차량의 각종 안전장치 및 운전자 모니터링 장치에서 운전자의 상태를 파악하려 할 때는 운전자, 자동차, 도로 환경의 측정 변수들이 통합적으로 수집되고 해석되어야 한다. 본 논문에서는 운전 상황을 통합적이고 종합적으로 분석하기 위하여 일정한 시간 주기로 운전자, 차량, 도로 주변 환경과 같은 다양한 영역으로부터 데이터를 동기화하여 수집하는 실시간 차량 모니터링 시스템을 제안한다. 제안한 시스템은 소프트 동기화 메커니즘으로 다중 정보를 동기화하여 수집한다. 이는 하나의 마스터 시간과 차량 상태와 운전자 상태 등의 다양한 영역의 데이터들의 키 값들을 동일한 시간 주기로 하나의 파일에 저장하고, 각각 다양한 영역의 데이터들은 저장할 때 마스터 시간과 함께 저장함으로써 후에 특정 시간에 운전 상황을 쉽게 찾아 볼 수 있게 한다. 본 논문에서는 구현된 시스템으로 9명의 피험자의 인지 부하 실험에서 데이터를 수집하는 예를 보인다.
차량의 각종 안전장치 및 운전자 모니터링 장치에서 운전자의 상태를 파악하려 할 때는 운전자, 자동차, 도로 환경의 측정 변수들이 통합적으로 수집되고 해석되어야 한다. 본 논문에서는 운전 상황을 통합적이고 종합적으로 분석하기 위하여 일정한 시간 주기로 운전자, 차량, 도로 주변 환경과 같은 다양한 영역으로부터 데이터를 동기화하여 수집하는 실시간 차량 모니터링 시스템을 제안한다. 제안한 시스템은 소프트 동기화 메커니즘으로 다중 정보를 동기화하여 수집한다. 이는 하나의 마스터 시간과 차량 상태와 운전자 상태 등의 다양한 영역의 데이터들의 키 값들을 동일한 시간 주기로 하나의 파일에 저장하고, 각각 다양한 영역의 데이터들은 저장할 때 마스터 시간과 함께 저장함으로써 후에 특정 시간에 운전 상황을 쉽게 찾아 볼 수 있게 한다. 본 논문에서는 구현된 시스템으로 9명의 피험자의 인지 부하 실험에서 데이터를 수집하는 예를 보인다.
In order to detect driver's state in a driver safety system, both overt and covert measures such as driving performance, visual attention, physiological arousal and traffic situation should be collected and interpreted in the driving context. In this paper, we suggest a vehicle monitoring system tha...
In order to detect driver's state in a driver safety system, both overt and covert measures such as driving performance, visual attention, physiological arousal and traffic situation should be collected and interpreted in the driving context. In this paper, we suggest a vehicle monitoring system that provides multimodal information on a broad set of measures simultaneously collected from multiple domains including driver, vehicle and road environment using an elaborate timer equipped as a soft synchronization mechanism. Using a master timer that records key values from various modules with the same master time of short and precise interval, the monitoring system provides more accurate context awareness through synchronized data at any given time. This paper also discusses the data collected from nine young drivers performing a cognitive secondary task through this system while driving.
In order to detect driver's state in a driver safety system, both overt and covert measures such as driving performance, visual attention, physiological arousal and traffic situation should be collected and interpreted in the driving context. In this paper, we suggest a vehicle monitoring system that provides multimodal information on a broad set of measures simultaneously collected from multiple domains including driver, vehicle and road environment using an elaborate timer equipped as a soft synchronization mechanism. Using a master timer that records key values from various modules with the same master time of short and precise interval, the monitoring system provides more accurate context awareness through synchronized data at any given time. This paper also discusses the data collected from nine young drivers performing a cognitive secondary task through this system while driving.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 정확도를 획기적으로 향상시키기 위하여, 과 같이 마이크로의 해상도를 가진 CPU tick count 함수를 활용하여 와 같은 알고리즘으로 스레드를 통해 마스터 시간 생성 부분을 구현한다.
그래서 차량의 네트워크인 High Speed CAN(Controller Area Network) 등에서 나오는 데이터와 같이 샘플링 속도가 높은 데이터들의 누락이 없게 하며, 보다 짧은 주기로 변화하는 운전 상황을 파악할 수 있게 한다. 또한 본 논문에서는 구현된 시스템으로 9명의 피험자에 인지 부하 실험을 한 데이터와 동기화된 데이터를 분석하여 운전 부주의를 추론하는 예를 보임으로 본 시스템의 유효성을 입증하고자 한다.
