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
- 본 논문에서는 자율주행 개인화를 위한 순환 최소자승 기반 융합형 주행특성 구분 알고리즘을 제안하였다. 선행차량과 함께 주행할 때 운전자의 주행 특성을 수식화하고, 주행특성을 실시간으로 추정할 수 있는 알고리즘을 적용하였다.
- 기존 연구들을 살펴보면 일반적으로 고속도로 혹은 군집주행과 같은 특정 상황에 대해 운전자의 주행특성을 대표할 수 있는 요소들을 도출하고 이를 기반으로 제어에 반영하였다. 본 연구에서는 운전자가 전방차량과 함께 주행할 때 운전자 주행특성을 대표할 수 있는 인자를 정의하고, 이를 기반으로 자율주행 개인화를 위한 가설검정 및 확률 융합형 운전자 구분 알고리즘을 제안하였다. 주행특성 도출을 위해 가속도와 종방향 오차를 이용한 민감도를 정의하였으며, 순환 최소자승 기법을 이용하여 추정하였다.
가설 설정
- 도출된 대표점과 주행특성 영역을 이용하여 주행특성을 구분하기 위해 본 연구에서는 영역 내 분포하는 민감도들이 정규분포를 이룬다는 가정을 하였다. 개별 운전자의 정규분포를 결정하는 평균과 표준편차는 운전자(2)를 기준으로 다음과 같이 정의되었다.
제안 방법
- Cunningham 은 자율주행 자동차의 자율주행 제어를 위해 고려되어야 할 Human factor들을 도출하고, 자율주행 개인화에 대해 기술하였다 [4]. T.Mioch 는 트럭의 군집주행 제어를 위한 Driver Readiness(DR) 모델을 제안하고, 제어를 위한 주요 요소를 육체적 요소와 정신적 요소로 구분하여 분석을 수행하였다 [5].
- 하지만 시간영역에서 분석한 결과들을 보면 불확실성으로 인해 두 운전자의 주행특성을 완벽히 구분할 수 있는 경계값 혹은 규칙을 도출할 수 없게 된다. 그러므로 본 연구에서는 민감도 평면에서 확률적 방법으로 주행특성을 구분하는 알고리즘을 제안하고, 다음 3 장에서 가설검정 기법과 함께 기술한다.
- 수식 (4)의 민감도는 일반적으로 운전자마다 다른 값을 보이지만 개별 운전자는 선행차량과 함께 주행 시 앞서 정의된 민감도를 일정 범위 내에서 유지하면서 주행하는 특성이 있다. 그러므로 본 연구에서는 민감도(k1, k2)를 종방향 주행특성으로 간주하고, 추정 및 구분하는 알고리즘을 설계하였다. 다음 절에서는 순환 최소자승기반 제시된 민감도 추정 알고리즘에 대해 기술한다.
- 선행차량과 함께 주행할 때 운전자의 주행 특성을 수식화하고, 주행특성을 실시간으로 추정할 수 있는 알고리즘을 적용하였다. 그리고 가설검정 기반 확률적으로 주행특성을 구분할 수 있는 알고리즘은 설계하였다. 알고리즘의 성능평가를 위해 두 명의 실 주행데이터를 이용하였으며, 평가결과 합리적인 주행특성 추정성능과 구분결과를 확인할 수 있었다.
- 또한 운전자의 조작입력을 통해 학습 기반 자율주행 자동차의 속도제어를 위한 체계를 구축하였다 [2]. 그리고 제안된 속도제어 체계를 이용하여 자율주행 자동차 종방향 제어에 적용하였다. V.
- 도출된 두 정규분포를 이용하여 주행특성 구분을 위해 가설검정 기법을 적용하였으며 아래와 같이 귀무가설과 대립가설을 정의하였다.
- 1 은 자차량이 선행차량과 함께 주행하는 상태를 나타낸다. 두 운전자가 일반도로에서 각각 선행차량과 자차량을 직접 운전하며 자차량에 장착된 Radar 기반 선행차량과의 정보를 획득하였다.
- Lefevre 는 고속도로 주행상황에서 운전자 조작을 구분할 수 있는 학습 기반 운전자 모델을 개발하였으며, 이를 기반으로 운전자의 입력을 예측하였다 [1]. 또한 운전자의 조작입력을 통해 학습 기반 자율주행 자동차의 속도제어를 위한 체계를 구축하였다 [2]. 그리고 제안된 속도제어 체계를 이용하여 자율주행 자동차 종방향 제어에 적용하였다.
- 민감도가 정의도니 정규분포가 중첩되는 영역에 있을 때는 각 정규분포의 P-value를 비교함으로써 주행특성이 구분되도록 알고리즘을 설계하였다.
