교통사고는 인적요인, 도로 기하구조, 교통류, 환경적요인 등 복합적인 요인에 의해 발생하며, 그 중 운전자의 특성과 운전행태는 교통사고에 큰 영향을 미치고 있다. 특히 졸음운전 및 음주운전으로 인한 사행운전은 사고발생 확률이 높고, 사고 발생 시 심각도가 높다. 따라서 본 연구에서는 사행운전을 검지하는 알고리즘을 개발하고, 알고리즘을 통해 사행운전을 검지하여 운전자 및 후방차량에 경고정보를 제공하는 적용방안에 대한 방법론을 제시하였다. 본 연구에서는 사행운전을 위험도에 따라 1차로 사행운전과 2차로 사행운전으로 구분하여 정의하였으며, 사행운전 시 관찰되는 횡방향 각 속도 변화의 특성을 분석하였고, 통계적 분석을 통해 정상주행과 사행운전을 분류하기 위한 임계값과 1차로 사행운전과 2차로 사행운전을 분류하기 위한 임계값을 설정하였다. 설정된 임계값을 이용하여 사행운전 검지 및 위험운전 판단 알고리즘을 평가하였다. 평가결과 제안된 사행운전 검지 알고리즘은 현장적용 시 높은 신뢰도를 가지는 정보를 제공 가능한 것으로 분석되었다. 본 연구에서 제시한 방법론은 교통안전성 증진에 기여할 뿐만 아니라, 자이로센서와 무선통신이 가능한 장비만 있으면 적용 가능한 방법론으로 스마트폰에도 적용 가능할 것으로 판단되어 도래하는 유비쿼터스 교통서비스의 새로운 컨텐츠로 활용될 것으로 기대된다.
교통사고는 인적요인, 도로 기하구조, 교통류, 환경적요인 등 복합적인 요인에 의해 발생하며, 그 중 운전자의 특성과 운전행태는 교통사고에 큰 영향을 미치고 있다. 특히 졸음운전 및 음주운전으로 인한 사행운전은 사고발생 확률이 높고, 사고 발생 시 심각도가 높다. 따라서 본 연구에서는 사행운전을 검지하는 알고리즘을 개발하고, 알고리즘을 통해 사행운전을 검지하여 운전자 및 후방차량에 경고정보를 제공하는 적용방안에 대한 방법론을 제시하였다. 본 연구에서는 사행운전을 위험도에 따라 1차로 사행운전과 2차로 사행운전으로 구분하여 정의하였으며, 사행운전 시 관찰되는 횡방향 각 속도 변화의 특성을 분석하였고, 통계적 분석을 통해 정상주행과 사행운전을 분류하기 위한 임계값과 1차로 사행운전과 2차로 사행운전을 분류하기 위한 임계값을 설정하였다. 설정된 임계값을 이용하여 사행운전 검지 및 위험운전 판단 알고리즘을 평가하였다. 평가결과 제안된 사행운전 검지 알고리즘은 현장적용 시 높은 신뢰도를 가지는 정보를 제공 가능한 것으로 분석되었다. 본 연구에서 제시한 방법론은 교통안전성 증진에 기여할 뿐만 아니라, 자이로센서와 무선통신이 가능한 장비만 있으면 적용 가능한 방법론으로 스마트폰에도 적용 가능할 것으로 판단되어 도래하는 유비쿼터스 교통서비스의 새로운 컨텐츠로 활용될 것으로 기대된다.
This study presented an algorithm to detect zigzag driving maneuver that is highly associated with vehicle crash occurrence. In general, the zigzag driving results from the driver's inattention including drowsy driving and driving while intoxicated. Therefore, the technology to detect such unsafe dr...
This study presented an algorithm to detect zigzag driving maneuver that is highly associated with vehicle crash occurrence. In general, the zigzag driving results from the driver's inattention including drowsy driving and driving while intoxicated. Therefore, the technology to detect such unsafe driving maneuver will provide us with a valuable opportunity to prevent crash in the road. The proposed detection algorithm used angular velocity data obtained from a gyro sensor. Performance evaluations of the algorithm presented promising results for the actual implementation in practice. The outcome of this study can be used as novel information contents under the ubiquitous transportation systems environment.