본 논문에서는 다중 정보를 활용하는 차량 모니터링 시스템의 구현을 보였다. 이는 일정한 시간 주기로 운전자, 차량, 도로 주변 환경과 같은 다양한 영역으로부터 데이터를 수집하는 실시간 차량 모니터링 시스템이다.
, 2010). 본 논문에서는 운전자 시선의 집중화 정도를 보다 체계적으로 분석하기 위하여 횡방향 시선의 표준편차를 살펴보았다. <그림 13>은 실험 구간에서 난이도에 따른 횡방향 시선 분포를 그래프로 나타낸 것인데, Reimer(2009)의 연구와 유사한 경향성을 보였다.
본 논문에서는 일정한 시간 주기로 운전자, 차량, 도로 주변 환경과 같은 다양한 영역으로부터 데이터를 동기화하여 수집하는 실시간 차량 모니터링 시스템을 제안한다. 제안한 시스템은 PC 기반에서 소프트 동기화 메커니즘을 활용하여 다양한 영역의 데이터들을 동기화하여 수집함으로써 특정 시간과 이벤트에서의 운전 상황을 쉽게 파악할 수 있게 한다.
제안 방법
PC 기반에서 소프트 동기화 메커니즘으로 다중 정보를 동기화함으로써 High Speed CAN이 주는 정보 등과 같이 샘플링 속도가 높은 데이터들에서 누락되는 것이 없게 하였고 보다 짧은 주기로 변화하는 운전 상황을 파악할 수 있게 하였다.
실험 주행 구간은 <그림 8>과 같이 중부내륙지선 달성 2 터널로부터 영산 IC 까지 약 38km의 편도 2차선 고속도로로 구성되었다. N-back task는 mp3 플레이어를 차량 오디오에 연결하여 수행하였으며, 특정한 위치가 되면 시작하도록 하였다.
PC 기반에서 소프트 동기화 메커니즘으로 다중 정보를 동기화함으로써 High Speed CAN이 주는 정보 등과 같이 샘플링 속도가 높은 데이터들에서 누락되는 것이 없게 하였고 보다 짧은 주기로 변화하는 운전 상황을 파악할 수 있게 하였다. 따라서 사고 예방과 안전 운전의 한 요소인 운전자의 상태를 예측하기 위해서 운전 상황을 이해하고 분석할 수 있게 하는 통합적인 플랫폼(integrated platform)을 구현하였다.
본 논문에서는 심전도로부터 IBI(단위: ms)를 계산하기 위하여 Librow (LibrowTM,Ukraine) 프로그램을 이용하였으며 IBI를 환산하여 분당 심박수를 계산하였다. <그림 11>은 실험 구간에서 난이도에 따른 평균 심박수를 그래프로 나타낸 것인데, Mehler et al.
, 2010). 본 실험에서 N-back task는 3 단계의 난이도로 구성되며, 가장 낮은 난이도로 숫자를 듣고 바로 말하는 0-back, 중간 난이도로 한 숫자 전에 제시된 숫자를 기억하여 말하는 1-back, 그리고 가장 높은 난이도로 두 숫자 전에 제시된 숫자를 말하는 2-back을 이용하였다. 한 번의 실험에서 세 개의 난이도를 모두 수행하였는데, 각 난이도를 수행하는 순서는 무작위이며 각각 난이도마다 수행하는 시간은 2분이며, 한 단계가 끝나면 2분을 휴식하고 다음 단계를 수행하였다.
실험절차는 주행 실험을 중심으로 주행 전 단계와 주행 후 단계로 구성하였다. 실험 전 단계는 서명 및 설명(Consent and Overview), 사전 설문(Survey), 장비 set-up으로 구성하였다.
심전도를 이용하여 심박수(Heart Rate, HR)와 심박수 변화율(Heart Rate Variability, HRV)에 관계된 정보를 위해 모니터링한다.
운전 수행 능력은 차량의 속도, 조향각(steering wheel angle)을 바탕으로 계산되었다. 특정 구간에서의 평균 속도를 종방향의 평가 지표로 선택하였고, 조향 반전 비율인 SRR(Steering Reversal Rate)을 횡방향의 평가 지표로 선택하였다.