- 본 연구에서는 다중 망각인자 기반 순환 최소자승 기법을 이용하여 종방향 주행특성(민감도) 추정 알고리즘을 설계하였다. 설계된 알고리즘은 다중 망각인자를 이용하기 때문에 두 개 이상의 변수를 추정할 수 있으며, 오차와 가속도 값을 이용하여 실시간으로 변수를 추정할 수 있기 때문에 실시간으로 운전자를 구분할 수 있다.
- 자차량에 장착된 Radar를 이용하여 선행차량과 자차량을 두 운전자가 직접 운전하면서 상대거리 및 상대속도를 획득하였고, 자차량의 가속도 센서를 이용하여 가속도 값을 계측하였다. 선행차량과 함께 주행한 두 운전자의 주행데이터를 이용하여 운전자의 Time gap을 도출하고, 도출된 Time gap을 이용하여 순환 최소자승 기반 민감도를 추정하였다. 추정된 민감도는 운전자(1)과 운전자(2) 모두 특정 영역 내에서 일정한 값을 유지하는 것을 확인할 수 있다.
- 본 논문에서는 자율주행 개인화를 위한 순환 최소자승 기반 융합형 주행특성 구분 알고리즘을 제안하였다. 선행차량과 함께 주행할 때 운전자의 주행 특성을 수식화하고, 주행특성을 실시간으로 추정할 수 있는 알고리즘을 적용하였다. 그리고 가설검정 기반 확률적으로 주행특성을 구분할 수 있는 알고리즘은 설계하였다.
- 앞서 기술된 다중 망각인자 기반 순환 최소자승 기법을 이용하여 정의된 종방향 주행특성을 추정할 수 있으며 추정 성능을 확인하기 위해 실제 주행 데이터를 이용하여 추정결과를 분석하였다. Fig.
- 자차량에 장착된 Radar를 이용하여 선행차량과 자차량을 두 운전자가 직접 운전하면서 상대거리 및 상대속도를 획득하였고, 자차량의 가속도 센서를 이용하여 가속도 값을 계측하였다. 선행차량과 함께 주행한 두 운전자의 주행데이터를 이용하여 운전자의 Time gap을 도출하고, 도출된 Time gap을 이용하여 순환 최소자승 기반 민감도를 추정하였다.
- 주행특성 구분에 대한 성능평가를 수행하기 위해 제안된 가설검정 기반 확률적 구분 알고리즘을 이용하여 실제 운전자(1)과 (2)에 대한 구분 결과를 확인하였다. Matlab/Simulink 환경에서 개별 운전자의 민감도를 추정하고, 추정된 민감도를 이용하여 제안된 구분 알고리즘에 적용하여 구분되는 결과를 확인하였다.
- 주행특성을 구분하기 위해 구분된 주행영역을 기준으로 해당 주행특성일 때 시간에 대해 적분함으로써 정의된 index를 계산하였다. Fig.
- 중행특성 영역 내 99%의 확률분포가 구성되도록 표준 편차를 도출된 반경을 이용하여 정의하였고, 각 대표점을 공통으로 지난는 직선을 확률변수 축으로 정의하였다. Fig.
- 주행특성 도출을 위해 가속도와 종방향 오차를 이용한 민감도를 정의하였으며, 순환 최소자승 기법을 이용하여 추정하였다. 추정된 민감도는 민감도 평면에서 가설검정 기법을 이용하여 확률적으로 운전자를 구분할 수 있도록 알고리즘 구성하였다. 이를 위해 실제 두 운전자의 주행데이터를 이용하였으며, 본 연구에서 제안하는 모든 알고리즘은 Matlab 환경에서 구성되었다.
대상 데이터
- 그리고 가설검정 기반 확률적으로 주행특성을 구분할 수 있는 알고리즘은 설계하였다. 알고리즘의 성능평가를 위해 두 명의 실 주행데이터를 이용하였으며, 평가결과 합리적인 주행특성 추정성능과 구분결과를 확인할 수 있었다. 하지만 두 운전자 중 운전자(1)의 경우 구간에 따라 좋지 않은 구분성능을 보여주었다.
데이터처리
- 주행특성 구분에 대한 성능평가를 수행하기 위해 제안된 가설검정 기반 확률적 구분 알고리즘을 이용하여 실제 운전자(1)과 (2)에 대한 구분 결과를 확인하였다. Matlab/Simulink 환경에서 개별 운전자의 민감도를 추정하고, 추정된 민감도를 이용하여 제안된 구분 알고리즘에 적용하여 구분되는 결과를 확인하였다. Fig.
- 검정통계량으로 Z-statistic 을 이용하였고, 유의수준은 5% 로 정의하였다. Fig.
