$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

도로 환경에서 자율주행을 위한 독립 관찰자 기반 주행 상황 인지 방법
Independent Object based Situation Awareness for Autonomous Driving in On-Road Environment 원문보기

제어·로봇·시스템학회 논문지 = Journal of institute of control, robotics and systems, v.21 no.2, 2015년, pp.87 - 94  

노삼열 (한국전자통신연구원) ,  한우용 (한국전자통신연구원)

Abstract AI-Helper 아이콘AI-Helper

This paper proposes a situation awareness method based on data fusion and independent objects for autonomous driving in on-road environment. The proposed method, designed to achieve an accurate analysis of driving situations in on-road environment, executes preprocessing tasks that include coordinat...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 두 번째 시나리오는 전방에 두 대의 저속 차량이 존재할 경우, 두 대의 차량을 연속으로 추월하는 행동 결정을 내리도록 하는 적절한 주행 상황 인지 결과를 보여주는지를 확인하기 위해 진행되었다. 그림 10은 저속 차량 연속 추월 시나리오와 주행 실험 결과를 자세히 보여준다: (a) 전방에 저속 차량이 존재하지만, 좌측 전방과 좌측 후방에도 저속 차량이 존재하여 전방 차량과 안전 거리를 유지하며 현재 주행 차선을 유지하면서 주행한다.
  • 본 논문에서는 각종 로컬 센서로부터 인식된 정보를 도로지도 정보와 융합을 통하여 주행 상황을 파악하는 데이터 퓨전 기능과 주행 영역을 차선 및 전후방 레벨로 나누고 각 영역에 독립 관찰자를 할당하여 할당된 영역의 주행 상황 위험도를 평가하는 기능으로 구성된 독립 관찰자 기반 주행 상황인지 방법을 소개한다. 독립 관찰자 기반 분석 방법은 차선이라는 구조화된 환경과 고속주행 환경에서 차선 및 전후방 레벨로 주행 상황을 분석하고 병렬 구조의 분석을 통해 계산 속도를 향상시킨다.
  • 본 논문에서는 도로 환경에서 자율주행을 위한 독립 관찰자 기반의 주행 상황 인지 방법을 제안하였다. 주행 환경 인식 블록에서 인식된 데이터의 노이즈를 완화하고 도로 지도 정보와 융합하는 데이터 퓨전을 통해 전처리 작업을 수행하고, 안전 요소를 기반으로 주행 상황의 위험도를 평가하여 최종적으로 행동 결정 모듈에 분석된 정보를 전달하는 방법으로, 실제 도로 환경과 비슷한 주행 시나리오를 통해 성능을 확인하였다.
  • 본 논문에서는 인식된 물체 정보와 도로 지도 정보를 융합하여 주행 상황 인지 및 분석을 용이하게 하는 데이터 퓨전 기능을 소개한다. 데이터 퓨전 방법은 인식된 물체 정보를 도로 지도에 매핑하여 융합하는 방식으로, 도로 지도에 매핑된 물체는 도로 지도의 데이터 구조인 폴리곤 형태로 저장되며 각 매핑된 폴리곤은 물체 정보와 도로 지도 정보가 융합된 형태로 주행 상황 분석에 사용된다.
  • 본 논문에서는 주행 영역을 차선 레벨로 나누고, 각각의 나눠진 영역에 주행 상황을 감시하는 독립 관찰자를 분배하여 각각의 독립 관찰자에게 주행 상황을 분석하고 평가하는 책임을 부여하여 주행 상황을 평가하도록 한다. 주행 영역은 그림 5와 같이 전방 주행 차선 영역, 후방 주행 차선 영역, 전방 좌측 차선 영역, 후방 좌측 차선 영역, 전방 우측 차선 영역, 후방 우측 차선 영역인 총 6개의 영역으로 나뉜다.
  • 본 세션에서는 글로벌 좌표계로 구성된 차량 위치 및 도로 지도 정보를 실험 차량 중심의 로컬 좌표계로 변환하는 좌표계 변환 기능과 인식 데이터의 노이즈를 완화하는 데이터 필터링 기능 그리고 인식 데이터를 도로 지도에 매핑하여 인식 데이터와 도로 지도를 융합하는 데이터 퓨전 기능을 통해, 주행 상황 인지를 하기 위한 전처리 기능에 대해 설명한다.
  • 본 세션은 본 논문에서 제시한 독립 관찰자 기반의 주행 상황 인지 방법의 성능을 확인하기 위하여 실제 도로 주행과 비슷한 상황의 시나리오를 기반으로 주행 실험한 결과를 보여준다. 본 논문에서 제안하는 방법은 ROS 환경에서 구현되었고, 다른 주변 차량들과 함께 폐 도로 환경에서 실차 주행 실험을 시행하였다.
  • 첫 번째 시나리오는 전방에 저속 차량이 존재할 경우, 저속 차량 추월 메뉴버의 행동 결정을 내리기 위한 적절한 주행 상황 인지 결과를 보여주는지를 확인하기 위해 진행되었다. 그림 9는 저속 차량 추월 시나리오와 주행 실험 결과를 자세히 보여준다: (a) 전방에 저속 차량이 존재하지만, 좌측 전방에도 저속 차량이 존재하여 전방 차량과 안전 거리를 유지하며 현재 주행 차선을 유지하면서 주행한다.