This study presented an algorithm to detect zigzag driving maneuver that is highly associated with vehicle crash occurrence. In general, the zigzag driving results from the driver's inattention including drowsy driving and driving while intoxicated. Therefore, the technology to detect such unsafe driving maneuver will provide us with a valuable opportunity to prevent crash in the road. The proposed detection algorithm used angular velocity data obtained from a gyro sensor. Performance evaluations of the algorithm presented promising results for the actual implementation in practice. The outcome of this study can be used as novel information contents under the ubiquitous transportation systems environment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
각주행속도별 Test Dataset을 알고리즘에 적용시킨 결과를 에 제시하였다.
사행운전 (蛇行運轉, Zigzag driving)은 차량 진행방향에 대해 단시간동안 좌우 반복적으로 이동하며 주행하는 운전형태로 음주운전, 졸음운전의 행태를 대표한다. 따라서 본 연구에서는 사행운전을 검지하는 알고리즘을 개발하고, 알고리즘을 통해 사행운전을 검지하여 운전자 및 후방차량에 경고정보를 제공하는 적용방안에 대한 방법론을 제시하였다.
본 연구에서 제안한 무선통신 기반 경고정보 제공 시스템을 에 제시하였다.
또한 기존의 연구에서는 영상기반, 눈동자 추적을 이용하여 졸음운전 등을 검지하였으며, 이력자료를 이용하여 위험운전 이벤트를 검지하고 분석하였다. 본 연구에서는 기존 연구에서 위험운전이벤트로 다루지 않았던 사행운전을 중심으로 위험운전이벤트 검지 알고리즘을 개발하였으며, 설치가 간단하고 저렴한 장비인 자이로센서를 이용하여 자료를 수집하고 가공하는 과정을 실시간으로 처리함으로써 보다 안전하고 신속하게 교통류 상황의 반영이 가능하도록 하였다. 본 연구에서 제시한 위험운전이벤트 검지 및 경고정보제공 알고리즘은 보다 안전한 교통류 생성에 도움이 될 것으로 판단된다.
본 연구에서는 사행운전을 중심으로 하여 위험 운전이벤트를 검지하고 경고정보를 제공하는 방법론을 제시하였다. 위험운전이벤트를 검지하는 방법론은 크게 3가지 알고리즘으로 분류된다.
본 연구에서는 사행운전의 주행특성인 차량의 좌우 움직임을 정밀하게 측정하기 위해 자이로센서를 이용하여 자료를 수집하였다. 자이로센서를 이용하여 수집할 수 있는 자료에는 3축의 각속도 자료가 있다.
본 연구에서는 정상주행과 사행운전을 구분하기 위한 임계값과 1차로 사행운전과 2차로 사행운전을 구분하기 위한 입계값을 도출하였다. 임계값을 결정하기 위해 속도별로 수집된 자료의 기술통계량을 분석하였으며 <표 3>에 제시하였다.
제안 방법
1. 사행운전 판단 파라미터 본 연구에서는 차량의 진행방향이 변화하는 특징을 검지하기 위한 주요 판단변수로 횡방향 각속도를 사용하였다. 각속도란 원운동처럼 물체의 운동을 하나의 기준점에서 관측할 때 기준점에 대하여 물체가 회전하는 속도를 측정한 물리량으로, 단위시간 동안 물체의 동경 변화량을 벡터량으로 표현한 값이다.
50kph, 70kph, 90kph의 속도별로 사행운전, 차로변경, 곡선 주행, 직선 주행, 좌회전, 우회전 등의 자료를 수집하여 무작위로 조합하여 과 같이 Test Dataset을 작성하였다.
본 연구에서는 졸음운전 및 음주운전으로 인해 나타나는 사행운전을 중심으로 위험운전이벤트 자료를 수집하였으며, 사행운전은 1차로 사행운전과 2차로 사행운전으로 구분하여 자료를 수집하였다. AOBU를 장착한 차량을 이용하여 일반적인 운전 시 나타나는 주행패턴 자료와 사행운전 시 나타나는 주행패턴 자료를 비교하기 위하여 정상적인 운전, 1차로 사행운전, 2차로 사행운전의 3가지 패턴으로 자료를 수집하였으며, 속도별 위험 정도를 비교하기 위하여 50kph, 70kph, 90kph의 속도로 자료를 수집하였다. <표 2>에 정리된 시나리오 항목 별로 20대 성인남성 3명이 5회씩 총 135개의 자료를 수집하였다.