- 본 연구에서는 민감도 평면에서 운전자 간 중복되는 영역을 구분하기 위해 확률적 접근 방법을 이용하였다. 이를 위해 각 운전자의 민감도 대표점을 클러스터링 기법을 이용하여 도출하고, 도출된 대표점에 대한 모든 점들의 Root Mean Square(RMS) 값을 반경으로 하는 원을 도출함으로써 개별 운전자의 주행특성 영역을 정의하였다. 아래 수식은 주행특성 영역의 반경을 나타내며 Fig.
이론/모형
- 그리고 민감도 k1 에 대하여 k2 는 상대적으로 민감도 평면 내 1 사분면에 존재하면서 그 변화관계는 선형적 관계가 있음을 확인할 수 있었다. 본 연구에서는 민감도 평면에서 운전자 간 중복되는 영역을 구분하기 위해 확률적 접근 방법을 이용하였다. 이를 위해 각 운전자의 민감도 대표점을 클러스터링 기법을 이용하여 도출하고, 도출된 대표점에 대한 모든 점들의 Root Mean Square(RMS) 값을 반경으로 하는 원을 도출함으로써 개별 운전자의 주행특성 영역을 정의하였다.
- 추정된 민감도는 민감도 평면에서 가설검정 기법을 이용하여 확률적으로 운전자를 구분할 수 있도록 알고리즘 구성하였다. 이를 위해 실제 두 운전자의 주행데이터를 이용하였으며, 본 연구에서 제안하는 모든 알고리즘은 Matlab 환경에서 구성되었다. 다음은 본 논문의 구성을 나타낸다.
- 본 연구에서는 운전자가 전방차량과 함께 주행할 때 운전자 주행특성을 대표할 수 있는 인자를 정의하고, 이를 기반으로 자율주행 개인화를 위한 가설검정 및 확률 융합형 운전자 구분 알고리즘을 제안하였다. 주행특성 도출을 위해 가속도와 종방향 오차를 이용한 민감도를 정의하였으며, 순환 최소자승 기법을 이용하여 추정하였다. 추정된 민감도는 민감도 평면에서 가설검정 기법을 이용하여 확률적으로 운전자를 구분할 수 있도록 알고리즘 구성하였다.
성능/효과
- 선행차량과 함께 주행한 두 운전자의 주행데이터를 이용하여 운전자의 Time gap을 도출하고, 도출된 Time gap을 이용하여 순환 최소자승 기반 민감도를 추정하였다. 추정된 민감도는 운전자(1)과 운전자(2) 모두 특정 영역 내에서 일정한 값을 유지하는 것을 확인할 수 있다. 그리고 Table 1 은 운전자(1)과 (2)의 Time gap 과 민감도 값의 요약을 보여준다.
후속연구
- 향후 합리적인 index 개발에 따른 분류 알고리즘 최적화를 계획하고 있으며 다양한 제어 알고리즘과 함께 실차 기반 주행특성 성능검증 및 실시간 주행특성 학습알고리즘 개발을 계획하고 있다 [6,7,8]. 더불어 직접주행 모드와 자율주행 모드가 공존하는 자율주행 자동차의 기계학습 기반 주행특성 학습 알고리즘을 개뱔하여 실시간으로 운전자의 특성을 학습하고, 이를 기반으로 탑승자의 자율주행에 대한 이질감을 최소화할 수 있는 연구를 수행할 계획이다 [9,10,11,12,13,14,15]. 본 연구에서 제안한 운전자 구분 알고리즘은 향후 자율주행 자동차의 개인화를 위한 알고리즘으로 적용 가능할 것으로 기대한다.
- 더불어 직접주행 모드와 자율주행 모드가 공존하는 자율주행 자동차의 기계학습 기반 주행특성 학습 알고리즘을 개뱔하여 실시간으로 운전자의 특성을 학습하고, 이를 기반으로 탑승자의 자율주행에 대한 이질감을 최소화할 수 있는 연구를 수행할 계획이다 [9,10,11,12,13,14,15]. 본 연구에서 제안한 운전자 구분 알고리즘은 향후 자율주행 자동차의 개인화를 위한 알고리즘으로 적용 가능할 것으로 기대한다.
- 향후 합리적인 index 개발에 따른 분류 알고리즘 최적화를 계획하고 있으며 다양한 제어 알고리즘과 함께 실차 기반 주행특성 성능검증 및 실시간 주행특성 학습알고리즘 개발을 계획하고 있다 [6,7,8]. 더불어 직접주행 모드와 자율주행 모드가 공존하는 자율주행 자동차의 기계학습 기반 주행특성 학습 알고리즘을 개뱔하여 실시간으로 운전자의 특성을 학습하고, 이를 기반으로 탑승자의 자율주행에 대한 이질감을 최소화할 수 있는 연구를 수행할 계획이다 [9,10,11,12,13,14,15].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.