본 연구는 차종분류기법을 개발하여, 가장 일반적인 교통정보 수집장치인 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 2006년 하반기 국토해양부에서 제시하고 있는 "통합12종 교통량조사 차종분류가이드"에 따라 차종을 12종으로 자동분류하고, 분류시 오분류를 최소화하는 방안을 목적으로 한다. 차종의 세분류를 위해 차종분류인자를 차량의 길이, 축간거리, 축형식, 각 축별 윤거, 윤형식으로 두고, 각 분류인자의 판독을 위해 루프센서와 축검지센서를 조합한 차종분류시스템을 구성하였다. 본 차종분류시스템에서는 원더링 기법을 적용하였다. 원더링 기법은 차량의 좌우 각 차륜의 횡방향 주행 패턴을 분석하는 것으로서 주행차량의 윤거, 윤형식 등이 판독가능하다. 본 시스템을 이용하여 약 한달간 실증분석을 실시하였으며, 총 교통량 762,420대를 자동분류한 결과 12종 분류로 분류되지 못한 차량이 47대로 전체의 0.006%로 나타났으며, 이는 분류결과를 통계적으로 활용함에 있어서 무시할 수 있는 정도의 높은 수준의 분류율을 나타내는 것이다. 본 시스템을 이용하여 실제 공용도로에서 확보한 신뢰성 높은 차종분류 데이터는 도로의 계획 및 설계, 도로 운영 등에 폭넓게 이용할 수 있으며, 도로 교통계획과 관리계획 수립을 위한 기초적 정보를 제공할 수 있다. 또한 도로 및 교통분야의 다양한 연구에 활용할 수 있는 중요한 자료가 될 것이다.
본 연구는 차종분류기법을 개발하여, 가장 일반적인 교통정보 수집장치인 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 2006년 하반기 국토해양부에서 제시하고 있는 "통합12종 교통량조사 차종분류가이드"에 따라 차종을 12종으로 자동분류하고, 분류시 오분류를 최소화하는 방안을 목적으로 한다. 차종의 세분류를 위해 차종분류인자를 차량의 길이, 축간거리, 축형식, 각 축별 윤거, 윤형식으로 두고, 각 분류인자의 판독을 위해 루프센서와 축검지센서를 조합한 차종분류시스템을 구성하였다. 본 차종분류시스템에서는 원더링 기법을 적용하였다. 원더링 기법은 차량의 좌우 각 차륜의 횡방향 주행 패턴을 분석하는 것으로서 주행차량의 윤거, 윤형식 등이 판독가능하다. 본 시스템을 이용하여 약 한달간 실증분석을 실시하였으며, 총 교통량 762,420대를 자동분류한 결과 12종 분류로 분류되지 못한 차량이 47대로 전체의 0.006%로 나타났으며, 이는 분류결과를 통계적으로 활용함에 있어서 무시할 수 있는 정도의 높은 수준의 분류율을 나타내는 것이다. 본 시스템을 이용하여 실제 공용도로에서 확보한 신뢰성 높은 차종분류 데이터는 도로의 계획 및 설계, 도로 운영 등에 폭넓게 이용할 수 있으며, 도로 교통계획과 관리계획 수립을 위한 기초적 정보를 제공할 수 있다. 또한 도로 및 교통분야의 다양한 연구에 활용할 수 있는 중요한 자료가 될 것이다.
The objective of this study is to develop the new vehicle classification algorithm and minimize classification errors. The existing vehicle classification algorithm collects data from loop and piezo sensors according to the specification("Vehicle classification guide for traffic volume survey" 2006)...
The objective of this study is to develop the new vehicle classification algorithm and minimize classification errors. The existing vehicle classification algorithm collects data from loop and piezo sensors according to the specification("Vehicle classification guide for traffic volume survey" 2006) given by the Ministry of Land, Transport and Maritime Affairs. The new vehicle classification system collects the vehicle length, distance between axles, axle type, wheel-base and tire type to minimize classification error. The main difference of new system is the "Wandering" sensor which is capable of measuring the wheel-base and tire type(single or dual). The wandering sensor obtains the wheel-base and tire type by detecting both left and right tire imprint. Verification tests were completed with the total traffic volume of 762,420 vehicles in a month for the new vehicle classification algorithm. Among them, 47 vehicles(0.006%) were not classified within 12 vehicle types. This results proves very high level of classification accuracy for the new system. Using the new vehicle classification algorithm will improve the accuracy and it can be broadly applicable to the road planning, design, and management. It can also upgrade the level of traffic research for the road and transportation infrastructure.