50kph, 70kph, 90kph의 속도별로 사행운전, 차로변경, 곡선 주행, 직선 주행, 좌회전, 우회전 등의 자료를 수집하여 무작위로 조합하여 <그림 11>과 같이 Test Dataset을 작성하였다. 곡선주행, 1차로 사행운전, 차로변경, 차로변경, 1차로 사행운전, 2차로 사행운전, 곡선주행, 차로변경, 2차로 사행운전, 우회전, 차로변경, 1차로 사행운전 순으로 조합하여 3가지 속도별로 Test Dataset을 작성 하였으며, 위험 운전이벤트 검지 알고리즘에 적용하여 위험운전이벤트가 정확하게 검지되는지 평가하였다.
따라서 본 연구에서는 정규분포 곡선이 교차하는 지점의 각속도 값을 임계값으로 설정하였으며, 도출된 임계값을 에 제시하였다.
기존 연구에서는 이용자 선호도에 따른 경고정보제공 방법, 경고정보제공 효과에 대한 연구를 주로 수행하였다. 또한 기존 연구에서는 경고정보를 제공함에 있어 개별차량 기반이 아닌 다수의 운전자를 대상으로 제공하는 경고정보를 대상으로 하기 때문에 각 개별 운전자들의 주행 특성을 반영하거나 개별 운전자들의 요구에 대응하는데 한계가 존재하지만, 본 연구에서는 차량 간 무선통신을 통해 경고정보를 제공하는 방법론 개발을 통해 실시간으로 위험운전 이벤트를 검지하고 개별차량기반으로 경고정보를 제공하는 방안을 제시하였다. 또한 기존의 연구에서는 영상기반, 눈동자 추적을 이용하여 졸음운전 등을 검지하였으며, 이력자료를 이용하여 위험운전 이벤트를 검지하고 분석하였다.
또한 기존 연구에서는 경고정보를 제공함에 있어 개별차량 기반이 아닌 다수의 운전자를 대상으로 제공하는 경고정보를 대상으로 하기 때문에 각 개별 운전자들의 주행 특성을 반영하거나 개별 운전자들의 요구에 대응하는데 한계가 존재하지만, 본 연구에서는 차량 간 무선통신을 통해 경고정보를 제공하는 방법론 개발을 통해 실시간으로 위험운전 이벤트를 검지하고 개별차량기반으로 경고정보를 제공하는 방안을 제시하였다. 또한 기존의 연구에서는 영상기반, 눈동자 추적을 이용하여 졸음운전 등을 검지하였으며, 이력자료를 이용하여 위험운전 이벤트를 검지하고 분석하였다. 본 연구에서는 기존 연구에서 위험운전이벤트로 다루지 않았던 사행운전을 중심으로 위험운전이벤트 검지 알고리즘을 개발하였으며, 설치가 간단하고 저렴한 장비인 자이로센서를 이용하여 자료를 수집하고 가공하는 과정을 실시간으로 처리함으로써 보다 안전하고 신속하게 교통류 상황의 반영이 가능하도록 하였다.
또한 사행운전 및 사행운전으로 인한 위험운전이벤트를 검지하기 위한 판단변수의 의미를 에 제시하였다.
연속적인 사행운전으로 판단하기 위한 TCV2의 최대값을 Max_TCV2로 정의하였다. 또한 사행운전의 심각도를 판단하기 위해 1차로 사행 운전과 2차로 사행운전을 구분하는 임계 각속도의 상한값과 하한값을 Upper_YR2, Lower_YR2로 정의 하였다.
x축 각속도는 차량의 기울기(Roll), y 축 각속도는 차량의 상하운동(Pitch), z축 각속도는 차량의 좌우운동(Yaw)을 나타낸다. 본 연구에서 정의한 사행운전은 차량 진행방향에 대해 단시간동안 좌우 반복적으로 이동하며 주행하는 운전형태를 의미하므로 3축 각속도 중 좌우운동을 나타내는 z축 각속도(Yaw rate)를 주요 판단 파라미터로 사용하여 자료수집 및 분석을 수행하였다. 사행운전 시 나타나는 각속도의 변화패턴을 <그림 4>에 제시하였고,<그림 4> 사행운전 시 각속도 패턴 및 판단 파라미터 [Fig.
<그림 2> 와 같이 위험운전이벤트가 검지 될 경우 차량-차량 간 통신을 이용하여 후방차량에게 경고정보가 전달된다. 본 연구에서 제시한 경고정보 전달 방법론은 기본적으로 차량-차량 간 통신을 이용하지만 차량-차량 간 통신이 두절되는 경우나 통신반경 내에 후방 차량이 존재하지 않을 경우에는 차량-인프라 간 통신을 이용하여 후방차량에게 경고정보를 전달한다.
