[논문]자율주행 개인화를 위한 역 충돌시간 및 차두시간 융합 기반 인간중심 제어 알고리즘 개발

오광석

doi:10.15207/jkcs.2018.9.10.249

자율주행 개인화를 위한 역 충돌시간 및 차두시간 융합 기반 인간중심 제어 알고리즘 개발
A Human-Centered Control Algorithm for Personalized Autonomous Driving based on Integration of Inverse Time-To-Collision and Time Headway 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.9 no.10, 2018년, pp.249 - 255

초록
AI-Helper

본 논문은 자율주행 개인화를 위한 역 충돌시간 및 차두시간 융합 기반 인간중심 제어 알고리즘 개발에 관한 것이다. 운전자 및 탑승자의 자율주행에 대한 이질감 최소화를 위해 인간중심적 주행제어 기술이 필요하다. 운전자가 선행차량과 함께 주행하는 조건에서 운전자의 주행특성을 분석하고, 분석된 결과를 종방향 자율주행 제어에 반영하였다. 주행특성으로 가속도, 역 충돌시간, 차두시간 분포가 분석되었고, 운전자의 주행특성이 반영된 제어기 구성을 위해 역 충돌시간 및 차두시간을 이용한 종방향 제어기를 구성하였다. 본 연구에서 제안된 제어 알고리즘은 Matlab/Simulink 환경에서 구성되었으며 실 주행데이터 기반 성능평가가 수행되었다.

Abstract ▼ AI-Helper

This paper presents a human-centered control algorithm for personalized autonomous driving based on the integration of inverse time-to-collision and time headway. In order to minimize the sense of difference between driver and autonomous driving, the human-centered control technology is required. Driving characteristics in case that vehicle drives with the preceding vehicle have been analyzed and reflected to the longitudinal control algorithm. The driving characteristics such as acceleration, inverse time-to-collision, time headway have been analyzed for longitudinal control. The control algorithm proposed in this study has been constructed on Matlab/Simulink environment and the performance evaluation has been conducted by using actual driving data.

주제어

표/그림 (15)

표 Table 1. Actual driving data
그림 Fig. 1. Acceleration distributions of individual driver
그림 Fig. 2. Acceleration distributions of all drivers
그림 Fig. 3. TTC^-1 distributions of individual driver
표 Table 2. Summary of acceleration data
그림 Fig. 4. TTC^-1 distributions of all drivers
그림 Fig. 5. T_h distributions of individual driver
그림 Fig. 6. T_h distributions of all drivers
그림 Fig. 7. Concept of the TTC^-1 T_h based algorithm
표 Table 3. Summary of inverse time-to-collision data
표 Table 4. Summary of time headway data
그림 Fig. 8. Model schematics for performance evaluation
그림 Fig. 9. Performance evaluation: driver – 1
그림 Fig. 10. Performance evaluation: driver – 2
그림 Fig. 11. Performance evaluation: driver – 3

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 자율주행 개인화를 위한 역 충돌시간 및 차두시간 융합 기반 인간 중심 종방향 제어 알고리즘을 제안하였다. 선행차량과 함께 주행하는 실 주행데이터 기반 역 충돌시간 및 차두시간 그리고 가속도 분포를 분석하였다.
또한 운전자 주행특성에 따른 에코 지원시스템 및 구분 알고리즘 개발의 필요성을 확인할 수 있었으며 이를 위해 가속도와 같은 차량 상태정보를 이용하였다. 본 연구에서는 자율주행 자동차의 개인화를 위해 선행차량과 함께 주행하는 상황에서 운전자 주행특성으로 종방향 가속도, 역 충돌시간, 차두시간을 분석하였다. 분석된 결과를 기반으로 역 충돌시간 및 차두시간 기반 종방향 제어 알고리즘을 구성하였다.