The objective of this study is to develop the new vehicle classification algorithm and minimize classification errors. The existing vehicle classification algorithm collects data from loop and piezo sensors according to the specification("Vehicle classification guide for traffic volume survey" 2006) given by the Ministry of Land, Transport and Maritime Affairs. The new vehicle classification system collects the vehicle length, distance between axles, axle type, wheel-base and tire type to minimize classification error. The main difference of new system is the "Wandering" sensor which is capable of measuring the wheel-base and tire type(single or dual). The wandering sensor obtains the wheel-base and tire type by detecting both left and right tire imprint. Verification tests were completed with the total traffic volume of 762,420 vehicles in a month for the new vehicle classification algorithm. Among them, 47 vehicles(0.006%) were not classified within 12 vehicle types. This results proves very high level of classification accuracy for the new system. Using the new vehicle classification algorithm will improve the accuracy and it can be broadly applicable to the road planning, design, and management. It can also upgrade the level of traffic research for the road and transportation infrastructure.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
도로를 주행하는 각종 통행 차량의 통과대수를 종류별, 방향별 및 시간별 등에 대하여 계수적으로 관측하기 위하여 교통량 조사를 실시한다.
본 연구에서는 루프검지기에 피에조타입의 축검지센서 2개를 사선으로 추가 설치하여 차종분류를 “통합 12 종 교통량조사 차종분류가이드”에서 제시하고 있는 분류 기준에 따라 자동으로 세분화하고 자동분류 시 오분류를 최소화하는 방안을 도출하는 것을 목적으로 한다.
본 연구에서는 차종을 최대한 세분화하고 각 차종 간의 분류 알고리즘 상에서 적어도 하나 이상의 분류인자에서 상호간에 중복되는 범위가 없도록 하여 차종간 오분류를 최소화하는 것을 주요 목적으로 한다. 따라서 본연구에서는 차종 분류기법에 필요한 분류인자를 다음과 같이 선정하였다.
제안 방법
기존의 원더링 기법은 <그림 2>의 (a)와 같이 차로별 1개의 원더링 센서를 사각으로 설치하여 주행차량의 차륜접지 위치를 판독하고 윤거를 측정하는 방식이었다. 이러한 기법은 1번 축과 2번 축의 축간거리가 짧은 차량이 주행할 경우 신호의 중첩이 발생하여 설치 각을 크게 할 수 없고, 설치 각을 작게 할 경우 바퀴 개수판독이 어려운 단점을 가지고 있다.
(b)와 같이 차로별 2개의 원더링 센서를 설치하여 좌 · 우측 차륜의 접지위치를 분리하여 측정하도록 하였다.
<표 4>는 본 연구에 의한 차종분류 주요인자로 1종에서 4종 차량은 원더링 기법에 의해 추출된 자료를 참조하여 차종분류에 사용하고, 5종 이상차량은 기존의 분류 방식인 축간거리를 사용하여 축구조와 1단위 차량인지 2단위 차량인지를 판독하여 차종을 분류한다.
차종분류에서 축간거리가 짧은 1종 차량과 3종 차량의 구분은 윤거와 축거가 서로 중첩되어 기존의 분류방식인 축거만으로는 2개의 차종구분이 매우 어렵다. 따라서 본 연구에서는 사각으로 설치된 원더링 센서 응답파형으로부터 각 축의 차륜에 대한 바퀴수를 구하여 이를 차종 구분에 사용한다. 2종 소형화물차의 경우 대부분 마지막 차륜이 복륜구조이므로 바퀴수를 판독하면 이들 차종의 구분이 가능하다.
8m 이하의 차량에서 구분이 모호했던 1종, 3종, 4종 차량을 명확히 분류할 수 있게 되었다. 또한 5종 이상의 차량에 대해서는 축구조와 차량의 단위에 따라 세분화하는 기법을 이용하였다.
본 시스템은 한국도로공사 도로교통연구원의 시험도로에 설치하여 시험차량을 이용한 원더링 성능 평가시험과 실제 고속도로 운행 차량을 대상으로 차종분류 성능 검증을 실시하였다. 시험 결과 원더링 센서를 이용하여 윤거를 추출해 낼 수 있었으며, 바퀴의 단륜 및 복륜형식을 분류함으로써 4종 이하(특히 3종)의 차종에 대해 기존보다 좀 더 명확한 분류를 이루어 낼 수 있었다.
