국내의 유로 도로에서 사용되는 차종 분류 장치는 차량의 윤폭과 윤거 정보를 산출하는 답판 센서를 사용하는 방식이 일반적이다. 이러한 답판 센서는 주행 중인 차랑의 바퀴가 접촉할 때 발생하는 충격으로 인해 높은 내구성을 요구한다. 최근 한국도로공사는 요금소에서 화물차 고속 차로의 운영을 시작하였고, 화물차가 고속 주행할 때 발생하는 설계 기준 이상의 충격으로 인한 파손과 이에 따른 유지보수 및 관리 비용의 증가가 염려되고 있다. 본 논문에서는 물리적 충격에 대한 내구성을 향상 시킨 무접점 답판 센서를 사용하여, 통과 차량에 대한 최적의 윤폭 / 윤거를 획득하는 알고리즘을 제안하였다. 이는 한국도로공사 6종 분류 기준 중, 축수 분류인 4, 5 종을 제외한 1종/2종/3종 그리고 6종 차량에 대해 현장 실험을 수행하였고, 윤폭 최대 오차 ${\pm}2cm$, 정확도 98% 이상 그리고 윤거 최대 오차 ${\pm}8cm$, 정확도 97% 이상으로 추후 차종 분류 장치 적용에 대한 그 유효성을 입증하였다.
국내의 유로 도로에서 사용되는 차종 분류 장치는 차량의 윤폭과 윤거 정보를 산출하는 답판 센서를 사용하는 방식이 일반적이다. 이러한 답판 센서는 주행 중인 차랑의 바퀴가 접촉할 때 발생하는 충격으로 인해 높은 내구성을 요구한다. 최근 한국도로공사는 요금소에서 화물차 고속 차로의 운영을 시작하였고, 화물차가 고속 주행할 때 발생하는 설계 기준 이상의 충격으로 인한 파손과 이에 따른 유지보수 및 관리 비용의 증가가 염려되고 있다. 본 논문에서는 물리적 충격에 대한 내구성을 향상 시킨 무접점 답판 센서를 사용하여, 통과 차량에 대한 최적의 윤폭 / 윤거를 획득하는 알고리즘을 제안하였다. 이는 한국도로공사 6종 분류 기준 중, 축수 분류인 4, 5 종을 제외한 1종/2종/3종 그리고 6종 차량에 대해 현장 실험을 수행하였고, 윤폭 최대 오차 ${\pm}2cm$, 정확도 98% 이상 그리고 윤거 최대 오차 ${\pm}8cm$, 정확도 97% 이상으로 추후 차종 분류 장치 적용에 대한 그 유효성을 입증하였다.
Vehicle classification system in domestic tollgates is usually to use treadle sensor for calculating wheel width and tread of the vehicle. due to the impact that occurs when the wheels of the vehicle contact, treadle sensor requires high durability. recently, KHC(Korea Highway Corporation) began ope...
Vehicle classification system in domestic tollgates is usually to use treadle sensor for calculating wheel width and tread of the vehicle. due to the impact that occurs when the wheels of the vehicle contact, treadle sensor requires high durability. recently, KHC(Korea Highway Corporation) began operating high-speed lane for cargo truck. high-speed cargo truck generate more impact the design criteria of previous treadle. therefore, an increase in the maintenance and management costs of the treadle damage is concerned. In this paper, we propose an algorithm for obtaining optimal wheel width and tread using non-contact treadle sensor that been improved durability from physical impacts. for the verification of the proposed algorithm, a field test was performed using 1/2/3/6 class vehicles based on the KHC's classification criteria. through this experiments, maximum error of the width and the tread is each ${\pm}2cm$ and ${\pm}8cm$, also the accuracy was measured as 98%, 97% or more, and proved that the proposed algorithm valid on to apply to the vehicle classification system.
Vehicle classification system in domestic tollgates is usually to use treadle sensor for calculating wheel width and tread of the vehicle. due to the impact that occurs when the wheels of the vehicle contact, treadle sensor requires high durability. recently, KHC(Korea Highway Corporation) began operating high-speed lane for cargo truck. high-speed cargo truck generate more impact the design criteria of previous treadle. therefore, an increase in the maintenance and management costs of the treadle damage is concerned. In this paper, we propose an algorithm for obtaining optimal wheel width and tread using non-contact treadle sensor that been improved durability from physical impacts. for the verification of the proposed algorithm, a field test was performed using 1/2/3/6 class vehicles based on the KHC's classification criteria. through this experiments, maximum error of the width and the tread is each ${\pm}2cm$ and ${\pm}8cm$, also the accuracy was measured as 98%, 97% or more, and proved that the proposed algorithm valid on to apply to the vehicle classification system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 이러한 무접점 답판 센서의 신호 패턴을 분석하고, 유효 신호의 추출 그리고 최적 윤폭 / 윤거를 계산하는 알고리즘을 제안하였으며, 현장 실험을 통해 추후 차종 분류 장치 적용에 대한 가능성을 보였다[9-11].