제안 방법

구성된 제어 알고리즘은 사용되는 가속도 분포 기반 역 충돌시간 및 차두시간의 시간에 따른 변화율을 분석하고, 분석된 결과 기반 요구 역 충돌시간 및 차두시간을 추종하기 위한 차량의 요구 가속도를 역 충돌시간 – 차두시간 영역에서 도출한다.
기존 연구들을 살펴보면 운전자 주행특성을 분석하고, 분석된 결과를 기반으로 운전자 모델 개발 및 운전자 친화형 순항제어 알고리즘 개발이 대부분임을 확인할 수 있다. 또한 운전자 주행특성에 따른 에코 지원시스템 및 구분 알고리즘 개발의 필요성을 확인할 수 있었으며 이를 위해 가속도와 같은 차량 상태정보를 이용하였다. 본 연구에서는 자율주행 자동차의 개인화를 위해 선행차량과 함께 주행하는 상황에서 운전자 주행특성으로 종방향 가속도, 역 충돌시간, 차두시간을 분석하였다.
본 연구에서는 자율주행 자동차의 개인화를 위해 선행차량과 함께 주행하는 상황에서 운전자 주행특성으로 종방향 가속도, 역 충돌시간, 차두시간을 분석하였다. 분석된 결과를 기반으로 역 충돌시간 및 차두시간 기반 종방향 제어 알고리즘을 구성하였다. 구성된 제어 알고리즘은 사용되는 가속도 분포 기반 역 충돌시간 및 차두시간의 시간에 따른 변화율을 분석하고, 분석된 결과 기반 요구 역 충돌시간 및 차두시간을 추종하기 위한 차량의 요구 가속도를 역 충돌시간 – 차두시간 영역에서 도출한다.
본 논문에서는 자율주행 개인화를 위한 역 충돌시간 및 차두시간 융합 기반 인간 중심 종방향 제어 알고리즘을 제안하였다. 선행차량과 함께 주행하는 실 주행데이터 기반 역 충돌시간 및 차두시간 그리고 가속도 분포를 분석하였다. 인간 중심 제어를 위해 분석된 결과 기반 가속도 사용 영역 및 평균 역 충돌시간 그리고 차두시간을 제어 알고리즘에 반영하였다.
앞서 기술된 주행특성 분석 결과를 기반으로 각 운전자의 가속도 사용 영역 및 요구 역 충돌시간 그리고 차두시간을 제어기의 한계값 및 목표값으로 적용하였다. 성능평가를 위해 사용된 3차원 차량동역학 모델이 요구 가속도를 추종하기 위해 역 동역학 모델 기반 종방향 제어를 위한 스로틀 및 브레이크 입력을 도출하였다. Fig.
앞서 기술된 주행특성 분석 결과를 기반으로 각 운전자의 가속도 사용 영역 및 요구 역 충돌시간 그리고 차두시간을 제어기의 한계값 및 목표값으로 적용하였다. 성능평가를 위해 사용된 3차원 차량동역학 모델이 요구 가속도를 추종하기 위해 역 동역학 모델 기반 종방향 제어를 위한 스로틀 및 브레이크 입력을 도출하였다.
은 각각 요구 역 충돌시간 및 차두시간을 나타낸다. 요구 값을 추종하기 위해 역 충돌시간 및 차두시간 평면에서의 요구 기울기(desired gradient)를 정의하였으며, 정의된 평면에서 요구 기울기를 만족하기 위한 변화율 기반 종방향 요구 가속도(a_s,des)를 도출하였다. 다음 수식은 역 충돌시간 및 차두시간의 시간에 대한 변화율을 가속도(a_s)에 대해 표현한 것이다.
운전자 주행특성 반영을 위해 본 연구에서는 운전자가 사용하는 가속도 영역, 역 충돌시간의 평균값, 그리고 차두시간의 평균값을 이용하여 종방향 제어 알고리즘을 설계하였다.
인간 중심 제어를 위해 분석된 결과 기반 가속도 사용 영역 및 평균 역 충돌시간 그리고 차두시간을 제어 알고리즘에 반영하였다. 제어 알고리즘은 역 충돌시간-차두시간 평면에서 기울기 방법을 이용한 요구 가속도를 도출하도록 설계되었다. 차량 동역학 모델을 이용하여 성능평가를 수행하였으며, 제안된 알고리즘은 실 운전자의 주행특성을 잘 반영할 수 있었다.
총 세 명의 운전자에 대한 일반 주행도로에서 선행차량과 함께 주행하는 실 주행 데이터를 기반으로 종방향 가속도, 역 충돌시간, 차두시간을 주행특성으로 분석하였다. 운전자마다 다양한 속도 구간에서 주행하는 경우에 대해 분석하였으며, Table.