가설 설정

  • (b) 좌측 전방에 존재하던 저속 차량이 감속하지만 좌측 후방 관찰자는 진입이 아직 위험함을 나타낸다.
  • (f, g, h) 우측 전방 및 후방 관찰자의 진입 안전 보고를 통해 저속 차량을 완전히 추월하면 목표 차선으로 복귀한다. (i) 추월이 완료되면, 목표 차선을 유지하며 도로 목표 속도로 주행한다.
  • IVT 정의에 의하여 충돌 위험도 파라미터 RIVT자에 영향을 주지 않는다.
  • (f) 저속 차량 한 대를 추월 완료하지만, 우측 전방에 또 다른 저속 차량이 존재하여 추월 차선을 유지하며 주행한다. (g, h) 우측 전방 및 후방 관찰자의 진입 안전 보고를 통해 두 대의 저속 차량을 완전히 추월하면 목표 차선으로 복귀한다. (i) 추월이 완료되면, 목표 차선을 유지하며 도로 목표 속도로 주행한다.
  • (e) 우측 저속 차량을 추월하기 전까지 추월 차선을 유지하며 진행한다. (f, g, h) 우측 전방 및 후방 관찰자의 진입 안전 보고를 통해 저속 차량을 완전히 추월하면 목표 차선으로 복귀한다. (i) 추월이 완료되면, 목표 차선을 유지하며 도로 목표 속도로 주행한다.
  • 매핑 방법은 물체의 중심점을 기준으로 도로 상에 존재하는 물체는 차량이라는 가정하에 물체의 폭과 길이를 안전 폭 3미터로 가정하고, 그 안에 폴리곤의 중심점이 포함되면 그 폴리곤은 물체 정보와 융합되어 물체 폴리곤으로 등록된다. 도로 지도는 폴리곤 형태로 실험차량을 중심으로 전방 200m, 후방 100m, 측방 50m의 크기만큼 10Hz로 전달되며, 각 물체는 전달된 모든 폴리곤과 비교를 통해 전방 주행 차선, 후방 주행 차선, 전방 좌측 차선, 후방 좌측 차선, 전방 우측 차선, 후방 우측 차선, 그리고 그 이외 영역인 총 7가지 영역으로 분류되어 저장된다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
무인 자동차란 무엇인가? 무인 자동차는 사람이 개입하지 않고 현재 위치에서 목표 위치까지 주행 환경을 인식하고 다양한 주행 상황을 인지 및 판단하고 결정하여 충돌 없이 교통 법규를 지키며 자율적으로 주행하는 자동차를 의미한다. DARPA Grand & Urban Challenge [1-4]를 시작으로, Google을 비롯한 Benz, BMW, Audi, Nissan, Tesla 등의 자동차 회사들은 무인 자동차를 차기 개인 운송수단으로써 연구 개발에 집중하고 있다.
주행 환경 인식 모듈로 인식된 데이터는 어떤 특징을 가지는가? 주행 환경 인식 모듈은 각 종 로컬 센서(radar, laser scanner, vision camera, etc)를 사용하여 주변 물체, 노면, 교통신호 등의 주행 환경을 인식한다. 그러나 이러한 인식 데이터는 노이즈 및 불확실성을 포함하고 있으며, 또한 포함하는 정보량이 부족하다. 따라서, 인식 데이터의 불확실성을 줄이고, 데이터 융합의 필요성이 제기된다.
무인 자동차를 차기 개인 운송수단으로써 연구 개발하고 있는 회사들의 예에는 무엇이 있는가? 무인 자동차는 사람이 개입하지 않고 현재 위치에서 목표 위치까지 주행 환경을 인식하고 다양한 주행 상황을 인지 및 판단하고 결정하여 충돌 없이 교통 법규를 지키며 자율적으로 주행하는 자동차를 의미한다. DARPA Grand & Urban Challenge [1-4]를 시작으로, Google을 비롯한 Benz, BMW, Audi, Nissan, Tesla 등의 자동차 회사들은 무인 자동차를 차기 개인 운송수단으로써 연구 개발에 집중하고 있다. 이러한 무인 자동차는 사람의 실수로부터 야기되는 교통사고를 줄이고, 운전자의 편의성을 높이고, 운전 불가한 사람들에게 주행 서비스 기능을 제공할 수 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (15)