본 실험에 적용된 원더링 센서에 대한 성능을 평가하였다. <그림 6>은 실험을 수행한 한국도로공사 도로교통 연구원의 시험도로에 설치된 고속축중계(High Speed Weigh-in-motion) 시스템의 구성도로 원더링 센서 4개를 추가 설치하고 제어기의 펌웨어에 원더링 센서 신호처리 기능을 내장하여 원더링 성능 평가 및 본 차종분류 실험을 실시하였다.
본 연구에서는 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 차종분류를 “통합 12종 교통량조사 차종분류가이드(국토해양부)”에서 제시하고 있는 분류 기준에 따라 자동으로 세분화하고 자동분류 시 오분류를 최소화하는 기법을 개발하였다.
본 연구에서는 원더링 센서를 사용한 차종분류기법을 통해 차종 분석을 실시하였다. <그림 10>은 시험도로에 설치되어있는 고속축중계 시스템의 모니터링 프로그램이다.
고속축중계 모니터링 프로그램은 차량의 하중을 실시간 분석하여 과적여부를 판별하기 위한 프로그램으로서 기본적으로 12종의 차종 분류가 필요함에 따라 원더링 센서를 적용한 차종분류 프로그램을 포함하고 있다. 본 연구에서는 이러한 차종분류 프로그램을 이용하여 검지된 교통 특성에 대한 분석을 실시하였다.
본 연구에서는 차종의 세분류를 위하여 선정한 차종분류인자인 차량의 길이, 축간거리, 축구조, 각 축별 윤간거리, 각 축별 윤형식을 판독하기 위한 방법으로 피에조센서를 축검지기 진출부에 사선으로 설치하는 원더링 기법을 적용하였다. 원더링 기법은 도로를 주행하는 차량의 차륜이 도로 진행의 수직방향 즉, 횡방향의 어느 위치로 주행 하는지를 감지하기 위한 것으로 좌우 각 차륜의 횡방향 접지위치를 판독함으로서 각 축의 좌우 윤거를 정확히 판독할 수 있다.
계산된 차종별 통행량을 <그림 12>와 같이 12종으로 분류하였다. 분류가 불분명한 차량 즉, 검지한 차량중 분류되지 못한 차량의 모집군은 0종으로 분류하였다. 한 달간 통행량은 총 762,420대이며 그중 분류가 되지 못한 0종 모집군의 대수는 47대(0.
시스템과 영상간의 비교분석 결과 에서 볼 수 있듯 2시간동안 시험할 때 주행한 모든 차량(1212대)을 검지, 분류하였다.
에서 알 수 있듯 축거가중첩이 되어서 축거만으로 명확한 차종분류가 불가능한 2종 및 4종의 경우 과 같이 축검지센서와 루프 센서를 사용해서 오버행과 언더행을 측정하여 구분한다.
원더링 센서를 이용한 차종분류를 통하여 한 달간의 통행량을 계산하였다. 계산된 차종별 통행량을 <그림 12>와 같이 12종으로 분류하였다.
원더링 센서의 성능에 대한 평가는 중부내륙선 하행에 주행하는 임의의 24시간 교통량 중에서 윤거(윤간 거리)가 일정한 의 C23형태 7종 차량의 1번 축 윤거를 시스템에서 측정된 결과를 분석하여 평가하였다.
본 실험에 적용된 원더링 센서에 대한 성능을 평가하였다. <그림 6>은 실험을 수행한 한국도로공사 도로교통 연구원의 시험도로에 설치된 고속축중계(High Speed Weigh-in-motion) 시스템의 구성도로 원더링 센서 4개를 추가 설치하고 제어기의 펌웨어에 원더링 센서 신호처리 기능을 내장하여 원더링 성능 평가 및 본 차종분류 실험을 실시하였다.
원더링 기법은 도로를 주행하는 차량의 차륜이 도로 진행의 수직방향 즉, 횡방향의 어느 위치로 주행 하는지를 감지하기 위한 것으로 좌우 각 차륜의 횡방향 접지위치를 판독함으로서 각 축의 좌우 윤거를 정확히 판독할 수 있다. 이러한 판독을 통해 기존에 오분류되기 쉬웠던 4종 이하차량을 명확히 분류할 수 있도록 하였다.
차로에 사선센서를 하나만 적용한 기존연구에서는 원더링 설치 각도를 20~25°로 제안(오주삼, 2008)하였으나, 본 연구에서는 PR=dR이 되도록 하기 위하여 원더링 센서 2개의 설치각도 Θ를 45°로 설치하여 차륜접지위치 계산을 단순화하였다.
