근 자율주행과 ADAS(Advanced Driver Assistance Systems) 기술이 발달되고 보편화 되면서, Euro NCAP에서 2020 캠페인 및 교차로 안전 규제를 통해 자율주행 및 관련 시스템에 대한 평가 기준을 강화하는 등 자율주행에 대한 안전 시스템 및 충돌 회피 시스템에 대한 필요성이 증가하고 있다. 기존의 AEB(Autonomous Emergency Braking)나 FCA(Forward Collision-Avoidance Assist)의 경우, 전방 충돌을 방지하는 효과는 뛰어나나 측방 충돌에는 한계가 존재한다. 또한, 주변 차량의 거동을 예측해서 작동하는 것이 아니기 때문에 급격한 가속도의 변화로 운전자에게 불안감을 주고 승차감을 저하시키는 문제가 있다. 머신러닝을 활용하여 주변 차량의 차선변경 의도를 판단하고 이를 바탕으로 ...
근 자율주행과 ADAS(Advanced Driver Assistance Systems) 기술이 발달되고 보편화 되면서, Euro NCAP에서 2020 캠페인 및 교차로 안전 규제를 통해 자율주행 및 관련 시스템에 대한 평가 기준을 강화하는 등 자율주행에 대한 안전 시스템 및 충돌 회피 시스템에 대한 필요성이 증가하고 있다. 기존의 AEB(Autonomous Emergency Braking)나 FCA(Forward Collision-Avoidance Assist)의 경우, 전방 충돌을 방지하는 효과는 뛰어나나 측방 충돌에는 한계가 존재한다. 또한, 주변 차량의 거동을 예측해서 작동하는 것이 아니기 때문에 급격한 가속도의 변화로 운전자에게 불안감을 주고 승차감을 저하시키는 문제가 있다. 머신러닝을 활용하여 주변 차량의 차선변경 의도를 판단하고 이를 바탕으로 위험도를 판단하게 되면 선제적인 감속 및 조향 제어를 통해 충돌 사고를 방지하고 승차감을 향상 시킬 수 있다는 장점이 있다. 이러한 배경을 바탕으로 본 연구에서는 Radar로부터 획득하는 데이터를 이용하여 Random Forest를 기반으로 하는 측전방 차량의 차선 변경 의도 판단 알고리즘을 제안한다. 측전방 차량이 자차량의 전방으로 차선변경을 한다고 판단되는 경우, 상대 차량과의 TTC(Time to Collision) 및 요구 가속도 값을 계산하고 측전방, 측후방에 위치하는 차량에 대한 상대거리/상대속도 기반의 위험도 판단을 통해 감속/회피에 대한 주행 전략을 수립해 차량을 안전하게 제어하는 알고리즘을 제안한다. 이를 위해 IPG 社의 Carmaker를 활용하여 학습데이터를 수집하였으며, Matlab & Simulink로 데이터의 전처리 및 학습을 수행하였다. 제안한 알고리즘은 Matlab/ Simulink를 이용해 구현되었으며, CarMaker 기반의 실시간 MILS(Model in the Loop S ystem) 환경에서 성능을 검증하였다.