본 연구에서 제시한 방법론은 각 개별차량에서 위험운전 이벤트를 검지하여 운전자에게 경고정보를 제공하고, 후방의 차량들에게 경고정보를 전달하여 사고를 방지하는 방법론으로 교통안전성 증진에 기여할 것이다. 또한 본 방법론은 관성센서와 무선통신이 가능한 장비만 있으면 적용 가능한 방법론으로 현재 다수의 운전자가 사용하는 스마트폰에 적용가능할 것으로 판단되어 도래하는 유비쿼터스 교통서비스의 새로운 컨텐츠로 활용될 것으로 기대된다.
본 연구에서는 MATLAB 프로그램을 이용하여 알고리즘을 코딩하고 평가하였다. 알고리즘 평가에 사용된 판단 파라미터 값을 <표 6>에 제시하였다.
본 연구에서는 각 판단변수의 임계값을 제시하고, Test Dataset을 이용하여 알고리즘을 평가하였다. 평가결과 제안된 사행운전 검지 알고리즘은 현장적용시 높은 신뢰도를 가지는 정보를 제공 가능한 것으로 분석되었다.
본 연구에서는 경고정보 제공관련 연구와 사행운전 검지관련 연구, 자이로센서를 이용한 위험운전 검지관련 연구내용을 위주로 기존연구 고찰을 수행하였다.
본 연구에서는 사행 운전의 심각도에 따라 ‘1차로 사행운전’과 ‘2차로 사행운전’으로 분류하였으며 에 제시하였다.
본 연구에서는 사행운전을 위험도에 따라 1차로 사행운전과 2차로 사행운전으로 구분하여 정의하였으며, 사행운전 시 관찰되는 횡방향 각속도 변화의 특성을 분석하였고, 통계적 분석을 통해 정상주행과 사행운전을 분류하기 위한 임계값과 1차로 사행 운전과 2차로 사행운전을 분류하기 위한 임계값을 설정하였다. 설정된 임계값을 이용하여 사행운전 검지 및 위험운전 판단 알고리즘을 평가하였다.
본 연구의 알고리즘이 위험운전이벤트를 올바르게 검지하는지 검토하기 위해 Test Dataset을 구성하였다. 본 연구에서는 위험운전이벤트를 다루고 있기 때문에 실제 도로에서 Test Dataset을 수집하는 것은 위험하다고 판단하여 도로 상에서 발생할 수 있는 여러 가지 이벤트자료를 개별적으로 수집하였다. 50kph, 70kph, 90kph의 속도별로 사행운전, 차로변경, 곡선 주행, 직선 주행, 좌회전, 우회전 등의 자료를 수집하여 무작위로 조합하여 <그림 11>과 같이 Test Dataset을 작성하였다.
사행운전 검지 알고리즘을 에 제시하였다.
사행운전 시 나타나는 각속도의 변화패턴을 에 제시하였고, 사행운전 시 각속도 패턴 및 판단 파라미터 [Fig. 4] Angular velocity pattern of zigzag driving 실제 수집된 각속도 자료에서 각 판단변수가 의미하는 값을 제시하였다.
알고리즘 위험운전이벤트 판단 알고리즘을 에 제시하였다.
임계값을 결정하기 위해 속도별로 수집된 자료의 기술통계량을 분석하였으며 <표 3>에 제시하였다. <표 3>에서 제시한 바와 같이 각속도의 경우에는 차량의 주행속도의 영향을 받지 않으므로 주행속도의 구분없이 분석을 수행하였다.
위험운전 심각도 판단 알고리즘을 에 제시하였다.
임계값을 결정하기 위해 속도별로 수집된 자료의 기술통계량을 분석하였으며 에 제시하였다.
수집된 개별차량 주행궤적 자료의 원시자료에는 위도, 경도, 고도, 3축 각속도가 존재한다. 자이로센서로 부터 수집되는 각속도 자료는 전기적 신호이므로 위험운전이벤트 검지 알고리즘에 적용하기 위해 각속도 자료를 실제 사용할 수 있는 값으로 전환해 주는 작업을 수행하였다. 원시자료에 식 (3)을 적용하여 각속도 자료를 전환 하여 위험운전이벤트 검지 알고리즘에 적용하였다.
