은 수준의 안전성을 갖추지는 못하였다. ADAS 기술은 궁극적으로는 완전자율주행을 목표로 발전하고 있지만, ADAS 기술의 기본 조건은 탑승자의 안전을 보장하는 것이다. 이처럼 탑승자의 안전을 보장하기 위해서는 주행 중 주변의 상황을 인지하고, 그 상황이 미래에 어떻게 전개될 것인지를 예측하는 능력이 핵심적이다. 따라서 본 논문에서는 LSTM 구조와 DNN 구조의 딥러닝 기술 사용해 주변 차량의 미래 경로를 예측하는 시스템을 제안한다. 해당 예측 시스템은 도로 환경에서 주변 차량을 환경 센서를 이용하여 인지 한 후 이들의 과거 경로, 자차의 운동상태정보 등을 입력으로 하여 주변 차량들의 미래 경로를 실시간으로 예측한다. 해당 예측시스템은 전, 후방으로 100m, 측방으로 좌우 6m에 존재하는 주변 차량을 인지하고 미래 경로를 예측한다. 이를 위해 Carmaker simulator를 활용하여 학습데이터를 수집하였으며, MATLAB&SIMULINK로 데이터를 전처리하였다. 전처리 된 데이터를 신경망 모델에 송수신하기위해 MATLAB&SIMULINK의 TCP/IP블럭을 사용하여 Python기반으로 구성된 신경망과 소켓통신하였다. 딥러닝 모델은 Python, Tensorflow, Keras를 사용하여 구성하고 학습시켰다.
Recently, not only automobile manufacturers such as Toyota, Volkswagen, and Benz, but also many ICT companies such as Google, Apple, Uber, and Intel are rushing to develop Autonomous Vehicle, and technologies related to self-driving are rapidly developing. ADAS (Advanced Driver Assistance Systems) i...
Recently, not only automobile manufacturers such as Toyota, Volkswagen, and Benz, but also many ICT companies such as Google, Apple, Uber, and Intel are rushing to develop Autonomous Vehicle, and technologies related to self-driving are rapidly developing. ADAS (Advanced Driver Assistance Systems) is developing into a core technology for autonomous driving as cars can do many things with the development of electronic control units (ECU). Currently, many cars have ADAS functions, but they are not equipped with high levels of safety to cope with all the various traffic situations. While ADAS technology is ultimately evolving to achieve full autonomous-driving, the basic condition of ADAS technology is to ensure the safety of occupants. In order to ensure the safety of occupants, the ability to recognize the circumstances surrounding them while driving and to predict how the situation will unfold in the future is key. Therefore, in this paper, a system to predict the future trajectory of the surrounding vehicle is proposed using the deep learning technology of LSTM structure and DNN structure. The forecast system uses environmental sensors to recognize the surrounding vehicles in the road environment and then input their past trajectory and information on the movement status of the ego vehicle to predict the future trajectory of the surrounding vehicles in real time. The prediction system recognizes the surrounding vehicles present at 100m front and rear, and 6m left and right sides, and predicts future trajectory. To this end, the training data was collected using the carmaker simulator and the data was pre-processed with matlab&simulink. To send and receive pre-processed data to and from the neural network model, tcp/ip block of matlab&simulink was used and communicate neural network that consisted of python base by socket communication. Deep Learning models were constructed and learned using python, tenorflow, and keras.
Recently, not only automobile manufacturers such as Toyota, Volkswagen, and Benz, but also many ICT companies such as Google, Apple, Uber, and Intel are rushing to develop Autonomous Vehicle, and technologies related to self-driving are rapidly developing. ADAS (Advanced Driver Assistance Systems) is developing into a core technology for autonomous driving as cars can do many things with the development of electronic control units (ECU). Currently, many cars have ADAS functions, but they are not equipped with high levels of safety to cope with all the various traffic situations. While ADAS technology is ultimately evolving to achieve full autonomous-driving, the basic condition of ADAS technology is to ensure the safety of occupants. In order to ensure the safety of occupants, the ability to recognize the circumstances surrounding them while driving and to predict how the situation will unfold in the future is key. Therefore, in this paper, a system to predict the future trajectory of the surrounding vehicle is proposed using the deep learning technology of LSTM structure and DNN structure. The forecast system uses environmental sensors to recognize the surrounding vehicles in the road environment and then input their past trajectory and information on the movement status of the ego vehicle to predict the future trajectory of the surrounding vehicles in real time. The prediction system recognizes the surrounding vehicles present at 100m front and rear, and 6m left and right sides, and predicts future trajectory. To this end, the training data was collected using the carmaker simulator and the data was pre-processed with matlab&simulink. To send and receive pre-processed data to and from the neural network model, tcp/ip block of matlab&simulink was used and communicate neural network that consisted of python base by socket communication. Deep Learning models were constructed and learned using python, tenorflow, and keras.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.