대상 데이터

제안된 제어 알고리즘의 합리적 성능평가를 위해 실 주행데이터와 3차원 차량 동역학 모델을 이용하였다. Fig.

데이터처리

박창우 외 2 명은 운전자 친화형 순항제어 알고리즘 개발을 위해 시뮬레이터 기반 운전자 주행 데이터 확보 및 분석을 수행하였다. 주행데이터를 안정영역과 과도영역으로 구분하였으며 개발된 알고리즘의 시뮬레이션 결과를 실 주행데이터와 비교하였다[1]. 김태우 외 4 명은 측정 및 예측 불확실성을 고려한 차량 안전영역 설정에 따른 교통약자 거동 예측 기반 강건 자동비상제동 알고리즘을 개발하였다[2].

성능/효과

구성된 제어 알고리즘은 사용되는 가속도 분포 기반 역 충돌시간 및 차두시간의 시간에 따른 변화율을 분석하고, 분석된 결과 기반 요구 역 충돌시간 및 차두시간을 추종하기 위한 차량의 요구 가속도를 역 충돌시간 – 차두시간 영역에서 도출한다. 본 연구에서 제안하는 알고리즘의 성능평가는 실 주행 데이터 기반 3차원 차량 동역학 모델을 이용하여 수행되었으며, 성능평가 결과 제안하는 제어 알고리즘은 주행특성을 합리적으로 반영할 수 있음을 확인할 수 있었다. 본 논문의 나머지 부분은 다음과 같이 구성되었다.
5 과 6 는 각 운전자의 T_h 분포를 보여준다. 실 주행데이터 분석 결과 종방향 가속도의 경우 세 명의 운전자 모두 0 에 가까운 평균값을 보이지만 사용하는 영역은 차이가 있었다. 역 충돌시간의 경우 평균 0, 사용하는 영역은 운전자에 따라 다른 값을 보였다.
제어 알고리즘은 역 충돌시간-차두시간 평면에서 기울기 방법을 이용한 요구 가속도를 도출하도록 설계되었다. 차량 동역학 모델을 이용하여 성능평가를 수행하였으며, 제안된 알고리즘은 실 운전자의 주행특성을 잘 반영할 수 있었다. 평가 결과 본 연구에서 제안하는 알고리즘은 운전자의 주행특성을 합리적으로 반영할 수 있는 구조이며, 실 운전자의 주행 데이터와 큰 차이를 보이지 않았다.
차량 동역학 모델을 이용하여 성능평가를 수행하였으며, 제안된 알고리즘은 실 운전자의 주행특성을 잘 반영할 수 있었다. 평가 결과 본 연구에서 제안하는 알고리즘은 운전자의 주행특성을 합리적으로 반영할 수 있는 구조이며, 실 운전자의 주행 데이터와 큰 차이를 보이지 않았다. (가속도의 경우 오차범위 ± 1, 역 충돌시간의 경우 ± 0.

후속연구

) 향후 자율주행 개인화 및 운전자 특성 기반 자율주행 제어권 전환의 판단 알고리즘으로의 적용이 가능할 것으로 예상한다. 향후 역 충돌시간과 차두시간의 확률적 분포를 반영한 인간 중심 제어 알고리즘의 고도화와 운전자 및 탑승자 감성의 실시간 학습을 통한 주행특성 반영 알고리즘의 개발 및 검증을 계획하고 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자율주행에 인간중심적 주행제어 기술이 필요한 이유는 무엇인가?	본 논문은 자율주행 개인화를 위한 역 충돌시간 및 차두시간 융합 기반 인간중심 제어 알고리즘 개발에 관한 것이다. 운전자 및 탑승자의 자율주행에 대한 이질감 최소화를 위해 인간중심적 주행제어 기술이 필요하다. 운전자가 선행차량과 함께 주행하는 조건에서 운전자의 주행특성을 분석하고, 분석된 결과를 종방향 자율주행 제어에 반영하였다.
	인간 중심 제어를 위해 제어 알고리즘에 반영한 내용은 무엇인가?	선행차량과 함께 주행하는 실 주행데이터 기반 역 충돌시간 및 차두시간 그리고 가속도 분포를 분석하였다. 인간 중심 제어를 위해 분석된 결과 기반 가속도 사용 영역 및 평균 역 충돌시간 그리고 차두시간을 제어 알고리즘에 반영하였다. 제어 알고리즘은 역 충돌시간-차두시간 평면에서 기울기 방법을 이용한 요구 가속도를 도출하도록 설계되었다.
	주행특성 분석을 위해 사용한 데이터는 무엇인가?	총 세 명의 운전자에 대한 일반 주행도로에서 선행차량과 함께 주행하는 실 주행 데이터를 기반으로 종방향 가속도, 역 충돌시간, 차두시간을 주행특성으로 분석하였다. 운전자마다 다양한 속도 구간에서 주행하는 경우에 대해 분석하였으며, Table.