첫 번째 알고리즘은 사행운전 패턴을 검지하는 부분이다. 차량 내에 장착된 자이로센서에서 수집되는 횡방향 각속도를 이용하여 사행운전 패턴을 검지하는 알고리즘을 제시하였다. 두 번째 알고리즘은 연속적인 사행운전 패턴을 검지하여 위험운전이벤트 발생을 검지하는 알고리즘이다.
대상 데이터
본 연구를 위한 공간적인 자료 수집범위는 경기도 안산시 상록구 일대에 있는 갈대습지공원 인근 왕복 6차선 미 개통 도로 약 1km구간이며, 자료수집 구간을 과 같이 지도로 표시하였다.
본 연구에서는 사행운전이벤트 검지 및 분석을 위해 GPS 수신기와 관성 측정 장치(Inertial Measurement Unit, IMU)가 탑재되어 있는 AOBU(Advanced On Board Unit)를 차량에 장착하여 자료를 수집하였다. AOBU는 차량의 움직임을 최대한 정확하게 감지하기 위하여 차량의 대시보드 위에 장착하였으며 AOBU로부터 실시간으로 자료를 수집하기 위하여 <그림 8>(a)와 같이 커넥터를 이용하여 컴퓨터와 연결하였다.
본 연구에서는 졸음운전 및 음주운전으로 인해 나타나는 사행운전을 중심으로 위험운전이벤트 자료를 수집하였으며, 사행운전은 1차로 사행운전과 2차로 사행운전으로 구분하여 자료를 수집하였다. AOBU를 장착한 차량을 이용하여 일반적인 운전 시 나타나는 주행패턴 자료와 사행운전 시 나타나는 주행패턴 자료를 비교하기 위하여 정상적인 운전, 1차로 사행운전, 2차로 사행운전의 3가지 패턴으로 자료를 수집하였으며, 속도별 위험 정도를 비교하기 위하여 50kph, 70kph, 90kph의 속도로 자료를 수집하였다.
본 연구의 알고리즘이 위험운전이벤트를 올바르게 검지하는지 검토하기 위해 Test Dataset을 구성하였다. 본 연구에서는 위험운전이벤트를 다루고 있기 때문에 실제 도로에서 Test Dataset을 수집하는 것은 위험하다고 판단하여 도로 상에서 발생할 수 있는 여러 가지 이벤트자료를 개별적으로 수집하였다.
AOBU를 장착한 차량을 이용하여 일반적인 운전 시 나타나는 주행패턴 자료와 사행운전 시 나타나는 주행패턴 자료를 비교하기 위하여 정상적인 운전, 1차로 사행운전, 2차로 사행운전의 3가지 패턴으로 자료를 수집하였으며, 속도별 위험 정도를 비교하기 위하여 50kph, 70kph, 90kph의 속도로 자료를 수집하였다. <표 2>에 정리된 시나리오 항목 별로 20대 성인남성 3명이 5회씩 총 135개의 자료를 수집하였다. 본 연구를 위한 공간적인 자료 수집범위는 경기도 안산시 상록구 일대에 있는 갈대습지공원 인근 왕복 6차선 미 개통 도로 약 1km구간이며, 자료수집 구간을 <그림 9>과 같이 지도로 표시하였다.
본 연구를 위한 공간적인 자료 수집범위는 경기도 안산시 상록구 일대에 있는 갈대습지공원 인근 왕복 6차선 미 개통 도로 약 1km구간이며, 자료수집 구간을 <그림 9>과 같이 지도로 표시하였다. <그림 9>에 표시되어 있는 구간에서 파선으로 표시되어 있는 부분은 가속구간이며 실선으로 표시되어 있는 직선 구간에서 사행운전 주행 자료를 수집하였다.
데이터처리
본 연구에서는 사행운전을 위험도에 따라 1차로 사행운전과 2차로 사행운전으로 구분하여 정의하였으며, 사행운전 시 관찰되는 횡방향 각속도 변화의 특성을 분석하였고, 통계적 분석을 통해 정상주행과 사행운전을 분류하기 위한 임계값과 1차로 사행 운전과 2차로 사행운전을 분류하기 위한 임계값을 설정하였다. 설정된 임계값을 이용하여 사행운전 검지 및 위험운전 판단 알고리즘을 평가하였다.
평균과 표준편차를 이용하여 정규분포 함수를 추정하였으며 에 제시하였다.