본 논문은 무접점 답판 센서의 신호를 획득/분석/보정/선택 단계를 통해 차종 분류 장치에 적용 가능한 윤폭/윤거 산출 알고리즘을 제안하였다. 제안된 방식은 기구적/하드웨어의 예외적인 오류를 포함한 각 처리를 최대한 단순화 시켜, 고속의 차량 주행에도 충분한 원신호를 획득할 수 있었다.
가설 설정
차종 분류 장치는 한국도로공사 기준으로 120 km/h 이하로 주행하는 차량의 차종 정보를 생성할 수 있어야 한다. 따라서 본 논문에서는 이 기준을 만족시키기 위해, 윤폭/윤거 생성을 위해 필요한 최소한의 S1, S2 센서 배열 샘플 수를 5개로 가정하였고, 주행 방향으로 각 센서의 검지 폭이 3.4 cm 이므로, 120 km/h로 주행하는 차량은 그림 3에서와 같이 약 10 msec 정도 이 영역에 머무르게 된다. 따라서 최소의 센서 정보 획득 주기를 2 msec 로 결정할 수 있다.
제안 방법
따라서 유효 정보는 20 hz 이하로 발생하며, 이 이상의 신호는 물리적인 충격에 의해 발생하는 무효 정보라 판단할 수 있다. 따라서 20 hz 이하의 정보만 통과시키기 위해, 저역통과필터(LPF : Low-Pass Filter)를 각 신호 처리 앞 단에 적용하였고, 이후 필터링 된 결과가 윤폭/윤거 계산을 위한 함수 블록으로 입력된다. 단, S1, S2등의 센서 배열 정보는 예외 처리 정보를 포함 할 수 있기 때문에, 필터 전 단인 ECB(: Exception Control Block)에서 이에 대한 처리를 우선하였다.
따라서 20 hz 이하의 정보만 통과시키기 위해, 저역통과필터(LPF : Low-Pass Filter)를 각 신호 처리 앞 단에 적용하였고, 이후 필터링 된 결과가 윤폭/윤거 계산을 위한 함수 블록으로 입력된다. 단, S1, S2등의 센서 배열 정보는 예외 처리 정보를 포함 할 수 있기 때문에, 필터 전 단인 ECB(: Exception Control Block)에서 이에 대한 처리를 우선하였다.
현장 실험을 통해 버블 에러 발생 시, 대부분의 경우 접촉 영역에서 미 감지 개수는 1 이상의 값이 발생하지 않는 것을 확인하였다. 또한 차수를 2 이상으로 설정할 경우, 불규칙적으로 계산 윤폭이 실제 윤폭보다 크게 나오는 오류가 발생하는 것을 확인하여, 따라서 최종 차수는 1로 적용하였다.
복륜 바퀴의 열간 공백(이후 열간 공백)을 윤폭 계산에 포함시키기 위해서, 최소 열간 공백과 최소 윤거 그리고 최소 윤폭에 대한 기준이 필요하다. 본 논문에서는 국내에서 가장 작은 경차의 재원을 기준으로 최소 윤폭을 4cm, 최소 윤거를 100 cm로 정하였고, 1종 소형 화물차를 기준으로 최소 열간 공백을 5 cm로 정하였다. 이를 통해 감지 영역간 거리가 최소 열간 공백 이상이며, 최소 윤거 이하 일 경우, 그 거리와 각 검지 영역의 총 합을 복륜 바퀴의 윤폭으로 산정하며, 최소 윤거 이상일 경우에는 윤거로 취급한다.
또한 중간 값 결정 방식의 경우, 잡음 성분이 처리되지 않은 정보를 선택할 수 있지만, 식(6)과 같이 계산 오류 샘플이 비교적 많은 경우에도 큰 오차를 방지할 수 있는 장점이 있다. 실제 차종 분류에서 차종 간 윤폭/윤거의 범위는 큰 정확도를 요구하지 않기 때문에, 본 논문에서는 윤폭/윤거 대표 값의 안정적인 선정에 우선하여, 중간 값 선정 방식을 최종 선택하였다.