  1. S. Thrun et al., "Stanley: the robot that won the DARPA grand challenge," Journal of Field Robotics, vol. 23, no. 9, pp. 661-692, 2006. 

  2. C. Urmson et al., "Autonomous driving in urban environments: boss and the urban challenge," Journal of Field Robotics, vol. 25, no. 8, pp. 425-466, 2008. 

  3. A. Bacha et al., "Odin: team victor tango's entry in the DARPA urban challenge," Journal of Field Robotics, vol. 25, no. 8, pp. 467-492, 2008. 

  4. M. Montemerlo et al., "Junior: the stanford entry in the urban challenge," Journal of Field Robotics, vol. 25, no. 9, pp. 569-597, 2008. 

  5. S. Yang, B. Song, and J. Um, "Radar and vision sensor fusion for primary vehicle detection," Journal of Institute of Control, Robotics and Systems, vol. 16, no. 7, 2010. 

  6. J. Park and J. Song, "Sensor fusion based semantic map building," Journal of Institute of Control, Robotics and Systems, vol. 17, no. 3, pp. 277-282, 2011. 

  7. J. Kim, J. Lee, B. Yoon, J. Park, and J. Kim, "Research of vehicles longitudinal adaptive control using V2I situated cognition based on LiDAR for accident prone areas," Journal of Institute of Control, Robotics and Systems (in Korean), vol. 18, no. 5, pp. 453-464, 2012. 

  8. H. Kim, J. Kim, Y. Ji, and J. Park, "Path planning of swarm mobile robots using firefly algorithm," Journal of Institute of Control, Robotics and Systems (in Korean), vol. 19, no. 5, 2013. 

  9. J. Lee, J. Seok, J. Ha, J. Lee, and H. Lee, "Temporal waypoint revision method to solve path mismatch problem of hierarchical integrated path planning for mobile vehicle," Journal of Institute of Control, Robotics and Systems (in Korean), vol. 18, no. 7, pp. 664-668, 2012. 

  10. P. Beeson, J. O'Quin, B. Gillan, T. Nimmagadda, M. Ristroph, D. Li, and P. Stone, "Multi-agent interactions in urban driving," Journal of Physical Agents: Multi-Robot Systems, vol. 2, no. 1, pp. 15-29, 2008. 

  11. S. Glaser, B. Vanholme, S. Mammar, D. Gruyer, and L. Nouveliere, "Maneuver based trajectory planning for highly autonomous vehicles on real road with traffic and driver interaction," IEEE Transactions on Intelligent Transportation Systems, vol. 11, no. 3, 2010. 

  12. S. Noh and W. Y. Han, "Obstacle avoidance in on-road environment for autonomous driving," Proc. of IEEE International Conference on Control, Automation and Systems, 2014. 

  13. ROS, http://www.ros.org 

  14. ISO 22179, Intelligent transport systems - Full speed range adaptive cruise control (FSRA) systems - Performance requirements and test procedures 

  15. Korean traffic laws, www.law.go.kr/법령/도로교통법 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로