본 논문에서는 일정한 시간 주기로 운전자, 차량, 도로 주변 환경과 같은 다양한 영역으로부터 데이터를 동기화하여 수집하는 실시간 차량 모니터링 시스템을 제안한다. 제안한 시스템은 PC 기반에서 소프트 동기화 메커니즘을 활용하여 다양한 영역의 데이터들을 동기화하여 수집함으로써 특정 시간과 이벤트에서의 운전 상황을 쉽게 파악할 수 있게 한다. 이는 정교한 하나의 마스터 시간(Master Time)과 다양한 영역의 데이터의 키 값을 짧은 시간 주기로 동기화하여 저장하고, 다양한 영역의 데이터는 마스터 시간과 함께 각각 저장한다.
제안한 시스템은 와 같이 Master Time 생성 모듈(Master Time Generating Module), 운전자 상태 모듈(Driver Behavior Module) 모듈, GPS 모듈, CAN 모듈, 차량 주변 환경 모듈(Vehicle Environment Recording Module), 차선 검출모듈(Lane Detecting Module), 운전자 생체 모듈(Driver Physiology Module), 시선 추적 모듈(Driver Gaze Tracking Module)로 구성된다.
영상의 처리 과정은 운전자 상태 모듈과 동일하며, TCP/IP를 통해 마스터 시간 주기마다 프레임 정보를 키 데이터로 Master Time 생성 모듈에게 보낸다. 차선 검출 모듈은 off-line 상에서 차량 주변 환경 모듈의 앞쪽 영상과 오른쪽 측면 영상을 이용하여 차량의 차선 위치와 각도를 계산한다.
운전 수행 능력은 차량의 속도, 조향각(steering wheel angle)을 바탕으로 계산되었다. 특정 구간에서의 평균 속도를 종방향의 평가 지표로 선택하였고, 조향 반전 비율인 SRR(Steering Reversal Rate)을 횡방향의 평가 지표로 선택하였다. <그림 9>는 실험 구간에서 난이도에 따른 평균 속도를 그래프로 나타낸 것인데, AIDE의 보고서와 유사한 경향성을 보였다(Information Society Technologies, 2004).
심전도를 이용하여 심박수(Heart Rate, HR)와 심박수 변화율(Heart Rate Variability, HRV)에 관계된 정보를 위해 모니터링한다. 피부 전도도 센서와 온도 센서는 손가락으로부터 피부의 전기적 활동(Electrodermal Activity)과 온도 변화를 측정한다. 운전자 생체 모듈은 시리얼 통신을 통하여 마스터 시간을 받아서 동기화한다.
필터링을 할 때 인지적 부주의를 측정하기 위해서 2 Hz의 cut-off 주파수를 사용하였다. 필터링된 데이터들에서 조향 반전 회수를 계산하여 SRR을 구하는데, 꺾이는 정도를 판단하는 임계치(Threshold)를 0.1도로 하였다(Information Society Technologies, 2004). <그림 10>은 실험 구간에서 난이도에 따른 SRR을 그래프로 나타낸 것인데, Information Society Technologies (2004)의 연구와 유사한 경향성을 보였다.
대상 데이터
주 3회 이상 운전을 하며, 신체적, 정신적으로 건강한 20대 남자 9명을 선정하여 실험하였다. 또한, 기본적인 인지능력을 검사하기 위하여 MMSE(Mini Mental Status Exam)를 시행하였으며(Folstein, 1975), 30점 만점에 27점 이상을 획득한 사람을 피험자로 선정하였다.
실험 주행 구간은 과 같이 중부내륙지선 달성 2 터널로부터 영산 IC 까지 약 38km의 편도 2차선 고속도로로 구성되었다.
운전자의 생체 데이터는 MEDAC System/3 (Neuro Dyne Medical Corp.)을 사용하여 측정되며, 심전도(Electrocardiogram, ECG), 피부 전도도 (Skin Conductance)와 온도(Temperature)로 구성된다.
주 3회 이상 운전을 하며, 신체적, 정신적으로 건강한 20대 남자 9명을 선정하여 실험하였다. 또한, 기본적인 인지능력을 검사하기 위하여 MMSE(Mini Mental Status Exam)를 시행하였으며(Folstein, 1975), 30점 만점에 27점 이상을 획득한 사람을 피험자로 선정하였다.