제안된 윤폭/윤거 획득 알고리즘을 검증하기 위해서, 그림 10에 보인 것과 같이 지방의 한 무인 도로에 무접점 답판을 포함한 관련된 장비를 설치하였다. 또한 6종(경차), 1종(승용차), 2종(미니버스), 3종(중형화물) 차량을 각 1 대 씩, 40 km/h ~ 80 km/h 사이의 정속으로 100 회 반복해서 주행 통과 실험을 하여, 산출된 각 차종별 윤폭 / 윤거 정보를 제작된 프로그램을 통해 수집하였으며, 그 결과를 분석하였다.
제안된 윤폭/윤거 획득 알고리즘을 검증하기 위해서, 그림 10에 보인 것과 같이 지방의 한 무인 도로에 무접점 답판을 포함한 관련된 장비를 설치하였다. 또한 6종(경차), 1종(승용차), 2종(미니버스), 3종(중형화물) 차량을 각 1 대 씩, 40 km/h ~ 80 km/h 사이의 정속으로 100 회 반복해서 주행 통과 실험을 하여, 산출된 각 차종별 윤폭 / 윤거 정보를 제작된 프로그램을 통해 수집하였으며, 그 결과를 분석하였다.
성능/효과
각 16 진수의 크기는 감지된 센서의 개수로 “003f ffe0”는 총 15개의 센서가 감지된 것을 의미한다. 예로 보인 그림에선 주행 중인 1종 차량의 앞바퀴에 대한 정보로 좌측과 우측 바퀴로 인해 각 영역에 일정 개수의 센서가 감지되어 있는 것을 확인 할 수 있다.
또한 그림 4에서 시간에 따라 감지되는 센서의 개수가 증가에서 감소로 변화되는데, 이러한 특징은 주행 차량 바퀴와 센서 영역의 접촉면이 시간에 따라 변화하는 것을 의미하며, 결국 차량 바퀴가 센서 영역에 완전히 접촉하였을 때, 감지된 센서 개수가 가장 많다는 것을 확인할 수 있다.
현장 실험을 통해 버블 에러 발생 시, 대부분의 경우 접촉 영역에서 미 감지 개수는 1 이상의 값이 발생하지 않는 것을 확인하였다. 또한 차수를 2 이상으로 설정할 경우, 불규칙적으로 계산 윤폭이 실제 윤폭보다 크게 나오는 오류가 발생하는 것을 확인하여, 따라서 최종 차수는 1로 적용하였다.
제안된 방식을 통해 산출된 윤폭과 윤거는 차종에 따라 그래프 상에서 분명한 차이를 보였으며, 실제 각 차종의 재원과 비교하여 각각 최대 약 ± 2cm, ± 8cm 오차를 보였다.
또한 정확도는 윤폭은 98% 그리고 윤거는 97% 이상으로 계산되었다. 3종 중형 화물차 윤거의 경우는 비교적 큰 최대 20 cm의 오차가 발생하였는데, 이는 적재함에 화물이 없는 관계로 뒷바퀴 측이 가볍게 되어, 복륜 바퀴의 열이 최소 윤폭이하로 감지된 경우로 분석되었다.
이 현장 실험 결과를 통해, 제안된 방식이 각 차종을 분류하기 위해 신뢰성 있는 윤폭/윤거 정보를 제공할 수 있고, 따라서 이를 통해 무접점 답판 센서를 사용한 차종 분류 장치에 적용이 유효함을 증명하였다.
본 논문은 무접점 답판 센서의 신호를 획득/분석/보정/선택 단계를 통해 차종 분류 장치에 적용 가능한 윤폭/윤거 산출 알고리즘을 제안하였다. 제안된 방식은 기구적/하드웨어의 예외적인 오류를 포함한 각 처리를 최대한 단순화 시켜, 고속의 차량 주행에도 충분한 원신호를 획득할 수 있었다. 또한 이를 바탕으로 신뢰성 있는 윤폭/윤거 값을 산출할 수 있었고, 현장 실험과 분석을 통해 그 유효성을 증명하였다.
제안된 방식은 기구적/하드웨어의 예외적인 오류를 포함한 각 처리를 최대한 단순화 시켜, 고속의 차량 주행에도 충분한 원신호를 획득할 수 있었다. 또한 이를 바탕으로 신뢰성 있는 윤폭/윤거 값을 산출할 수 있었고, 현장 실험과 분석을 통해 그 유효성을 증명하였다.
후속연구
이 후, 본 논문에서 고려되지 않은 아래와 같은 예외적인 상황에 대한 추가 연구가 필요하다.
마지막으로 이러한 예외상황에 대한 추가 연구 후에 실제 차종 분류 장치에 적용하고, 한국도로공사 6종 분류 기준을 만족시키는 작업이 별도로 요구된다.
질의응답
핵심어
질문
논문에서 추출한 답변
무접점 답판 센서의 단점은 무엇인가?