참고문헌 (15)

C. W. Park, W. B. Na, H. C, Lee. (2018). Driver Friendly Adaptive Cruise Control by Driver Behavior. The Transaction of Korean Society of Automotive Engineers, 26(3), 416-425.
T. W. Kim, S. G. Heo, K. S, Yi. K. C, Min. J. K, Shin. (2018). Robust Autonomous Emergency Braking Algorithm for Vulnerable Road Users. The Transaction of Korean Society of Mechanical Engineers, 42(7), 611-619.
T. Y. Lee, K. Y. Yi, C. H. Jeong. (2011). Analysis of the Driver Characteristic for Development of the Stochastic Driver Model. Proceedings of Spring Conference, Korean Society of Mechanical Engineers, 161-167.
J. W. Son, M. O. Park, H. S. Oh J. E. Lee, T. Y. Lee, (2013). Age and Gender Difference in Fuel Efficiency on Highway Driving. Proceedings of Spring Conference, Korean Society of Automotive Engineers, 264-268.
K. S. Oh and K. Y. Yi, (2014). A predictive driver model with physical constraints for closed loop simulation of vehicle-driver system. 2014 IEEE 17th International Conference on Intelligent Transportation Systems, 3126-3131.
K. S. Oh, (2017). A RLS-based Convergent Algorithm or Driving Characteristic Classification for Personalized Autonomous Driving. Journal of the Korea Convergence Society, 8(9), 285-292.
C. S. Kim, Y. G. Jin, J. Y. Park, (2018). Exploring the influence of commuter's variable departure time in autonomous driving car operation. Journal of the Korea Convergence Society, 9(5), 7-14.
B. J. Song and H. J. Ahn, (2011). Development of the Logistics Network Diagnostic Assessments and Monitoring Service to promote Eco-driving Behaviors for Truck Drivers. Journal of the Korea Convergence Society, 2(4), 15-19.
J. M. Cho, S. K. Kim, K. S. Huh, (2015). Development of the Autonomous Emergency Braking System Considering Driver Steering Intervention. Proceedings of Spring Conference, Korean Society of Automotive Engineers, 401-404.
B. C. Jang, (2011). Driver Adapted MDPS Variable Base Current Control Strategy. Proceedings of Conference, Korean Society of Automotive Engineers, 1121-1124.
I. K. Moon and K. S. Yi, (2004). Human Drivers' Driving Pattern Analysis and An Adaptive Cruise Control Strategy. Transactions of KSAE, 12(4), 191-197.
C. W. Park, W. B. Na, H. C. Lee, (2018). Driver Friendly Adaptive Cruise Control by Driver Behavior. Transactions of KSAE, 26(3), 416-425.

상세보기
W. S. Lee and Y. S. Kim, (2006). Behavioral Adaptation to an Adaptive Cruise Control System. Transactions of KSAE, 14(6), 82-88.
H. J. Kim, H. J. Lim, J. H. Yang, (2016). Design and Evaluation of Alert Threshold for Takeover Request in Partial Autonomous Vehicles Considering Human Factors(1/2). Proceedings of Conference, Korean Society of Automotive Engineers, 1337.
T. W. Kim, S. G. Heo, K. S. Yi, J. K. Shin, K. C. Min, (2018). Robust Autonomous Emergency Braking Algorithm for Vulnerable Road Users. Transactions of KSME, 42(7), 611-619.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증