데이터처리
체온 값은 인지 부하에 따른 변화 속도가 늦는 것을 감안하여 해당 구간이 끝나기 30초 전부터의 값을 평균하여 계산하였다. <그림 12>는 실험 구간에서 난이도에 따른 평균 온도를 그래프로 나타낸 것이다.
이론/모형
Driver Gaze Tracking PC에서는 시선 데이터 모듈이 수행된다. 시선 데이터 모듈은 운전자의 시선 정보를 검출하여 저장하는 모듈로 FaceLAB 4.6(seeing Machines, 2008)을 사용한다. FaceLAB은 <그림 7>과 같이 실험 차량의 대쉬보드(Dash Board) 위에 설치된 카메라 영상 정보로부터 운전자의 시선정보를 60 Hz의 속도로 측정하여 저장하며 시선 정보를 UPD를 통해 Master Time 생성 모듈에게 전송함으로써 데이터를 동기화 한다.
실험 단계에서 운전 중에 인지 부하를 주는 Secondary Task로는 음성으로 제시된 숫자를 기억하여 대답하는 N-back task를 사용하였다(Son et al., 2010). 본 실험에서 N-back task는 3 단계의 난이도로 구성되며, 가장 낮은 난이도로 숫자를 듣고 바로 말하는 0-back, 중간 난이도로 한 숫자 전에 제시된 숫자를 기억하여 말하는 1-back, 그리고 가장 높은 난이도로 두 숫자 전에 제시된 숫자를 말하는 2-back을 이용하였다.
횡방향 지표인 SRR 계산을 위해서는 먼저 일정 시간동안 모아진 조향각 데이터를 2차 Butterworth-filter를 이용하여 Low-pass 필터링을 하였다. 필터링을 할 때 인지적 부주의를 측정하기 위해서 2 Hz의 cut-off 주파수를 사용하였다.
성능/효과
또한 본 논문에서는 구현된 시스템으로 9명의 피험자에 인지 부하 실험 데이터를 운전 수행도, 생체, 시선이라는 다양한 영역에서 분석하였으며, 인지부하 이벤트가 발생한 시간에서 나온 데이터들의 결과가 기존의 연구와 유사한 경향성을 나타냄을 보였다. 이는 각각 측정하는 센서 모듈에서 나오는 데이터의 정확도를 보여 주며, 특정시간에서의 동기화된 데이터들을 통해 종합적으로 고려함으로써 운전자의 상태나 상황을 보다 정확하게 추정할 수 있음을 보여준다.
또한 본 논문에서는 구현된 시스템으로 9명의 피험자에 인지 부하 실험 데이터를 운전 수행도, 생체, 시선이라는 다양한 영역에서 분석하였으며, 인지부하 이벤트가 발생한 시간에서 나온 데이터들의 결과가 기존의 연구와 유사한 경향성을 나타냄을 보였다. 이는 각각 측정하는 센서 모듈에서 나오는 데이터의 정확도를 보여 주며, 특정시간에서의 동기화된 데이터들을 통해 종합적으로 고려함으로써 운전자의 상태나 상황을 보다 정확하게 추정할 수 있음을 보여준다.
후속연구
통합적인 플랫폼 개발 연구의 초기인 SmartCar 프로젝트에서는 패턴 인식 방법(Pattern Recognition method)을 통해 운전자의 스트레스를 평가하는 차량 임베디드 시스템이 개발되었다(Healey and Picard, 2000). 이 시스템은 생체 신호와 영상 신호를 저장하는 방식으로, 운전 상황은 사후 설문지를 통해서 파악함으로써 운전 상황을 종합적으로 실시간 측정하는 데는 한계를 가지고 있었다. Ramon et al.
제안한 모니터링 시스템은 극단적인 상황에서는 아직 테스트하지 못한 한계점을 가지고 있으며, 인지 부하 판별의 정확도를 높이는 것과 같이 운전 상황을 정확하게 파악하기 위해서는 더 많은 측정 변수들이 찾아질 필요가 있다.
향후 연구 과제는 실시간 차선 인식이 가능하게 하여 차선 정보도 실시간 수집 가능하게 하는 것이며, 정확한 운전 상황을 추정하기 위해서 더 많은 실험을 통해 수집된 데이터들을 바탕으로 하여 운전자의 상태와 상황에 따른 가장 민감한 데이터들을 찾고 정량적인 척도를 찾는 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
사고 예방과 안전 운전에 기여하는 요소에는 무엇이 있는가?