차종분류 성능 실험은 2009년 8월 13일 오전 10시에서 12시까지 2시간에 걸쳐 와 같이 현장에 설치된 Web카메라로 2차로에 주행하는 차량에 대해서 영상을 녹화하여 육안으로 판독한 자료와 시스템에서 분류한 자료를 각 차종별로 비교하여 성능을 평가하였다( 참조).
본 연구에서는 루프검지기에 피에조타입의 축검지센서를 추가 설치하여 차종분류를 “통합 12종 교통량조사 차종분류가이드(국토해양부)”에서 제시하고 있는 분류 기준에 따라 자동으로 세분화하고 자동분류 시 오분류를 최소화하는 기법을 개발하였다. 차종분류를 세분화하기 위하여 분류인자를 차량의 길이(오버행), 축간거리(축수), 축구조(단일축, 조합축), 윤간거리, 윤형식(단륜, 복륜)으로 선정하였으며, 각 분류인자의 명확한 판독을 위해 원더링 센서를 이용한 차종분류기법을 개발하였다. 개발된 차종분류기법을 적용하여 정확한 윤거와 윤형식을 판독함으로써 축거 2.
<그림 7>은 본 연구에서 개발된 프로그램으로 C23형 7종 차량의 검색조건과 검색결과이다. 총 1744건의 차량이 검색되었으며 이 중 차선을 이탈하여 주행한 27대를 제외한 1717대의 차량에 대해 1cm 단위로 히스토그램 분석을 하였다. <그림 8>은 윤거 히스토그램으로 대부분의 차량이 ±2cm 범위에 있음을 알 수 있다.
대상 데이터
오버행과 언더행은 축검지센서와 루프센서의 응답신호의 시간차로 계산되나 루프센서의 응답특성이 차량형태에 따라 편차가 심하여 소형차량 구분에는 사용하지 않고, 본연구에서는 오버행이 큰 대형버스 구분에 사용하였다.
현재 시험가동중인 고속축중계 시스템의 DB 자료 중적절한 데이터(2008년 10월 데이터)를 선택하여 원더링 센서를 사용한 차종분류 자료를 확인 할 수 있었다. <그림 11>은 모니터링 프로그램 중 ‘원더링 분석’ 메뉴의 화면으로 주행차량의 좌우측 바퀴의 접지위치를 히스토그램으로 도식화한 그림이다.
이론/모형
이러한 센서구성을 통하여 주행차량의 모든 차륜의 접지위치와 윤거, 바퀴 수를 판독할 수 있다. 본 연구에서는 원더링 센서로 Piezo-electric 센서를 이용하였다.
성능/효과
<그림 8>은 윤거 히스토그램으로 대부분의 차량이 ±2cm 범위에 있음을 알 수 있다. C23형 7종 차량에 대한 분석결과 1번 축의 윤거는 평균 210.4cm, 표준편차 2.28cm으로 공용 중 임의차량에 대해서도 매우 양호한 결과를 얻을 수 있었다.
차종분류를 세분화하기 위하여 분류인자를 차량의 길이(오버행), 축간거리(축수), 축구조(단일축, 조합축), 윤간거리, 윤형식(단륜, 복륜)으로 선정하였으며, 각 분류인자의 명확한 판독을 위해 원더링 센서를 이용한 차종분류기법을 개발하였다. 개발된 차종분류기법을 적용하여 정확한 윤거와 윤형식을 판독함으로써 축거 2.8m 이하의 차량에서 구분이 모호했던 1종, 3종, 4종 차량을 명확히 분류할 수 있게 되었다. 또한 5종 이상의 차량에 대해서는 축구조와 차량의 단위에 따라 세분화하는 기법을 이용하였다.
5종 이상 차량의 경우 축수와 차량 단위수로 판독하게 되는데 가변 축을 들고 주행하는 차량이 많아 영상으로는 완벽히 판독하기가 어렵다. 따라서 5종 이상의 차종 분류는 영상 자료보다 본 시스템에서 검지한 자료가 더욱 정확할 것으로 사료된다. 이러한 사유로 인해 영상 자료와 시스템의 분류 자료와 약간의 오차가 발생하였다.
축거 280cm이하 차량은 1종 차량과 3종 차량, 4종 차량이 축거가 중첩되어 기존의 AVC시스템(자동차종분 류시스템)으로는 차종이 명확히 분류되지 않는다. 따라서 본 연구에 따른 원더링 센서 기반 AVC 시스템에서 획득한 윤거 및 바퀴수를 참조하여 이들 차종에 대한 명확한 구분을 할 수 있다.
