$\require{mediawiki-texvc}$

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.

다양한 자율주행 이동체에 적용하기 위한 장애물 회피의사 결정 시스템 연구
Decision Support System of Obstacle Avoidance for Mobile Vehicles 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.19 no.6, 2018년, pp.639 - 645  

강병준 (한국기술교육대학교 전기전자통신공학부) ,  김종원 (한국기술교육대학교 기전융합공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 자율주행 자동차 및 자율주행이 가능한 이동체를 대상으로 광범위하게 적용 가능한 지능형 의사결정 모델을 개발하기 위한 연구이다. 개발된 모듈은 다양한 주행환경에 적용하기 위하여 독립적인 모듈 구성형태를 갖추고 이를 유기적으로 운영하기 위한 플랫폼을 기반으로 각 모듈을 Deep Learning 기법을 이용한 강화학습을 통해 이동체의 차선변경 의사 결정 및 안전 확보에 관하여 연구하였다. 운행 중인 자율주행 이동체는 주행상태의 변경을 위하여 기능별로 속도결정 모델과 차선변경 의사결정이 반드시 선행되어야 이동체의 다음 행동이 이루어 질 수 있는 특징을 갖고 있다. 또한, 일반 도로상에 주행 중인 이동체들이 모두 자율주행 기능을 갖춘 상태라면 특정 이동체의 돌발적인 변화 및 주변 환경의 변화가 발생하면 그에 따른 각각의 이동체들 사이에 발생할 수 있는 연쇄반응 요소는 고려되기 어려운 특징을 갖고 있다. 이런 부분을 함께 고려하여 자율주행 플랫폼에 적용하고 이를 위한 개별 이동체의 차선변경 의사결정 시스템 연구와 모듈형 학습 방법을 이용하여 시스템 복잡도를 줄이고 학습시간의 단축과 향후 모델의 교체를 할 수 있는 의사결정 모델을 연구하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper is intended to develop a decision model that can be applied to autonomous vehicles and autonomous mobile vehicles. The developed module has an independent configuration for application in various driving environments and is based on a platform for organically operating them. Each module i...

주제어

#Autonomous Vehicles   #Deep Learning   #DQN   #Modular Network   #Reinforcement Learning  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 하지만 기존의 연구는 한 대의 자율주행 자동차가 어떠한 행위 결정을 했을 때 다른 자율주행 자동차에 미치는 영향은 고려되지못하는 문제점을 가지고 있다. 본 연구의 목적은 도로 위에 자율주행 자동차만 운행된다는 가정 하에 차량의 진행 경로 상에 예상치 못한 장애물이 발생되어 그것을 회피하기 위한 차선변경을 수행 할 때, 주행 경로에 존재하는 여러 차량들 중에 어느 한 차량의 희생 없이 모든 차량이 원활하게 통행하기 위한 자율주행 구조와 이를 위한 모듈학습 방법을 제시하였다.
  • 자율주행 이동체의 진로상에 있는 장애물 회피를 위해 반드시 필요한 기능을 모듈별로 구성하고 주어진 플랫폼 내에서 활용 가능한 정보를 이용하여 차선변경 활동을 위한 의사결정 시스템을 연구하였다. 이 연구는 3차선 내에 모든 자율주행 자동차의 돌발적인 상황을 가정하여 다른 차량에 미치는 영향을 고려한 Target 차량의 차선변경 의사결정 과정과 그에 따른 결론의 적합성을 시뮬레이션을 통해 검증하였다.