이에 비교하여, H사에서 신규로 개발된 무접점 답판 센서는 적외선 광 소자 배열을 적용한 방식으로 차량의 물리적 충격이 감지 소자에 전달되지 않도록 설계되어 내구성과 수명을 향상 시킨 장비이다[8]. 하지만 그 방식의 차이로 기존 답판 제어기와는 호환이 불가능하며, 따라서 이에 맞는 새로운 제어 알고리즘이 필요 된다.
무접점 답판 센서는 무엇인가?
접점 스위치와 저항 소자를 이용한 답판 방식은 그 감지 소자가 차량의 물리적인 충격에 그대로 노출되며, 따라서 설계 기준 치, 이상의 충격이 가해졌을 때, 감지 소자의 수명이 급격히 단축 된다. 이에 비교하여, H사에서 신규로 개발된 무접점 답판 센서는 적외선 광 소자 배열을 적용한 방식으로 차량의 물리적 충격이 감지 소자에 전달되지 않도록 설계되어 내구성과 수명을 향상 시킨 장비이다[8]. 하지만 그 방식의 차이로 기존 답판 제어기와는 호환이 불가능하며, 따라서 이에 맞는 새로운 제어 알고리즘이 필요 된다.
차종 분류 장치의 종류는 어떻게 분류할 수 있는가?
차종 분류 장치의 종류는 레이저를 이용하여 차고의 높이를 측정하는 방식[1], 루프와 피에죠 센서를 이용하여 축수와 차장을 측정하는 방식[2-3], 카메라 영상과 차량 모델링 데이터를 이용하여 측정하는 방식[4-5] 마지막으로 답판(Treadle)를 이용하여 윤거, 윤폭, 축수를 측정하는 방식으로 크게 분류 할 수 있다. 그러나 답판 방식을 제외한 측정 방식은 눈이나 비와 같은 환경 조건에 민감하며, 또한 그 차종 분류 정확도 오차가 답판에 비교하여 상대적으로 커서, 국내에서는 일반 도로상의 통행 차량 통계에만 이용되며 실제 요금 장비에서는 적용되지 않고 있다.
참고문헌 (11)
J. Oh, K. Jang, and M. Kim, "Improvement of Vehicle Classification Method using Vehicle Height Measurement," J. of the Korean Society of Road Engineers (KSRE), vol. 12, no. 4, Dec. 2010, pp. 47-51
S. Kwon and Y. Seo, "New Vehicle Classification Algorithm with Wandering Sensor," The J. of Korean Society of Transportation (JKST), vol. 27, no. 6, Dec. 2009, pp. 79-87.
S. Cho, D. Lee, and S. Ruy, "A Study on Efficient Vehicle Classification based on 3-Piezo Sensor AVC SYSTEM," J. of the Institute of Internet, Broadcasting and Communication (IIBC), vol. 13, no. 3, June 2013, pp. 25-31
S. Fazli, S. Mohammadi and M. Rahmani, "Neural Network based Vehicle Classification for Intelligent Traffic Control," Int. J. of Software Engineering & Applications (IJSEA), vol. 3, no. 3, May 2012, pp. 17-22
S. Messelodi, C. Modena and G. Cattoni, "Vision-based bicycle / motorcycle classification," Pattern Recognit. Lett, vol. 28, no. 13, Oct. 2007, pp. 1719-1726.
T. Shin, "A vehicle classification system using a treadle for vehicle driving in multi-lane," Korean Intellectual Property Office (KIPO), July 2013, patent application no. 10-2013-0089994,
W. Zhang, Q. Wang, and C. Suo, "A Novel Vehicle Classification Using Embedded Strain Gauge Sensors," Int. J. of Sensors, vol. 8, no. 11, Nov. 2008, pp. 6952-6971
S. Jang and Y. Kim, "Vehicles classification apparatus of non contacting type," Korean Intellectual Property Office (KIPO), February 2012, patent application no. 10-2012-0019455
K. Jang and S. kwak, "Fast Center Lane Detection Method for Vehicle Applications," J. of the Korea Institute of Electronic Communication Sciences, vol. 9, no. 6, 2014, pp. 649-656.
K. Park and H. Kim, "A Study for Video-based Vehicle Surveillance on Outdoor Road," J. of the Korea Institute of Electronic Communication Sciences, vol. 8, no. 11, 2013, pp. 1647-1653.
H. Kim, J. Park, K. Kim, and J. Do, "A Vehicle Detection and Tracking Algorithm Using Local Features of The Vehicle in Tunnel," J. of the Korea Institute of Electronic Communication Sciences, vol. 8, no. 8, 2013, pp. 1179-1186.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.