본 차종분류기법에서 윤거에 의한 차종분류는 1, 3, 4종에 한하여 수행되므로, 1종과 3종의 경우 거의 모든 차량의 윤거가 170cm 이하이고, 4종의 경우 거의 모든 차량의 윤거가 200cm 이상임을 감안할 때 본 원더링 센서의 오차수준에서 윤거에 의해 4종 이하차량이 오분류될 가능성은 거의 없다고 사료된다.
본 시스템은 한국도로공사 도로교통연구원의 시험도로에 설치하여 시험차량을 이용한 원더링 성능 평가시험과 실제 고속도로 운행 차량을 대상으로 차종분류 성능 검증을 실시하였다. 시험 결과 원더링 센서를 이용하여 윤거를 추출해 낼 수 있었으며, 바퀴의 단륜 및 복륜형식을 분류함으로써 4종 이하(특히 3종)의 차종에 대해 기존보다 좀 더 명확한 분류를 이루어 낼 수 있었다. 차종 분류 성능검증 시험 결과 대상차량 762,420대 중 미분류된 차량은 47대로 전체의 0.
시험 결과 원더링 센서를 이용하여 윤거를 추출해 낼 수 있었으며, 바퀴의 단륜 및 복륜형식을 분류함으로써 4종 이하(특히 3종)의 차종에 대해 기존보다 좀 더 명확한 분류를 이루어 낼 수 있었다. 차종 분류 성능검증 시험 결과 대상차량 762,420대 중 미분류된 차량은 47대로 전체의 0.006% 가량으로 높은 분류율을 나타내었으며 이는 차종을 분류하여 통계적으로 활용함에 있어 무시할 만한 수준으로 사료된다. 본 연구에서 개발된 차종분류기법을 이용할 경우 도로교통 정책및 각종 연구의 기초자료에 다양하게 활용할 수 있는 명확한 차종별 교통자료를 생성할 수 있을 것이다.
차종분류는 당대의 차종특성과 도로등급에 따라 다양하게 적용되어 오다가 2006년에 들어 모든 도로등급에 동일 하게 12종으로 통합 분류되었다.(국토해양부, 2008)
후속연구
006% 가량으로 높은 분류율을 나타내었으며 이는 차종을 분류하여 통계적으로 활용함에 있어 무시할 만한 수준으로 사료된다. 본 연구에서 개발된 차종분류기법을 이용할 경우 도로교통 정책및 각종 연구의 기초자료에 다양하게 활용할 수 있는 명확한 차종별 교통자료를 생성할 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
원더링 기법이란?
본 차종분류시스템에서는 원더링 기법을 적용하였다. 원더링 기법은 차량의 좌우 각 차륜의 횡방향 주행 패턴을 분석하는 것으로서 주행차량의 윤거, 윤형식 등이 판독가능하다. 본 시스템을 이용하여 약 한달간 실증분석을 실시하였으며, 총 교통량 762,420대를 자동분류한 결과 12종 분류로 분류되지 못한 차량이 47대로 전체의 0.
도로 교통량이란?
도로 교통량이란 ‘도로의 한 지점, 또는 단면을 단위 시간 동안 통과하는 차량의 수’를 의미한다. 이를 조사하기 위하여 차종 분류가 필요한 것이다.
도로 교통량을 조사하기 위해 필요한 차종분류의 목적은?
이를 조사하기 위하여 차종 분류가 필요한 것이다. 차종분류의 목적은 도로포장설계를 위한 축하중 관련 계수의 결정, 고속도로 통행요금징수를 위한 목적, 도로사용자 부담조사 연구를 위한 목적 등으로 분류할 수 있다(손영태, 2001). 도로를 통과하는 단위 시간당의 교통량은 도로 시설물의 효용 척도로서 사용되며, 다른 지점과의 상대적 비교를 통하여 각 도로 구간의 역할을 추정 평가할 수 있는 지표로도 사용된다.
Coifman, B., D. Beymer, P. McLauchlan and J. Malik(1998), 'A Real-Time Computer Vision System for Vehicle Tracking and Traffic Surveillance', Transportation Research Part C, pp.271-288
Lu, Y. J., H. Y. Hsu and X. Maldague (1992), 'Vehicle classification using infr ared image analysis,' J.Transportation En gineering, vol.118, no.2, pp.223-240
※ AI-Helper는 부적절한 답변을 할 수 있습니다.