선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 더 나아가 LCA를 구현하기 위해서는 우선 전방과 후방을 기준으로 각각 좌측 혹은 우측 차선에서 주행하는 차량을 인식하여야 한다. 이를 위해서 좀 더 넓은 인지범위를 가지고 있는 레이더나 비전센서가 사용된다면 더욱 좋겠지만 본 연구에서는 기존에 상용화되어 사용되고 있는 레이더와 비전센서를 기반으로 좌우차선의 차량을 인지하는 기술에 대해서 살펴보고자 한다.
- 본 논문에서는 레이더와 비전센서의 융합을 통하여 레이더가 인지한 사물의 형태(차량 또는 가드레일)를 구분함으로써 전방 좌·우측 차량의 인지 성능을 개선하고 전방 비전센서의 도로곡률반경 정보를 후방 좌·우측 차량 인지에 적용하여 오판단 상황을 개선하는 기술을 소개하고자 한다.
- 본 논문에서는 레이더와 비전센서의 융합을 통하여 레이더가 인지한 사물의 형태(차량 또는 가드레일)를 구분함으로써 전방 좌·우측 차량의 인지 성능을 개선하고 전방 비전센서의 도로곡률반경 정보를 후방 좌·우측 차량 인지에 적용하여 오판단 상황을 개선하는 기술을 소개하고자 한다. 더 나아가 실제 도로주행 데이터를 기반으로 제안된 알고리즘의 성능을 평가하고자 한다.
- 주어진 센서 구성을 기반으로 차선 변경을 지원하기 위해 그림 2에서 보는 바와 같이 차선 별로 전방에 주행하는 차량 3대와 후방에서 주행하는 차량 3대를 인식하는 것을 목표로 한다. 전방에서 주행하는 차량에 대해서 차선별 위치에 따라 Front Vehicle in In-lane/Left-lane/Right-lane (FVI/FVL/FVR)으로 각각 정의하였으며 비슷한 방법으로 후방에서 주행하는 차량을 Rear Vehicle in In-lane/Left-lane/Right-lane (RVI/RVL/RVR) 으로 각각 정의하였다.
- 형태 속성은 차량/가드레일/장애물로 분류한다. 우선 차량으로의 판단은 그림 3(a)에서 설명하였듯이 레이더와 비전의 위치 값간 거리가 미리 정해놓은 설계상수를 만족하는지 여부로 판단하고 있으며 본 논문에서는 가드레일을 판단하는 알고리즘에 대해서 중점적으로 소개하고자 한다. 만약 레이더에 검지된 물체가 차량이나 가드레일로 구분되지 않은 경우 장애물로 구분된다.
- 본 논문에서는 차선 변경 지원을 위해 레이더와 비전센서의 융합에 기반한 전후방 다중차량 인식 기술을 제안하였다. 레이더의 성능저하 문제를 해결하기 위해 곡선도로를 주행하거나 전방 레이더의 부정확한 횡방향 위치 측정 문제를 고려하여, 도로 모델에 기반하여 가드레일을 인식하는 기술을 제안하였다.
가설 설정
- 표 1에서 명시된 센서를 사용하여 차선 변경 지원을 위해 좀 더 넓은 영역, 즉 좌우차선에 위치한 차량을 인식하는 경우 추가적인 문제가 발생할 수 있다. 예를 들어서, 그림 3(a) 와 같이 레이더와 비전센서(그림 내 X 표시와 □ 표시 참조) 의 종횡방향 거리 측정 값의 차이가 더욱 커질 수가 있거나 그림 3(b)와 같이 레이더의 측정 범위가 비전의 측정 범위와 달라서 한 개의 센서에 의해서만 차량이 인지될 수가 있다. 따라서 레이더만을 사용하여 FVR과 FVL을 인식해낼 수 있어야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.