성능/효과
90kph Test Dataset의 경우에는 2차로 사행운전을 1차로 사행운전으로 검지하는 오류가 발생하였고 나머지 11개의 주행패턴은 올바르게 검지되었다. 3가지 속도의 Test Dataset을 평가한 결과 사행운전으로 인한 위험운전이벤트를 정확히 검지할 확률은 100%로 분석되었으나 사행운전의 심각도를 결정하는 단계에서 4번의 오류가 발생하여 심각도 분류 정확도는 약 73%로 분석되었다.
본 연구에서 제시한 사행운전 검지 및 위험운전이벤트 판단 알고리즘을 스마트폰에 적용하여 교통서비스를 제공한다면 보다 효과적으로 경고정보를 제공할 수 있으며 보다 많은 수의 운전자들이 이용 가능할 것으로 판단된다. 본 연구에서 제시한 방법론은 전방 혹은 측면 차량의 사행운전으로 인한 측면충돌, 후미추돌 사고 예방에 기여를 하며, 별도의 장비 장착 없이 다수의 운전자가 이용 가능한 서비스를 제공할 수 있다는데 의의가 있다.
본 연구에서는 각 판단변수의 임계값을 제시하고, Test Dataset을 이용하여 알고리즘을 평가하였다. 평가결과 제안된 사행운전 검지 알고리즘은 현장적용시 높은 신뢰도를 가지는 정보를 제공 가능한 것으로 분석되었다.
후속연구
본 연구에서 제시한 방법론은 각 개별차량에서 위험운전 이벤트를 검지하여 운전자에게 경고정보를 제공하고, 후방의 차량들에게 경고정보를 전달하여 사고를 방지하는 방법론으로 교통안전성 증진에 기여할 것이다. 또한 본 방법론은 관성센서와 무선통신이 가능한 장비만 있으면 적용 가능한 방법론으로 현재 다수의 운전자가 사용하는 스마트폰에 적용가능할 것으로 판단되어 도래하는 유비쿼터스 교통서비스의 새로운 컨텐츠로 활용될 것으로 기대된다.
알고리즘 작성 및 임계값 설정에 사용된 자료는 3명의 운전자가 수집한 자료로 다수의 운전자들의 주행특성을 반영하기에는 한계점이 존재한다. 또한 본 연구에서는 직선 구간에서의 사행운전 검지를 중심으로 하고 있어 곡선부에서의 사행운전 검지성능검증이 필요하다.
본 연구에서 나타난 한계점을 보완하고, 보다 정확한 위험운전이벤트(사행운전)를 검지하기 위해서는 보다 많은 자료 수집을 통한 임계값 설정, 다양한 주행 환경을 고려한 알고리즘 보완이 필요하다. 알고리즘 작성 및 임계값 설정에 사용된 자료는 3명의 운전자가 수집한 자료로 다수의 운전자들의 주행특성을 반영하기에는 한계점이 존재한다.
최근 일반 휴대전화 보다는 스마트폰을 이용하는 이용자들의 수가 늘고 있으며, 일부 스마트폰에는 관성센서가 장착되어 있다. 본 연구에서 제시한 사행운전 검지 및 위험운전이벤트 판단 알고리즘을 스마트폰에 적용하여 교통서비스를 제공한다면 보다 효과적으로 경고정보를 제공할 수 있으며 보다 많은 수의 운전자들이 이용 가능할 것으로 판단된다. 본 연구에서 제시한 방법론은 전방 혹은 측면 차량의 사행운전으로 인한 측면충돌, 후미추돌 사고 예방에 기여를 하며, 별도의 장비 장착 없이 다수의 운전자가 이용 가능한 서비스를 제공할 수 있다는데 의의가 있다.
본 연구에서는 기존 연구에서 위험운전이벤트로 다루지 않았던 사행운전을 중심으로 위험운전이벤트 검지 알고리즘을 개발하였으며, 설치가 간단하고 저렴한 장비인 자이로센서를 이용하여 자료를 수집하고 가공하는 과정을 실시간으로 처리함으로써 보다 안전하고 신속하게 교통류 상황의 반영이 가능하도록 하였다. 본 연구에서 제시한 위험운전이벤트 검지 및 경고정보제공 알고리즘은 보다 안전한 교통류 생성에 도움이 될 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
사행운전은 무엇인가?