근 자율주행과 ADAS(Advanced Driver Assistance Systems) 기술이 발달되고 보편화 되면서, Euro NCAP에서 2020 캠페인 및 교차로 안전 규제를 통해 자율주행 및 관련 시스템에 대한 평가 기준을 강화하는 등 자율주행에 대한 안전 시스템 및 충돌 회피 시스템에 대한 필요성이 증가하고 있다. 기존의 AEB(Autonomous Emergency Braking)나 FCA(Forward Collision-Avoidance Assist)의 경우, 전방 충돌을 방지하는 효과는 뛰어나나 측방 충돌에는 한계가 존재한다. 또한, 주변 차량의 거동을 예측해서 작동하는 것이 아니기 때문에 급격한 가속도의 변화로 운전자에게 불안감을 주고 승차감을 저하시키는 문제가 있다. 머신러닝을 활용하여 주변 차량의 차선변경 의도를 판단하고 이를 바탕으로 위험도를 판단하게 되면 선제적인 감속 및 조향 제어를 통해 충돌 사고를 방지하고 승차감을 향상 시킬 수 있다는 장점이 있다. 이러한 배경을 바탕으로 본 연구에서는 Radar로부터 획득하는 데이터를 이용하여 Random Forest를 기반으로 하는 측전방 차량의 차선 변경 의도 판단 알고리즘을 제안한다. 측전방 차량이 자차량의 전방으로 차선변경을 한다고 판단되는 경우, 상대 차량과의 TTC(Time to Collision) 및 요구 가속도 값을 계산하고 측전방, 측후방에 위치하는 차량에 대한 상대거리/상대속도 기반의 위험도 판단을 통해 감속/회피에 대한 주행 전략을 수립해 차량을 안전하게 제어하는 알고리즘을 제안한다. 이를 위해 IPG 社의 Carmaker를 활용하여 학습데이터를 수집하였으며, Matlab & Simulink로 데이터의 전처리 및 학습을 수행하였다. 제안한 알고리즘은 Matlab/ Simulink를 이용해 구현되었으며, CarMaker 기반의 실시간 MILS(Model in the Loop S ystem) 환경에서 성능을 검증하였다.
With the recent development and generalization of autonomous driving and Advanced Driver Assistance Systems (ADAS) technologies, the need for safety systems and collision avoidance systems for autonomous driving is increasing, with the 2020 campaign and intersection safety regulations strengthening....
With the recent development and generalization of autonomous driving and Advanced Driver Assistance Systems (ADAS) technologies, the need for safety systems and collision avoidance systems for autonomous driving is increasing, with the 2020 campaign and intersection safety regulations strengthening. Existing automatic emergency braking (AEB) or forward collision-avoidance assistance (FCA) has excellent forward collision prevention effects, but there are limitations to lateral collisions. In addition, since it is not operated by predicting the behavior of surrounding vehicles, there are problems that cause anxiety to drivers and reduce ride quality due to rapid changes in acceleration. If machine learning is used to determine the intention to change lanes of surrounding vehicles and determine the risk based on it, it has the advantage of preventing collision accidents and improving ride quality through preemptive deceleration and steering control. Based on this background, in this work, we propose an algorithm for determining lane change intent for side-forward vehicles based on Random Forest using data acquired from Radar. If the vehicle is determined to change lanes to the front of the vehicle, an algorithm is proposed to control the vehicle safely by calculating time to collision (TTC) and required acceleration values with the vehicle. To this end, learning data was collected using IPG's Carmaker, and pre-processing and learning of the data was performed with Matlab & Simulink. The proposed algorithm was implemented using Matlab/Simulink and validated its performance in a real-time Model in the Loop System (MILS) environment based on CarMaker.
With the recent development and generalization of autonomous driving and Advanced Driver Assistance Systems (ADAS) technologies, the need for safety systems and collision avoidance systems for autonomous driving is increasing, with the 2020 campaign and intersection safety regulations strengthening. Existing automatic emergency braking (AEB) or forward collision-avoidance assistance (FCA) has excellent forward collision prevention effects, but there are limitations to lateral collisions. In addition, since it is not operated by predicting the behavior of surrounding vehicles, there are problems that cause anxiety to drivers and reduce ride quality due to rapid changes in acceleration. If machine learning is used to determine the intention to change lanes of surrounding vehicles and determine the risk based on it, it has the advantage of preventing collision accidents and improving ride quality through preemptive deceleration and steering control. Based on this background, in this work, we propose an algorithm for determining lane change intent for side-forward vehicles based on Random Forest using data acquired from Radar. If the vehicle is determined to change lanes to the front of the vehicle, an algorithm is proposed to control the vehicle safely by calculating time to collision (TTC) and required acceleration values with the vehicle. To this end, learning data was collected using IPG's Carmaker, and pre-processing and learning of the data was performed with Matlab & Simulink. The proposed algorithm was implemented using Matlab/Simulink and validated its performance in a real-time Model in the Loop System (MILS) environment based on CarMaker.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.