최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.19 no.6, 2018년, pp.639 - 645
강병준 (한국기술교육대학교 전기전자통신공학부) , 김종원 (한국기술교육대학교 기전융합공학과)
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...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
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.
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
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
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
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
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
C. Watkins and P. Dayan. "Q-learning. Machine learning," 8(3-4), pp. 279-292, 1992. DOI: https://doi.org/10.1007/BF00992698
MNIH, Volodymyr, et al., "Playing atari with deep reinforcement learning." arXiv preprint, arXiv:1312.5602, 2013.
MNIH, Volodymyr, et al., "Human-level control through deep reinforcement learning," Nature, 518.7540: 529-533, 2015. DOI: https://doi.org/10.1038/nature14236
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.