따라서 음주운전 및 졸음운전에 대한 대응책이 요구되고 있다. 사행운전 (蛇行運轉, Zigzag driving)은 차량 진행방향에 대해 단시간동안 좌우 반복적으로 이동하며 주행하는 운전형태로 음주운전, 졸음운전의 행태를 대표한다. 따라서 본 연구에서는 사행운전을 검지하는 알고리 즘을 개발하고, 알고리즘을 통해 사행운전을 검지 하여 운전자 및 후방차량에 경고정보를 제공하는 적용방안에 대한 방법론을 제시하였다.
교통사고는 어떤 요인에 의해 발생되는가?
교통사고는 인적요인, 도로 기하구조, 교통류, 환경적요인 등 복합적인 요인에 의해 발생된다. 인적 요인에는 운전자의 특성과 운전행태가 포함되며 교통사고에 가장 큰 영향을 미치는 요인이다.
사행운전은 어떤 상황을 유발하는가?
사행운전은 차량 진행방향에 대해 단시간동안 좌우 반복적으로 이동하며 주행하는 운전형태로, 운전자의 의도적인 차로 변경이 아닌 차량의 좌우 움직임이며 운전자가 음주운전 및 졸음운전을 할경우 발생하는 주행행태이다. 이러한 운전 행태는 후방차량에 대한 급 감속, 인접차량에 대한 측면 충돌 등의 위험상황을 유발한다. 본 연구에서는 사행 운전의 심각도에 따라 ‘1차로 사행운전’과 ‘2차로 사행운전’으로 분류하였으며 <그림 1>에 제시하였다.
참고문헌 (21)
K. Kimura, K. Marunaka and S. Sugiura, "Human factor considerations for automotive navigation systems-legibility, comprehension, and voice guidance," In: Noy, N.I.(Ed), Ergonomics and safety of intelligent Driver Interfaces, 1997.
L. N. Boyle and F. Mannering, "Impact of traveler advisory systems on driving speed: some new evidence," Transportation Research Part C12, vol.12, pp.57-72, February 2004.
J. L. Campbell, J. B. Richman, C. Carney and J. D. Lee, "In-vechicle display icons and other information elements volume1: guidelines," FHWA-RD-03-065, 2004.
S. H. Chang, C. Y. Lin, C. P. Fung, J. R. Hwang and J. L. Doong, "Driving performance assessment: Effect of traffic accident location and alarm content," Accident Analysis and Prevention, vol.40, 2008.
J. Zhang, K. Suto and A. Fujiwara, "Effects of in-vehicle warning information on drivers' decelerating and accelerating behaviors near an arch-shaped intersection," Accident Analysis & Prevention, vol.41, pp.948-958, May 2009.
M. Eriksson and N. P. Papanikolopoulos, "Driver fatigue: a vision-based approach to automatic diagnosis," Transportation Research Part C9, vol.9, pp.399-413, December 2001
Q. Ji, Z. zhu and P. Lan, "Real time and non-intrusive driver fatigue monitoring," In 7th IEEE Transactions on Vehicular Technology 4, 1052-1068, 2004.
민지홍, 김정철, 홍기천, "눈 검출 및 눈동자 추적 기반을 통한 졸음운전 경보시스템 구현," Proceedings of KFIS Autumn Conference 2005, vol.15, no.2, 2005.
J. D. Wu and T. R. Chen, "Development of a drowsiness warning system based on the fuzzy logic images analysis," Expert Systems with Applications, vol.34, pp.1556-1561, February 2008
J. Wang, W. Xu and Y. Gong, "Real-time driving danger-level prediction," Engineering Applications of Artificial Intelligence, vol.23, pp.1247-1254, December 2010.
N. Sharma and V. K. Banga, "Drowsiness warning system using artificial intelligence," World Academy of Science, Engineering and Technology 67, pp.850-852, 2010.
M. Zhe and H. Deqi, "Analysis of steering angle under driving fatigue," Education Technoloty and Computer Science(ETCS), 2010 Second International Workshop 0n 3, 2010.
J. Ryu, E. J. Rossetter and J. C. Gerdes, "Vehicle Sideslip and Roll Parameter Estimation Using GPS," AVEC 2002 6th Int. Symposium on Advanced Vehicle Control, Hiroshima, Japan, 2002.
S. Boonmee and P. Tangamchit, "Portable reckless driving detection system," Electrical Engineering/ Electronics, Computer, Telecommunications and Information Technology, ECTI-CON 2009. 6th International Conference on 01, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.