Reimer et al.은 <그림 1>과 같이 사고 예방과 안전 운전(Driving Safety)에 기여하는 요소로 운전자, 도로 환경, 차량의 세 요소들을 꼽으면서 실제의 운전 상황을 이 세 영역들의 중첩되는 영역으로 소개한다(Brooks et al., 2005, Reimer et al.
일본의 차량 충돌 사고의 대부분은 무엇과 관련이 있는가?
교통안전공단의 2005년 교통사고 통계에 따르면, 한국 교통사고의 60% 이상이 운전부주의와 관련되어 있으며(ROTA, 2005), 일본의 1998년 통계에 따르면, 차량 충돌 사고의 89%가 운전부주의와 같은 운전자의 실수에 관련되어 있다고 한다(National Police Agency, 1998). 이 통계치들은 사고 예방과 안전을 위해서는 운전자의 역할이 중요하며, 운전자가 역할을 제대로 수행할 수 있게 하는 차량 시스템과 도로 환경의 역할 또한 중요함을 설명한다.
차량 임베디드 시스템의 특징은 무엇인가?
통합적인 플랫폼 개발 연구의 초기인 SmartCar 프로젝트에서는 패턴 인식 방법(Pattern Recognition method)을 통해 운전자의 스트레스를 평가하는 차량 임베디드 시스템이 개발되었다(Healey and Picard, 2000). 이 시스템은 생체 신호와 영상 신호를 저장하는 방식으로, 운전 상황은 사후 설문지를 통해서 파악함으로써 운전 상황을 종합적으로 실시간 측정하는 데는 한계를 가지고 있었다. Ramon et al.
박윤숙？박수완？이태영？손준우(2010), "인지부하 난이도가 운전자 시야각에 미치는 영향에 관한 모의주행 연구", 대한인간공학회 2010 추계학술대회, 대한인간공학회, pp.180-183.
Brooks, C. A., Rakotonirainy, A., and Maire, F. D.(2005), "Reducing Driver Distraction through Software", in Australasian Road Safety Research Policing Education Conference.
Folstein, M.F., Folstein, S.E., and McHugh, P.R.(1975) "Mini-mental state: A practical method for grading the cognitive state of patients for the clinician", Journal of Psychiatric Research, Vol.12, No.3, pp.189-198.
Healey, J. A. and Picard, R. W.(2000), SmartCar: Detecting Driver Stress. ICPR, 15th International Conference on Pattern Recognition, pp.4218-4221.
Information Society Technologies(2004), "AIDE", pp.118-129.
Mehler, B., Reimer, B., and Coughlin, J.(2010), Physiological Reactivity to Graded Levels of Cognitive Workload across Three Age Groups: An On-Road Evaluation. Proceedings of the 54th Annual Meeting of the Human Factors and Ergonomics Society, San Francisco.
National Police Agency(1998), "Statistics of road traffic accidents in Japan".
Park, S. and Son, J.(2010), "Implementation of a Driver Aware Vehicle Using Multimodal Information," 17th ITS World Congress, Korea.
Peng, J.T.(2002), Windows Hardware and Drivers Center. Guidelines For Providing Multimedia Timer Support.
Ramon, C., Clarion, A., Gehin, C., Petit, C., Collet, C., and Dittmar A.(2008), An integrated platform to assess drivers's physilogical and functional states. Proceedings of the 30th Annual International IEEE EMBS Conference.
Reimer, B.(2009), "Impact of Cognitive Task Complexity on Drivers' Visual Tunneling", Journal of the Transportation Research Board of the National Academies, Vol. 2138, pp.13-19.
Reimer, B., Coughlin, J. F., and Mehler, B. (2009), "Development of a Driver Aware Vehicle for Monitoring, Managing & Motivating Older Operator Behavior", in Proceedings of the ITS-America.
ROTA(Road Traffic Authority)(2005), "Road traffic accidents in Korea".
Seeing Machines(2008), FaceLAB4 User Manual, Canberra, Australia.
Son, J., Reimer, B., Mehler, B., and et al. (2010), "Age and cross-cultural comparison of drivers' cognitive workload and performance in simulated urban driving", International Journal of Automotive Technology, Vol. 11,No. 4, pp.533-539.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.