가설 설정

  • 3과 같이 가정하였다. 이 때, FL/FR에 위치한 차량의 방향지시등이 현재 진행 중인 차선으로 켜진다면 양보를 위한 감속은 안전거리 확보를 위한 감속의 25% 성능으로 가정하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
자율주행 차량의 행동결정 모델을 위해 필요한 정보는? 행동결정 모델을 위한 정보는 차량에 부착된 거리센서를 통해 각 영역별 주변 차량 혹은 장애물에 대한 정보, 차량의 속도, 진행차선의 상태정보, 별도의 통신망을 이용해 수신된 진로상의 장애물에 대한 차선, 거리 정보가 포함된다. 구역별 센서 정보는 Fig.
연구에서 사용한 장애물 회피를 위한 모듈형 학습 방법은? 장애물 회피를 위한 모듈형 학습은 DQN(Deep Q-Network)를 사용한 강화학습을 진행하지만 자율주행 자동차의 속도결정, 차선변경 결정의 두 가지 결정 모듈을 나누어 학습하는 방법으로 학습 시간의 단축과 프로그래밍의 편의성을 도모하였다.
기존의 자율주행 기술에 대한 연구의 한계점은? 지금의 자율주행 기술은 자동차가 GPS, Radar, LiDAR등의 센서를 통해 스스로 인지하고 대응하는 것에 초점이 맞추어져 연구가 진행되고 있다[5]. 하지만 기존의 연구는 한 대의 자율주행 자동차가 어떠한 행위 결정을 했을 때 다른 자율주행 자동차에 미치는 영향은 고려되지못하는 문제점을 가지고 있다. 본 연구의 목적은 도로 위에 자율주행 자동차만 운행된다는 가정 하에 차량의 진행 경로 상에 예상치 못한 장애물이 발생되어 그것을 회피하기 위한 차선변경을 수행 할 때, 주행 경로에 존재하는 여러 차량들 중에 어느 한 차량의 희생 없이 모든 차량이 원활하게 통행하기 위한 자율주행 구조와 이를 위한 모듈학습 방법을 제시하였다.
질의응답 정보가 도움이 되었나요?

참고문헌 (9)

  1. B. Huval, T. Wang, S. Tandon, J. Kiske, W.Song, J. Pazhayampallil, M. Andrilukam, P, Rajpurkar, T. Migimatsu, R. Cheng-Yue, F.Mujica, A. Coates, and A. Y. Ng, "An empirical evaluation of deep learning on highway driving," arXiv preprint, arXiv:1504.01716, pp. 1-7, Apr. 2015. 

  2. D. Tome, F. Monti, L. Baroffio, L. Bondi, M. Tagliasacchi and S. Tubaro, "Deep convolutional neural networks for pedestrian detection," Signal Processing: Image Communication, vol. 47, pp. 482-489, May. 2016. DOI: https://doi.org/10.1016/j.image.2016.05.007 

    상세보기 crossref

  3. R. S. Tomar, S. Verma, "Neural network based lane change trajectory prediction in autonomous vehicles," Transactions on computational science XIII, Springer, pp. 125-146, Berlin Heidelberg, 2011. DOI: https://doi.org/10.1007/978-3-642-22619-9_7 

  4. D. Geronimo, A. M. Lopez, A. D. Sappa, T. Graf, "Survey of pedestrian detection for advanced driver assistance systems," IEEE transactions on pattern analysis and machine intelligence, vol. 32, no. 7, pp. 1239-1258, July. 2010. DOI: https://doi.org/10.1109/TPAMI.2009.122 

    상세보기 crossref

  5. Hyunmin Chae, Chang Mook Kang, Chung Choo Chung, Jun Won Choi, "Deep Reinforcement Learning based Autonomous Braking System for safe Urban Driving," KSAE Conference, pp. 625-629, May. 2017 

  6. Ke Cao, el al. "Efficient Urban Broadcast Protocal for V2V Communications with Relay Control", IEEE Vehicular Networking Conference, pp. 24-30, 2013. DOI: https://doi.org/10.1109/VNC.2013.6737586 

  7. C. Watkins and P. Dayan. "Q-learning. Machine learning," 8(3-4), pp. 279-292, 1992. DOI: https://doi.org/10.1007/BF00992698 

  8. MNIH, Volodymyr, et al., "Playing atari with deep reinforcement learning." arXiv preprint, arXiv:1312.5602, 2013. 

  9. MNIH, Volodymyr, et al., "Human-level control through deep reinforcement learning," Nature, 518.7540: 529-533, 2015. DOI: https://doi.org/10.1038/nature14236 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

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

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