교통 데이터는 교통계획이나 교통시스템 운영에 필요한 기초 자료이며 최근 ADAS 카메라로 측정한 선행 차량과의 거리를 이용하여 교통류를 파악하는 방법이 시도되고 있다. 본 연구는 영상기반 차량인식의 거리오차를 반영한 미시적 시뮬레이션 분석을 통해 교통류를 추정하기 위한 ADAS 차량의 활용 가능성을 살펴보았다. 차로수, 교통수요, 프로브 차량의 점유율(MPR), 시공간 검지영역 등에 따른 교통류 추정치의 표준 평균 제곱근 오차를 통해 분석을 수행하였다. 분석결과, ADAS 카메라의 최대 인식거리의 한계로 저밀도 교통류(LOS A, LOS B)의 추정치는 신뢰할 수 없는 수준이다. 다차로나 교통수요가 크고 점유율(MPR)이 높을 경우 추정치의 신뢰성이 개선될 수 있지만, 인위적으로 점유율(MPR)을 높이는 것은 현실적으로 어려움이 있다. 또한, 검지영역의 시간범위를 연장함으로써 추정치의 신뢰성을 개선할 수 있지만, 가장 크게 영향을 미치는 것은 ADAS 차량의 주행행태로서 해당 차량이 도로의 교통류와 상이한 주행행태를 보일 경우 그 추정치는 신뢰할 수 없게 된다. 결론적으로 모든 교통류를 정확히 추정하지는 못 하지만 ADAS 카메라의 성능이나 기능을 개선함으로써 ADAS 차량의 활용 가능성은 확대될 것이다.
교통 데이터는 교통계획이나 교통시스템 운영에 필요한 기초 자료이며 최근 ADAS 카메라로 측정한 선행 차량과의 거리를 이용하여 교통류를 파악하는 방법이 시도되고 있다. 본 연구는 영상기반 차량인식의 거리오차를 반영한 미시적 시뮬레이션 분석을 통해 교통류를 추정하기 위한 ADAS 차량의 활용 가능성을 살펴보았다. 차로수, 교통수요, 프로브 차량의 점유율(MPR), 시공간 검지영역 등에 따른 교통류 추정치의 표준 평균 제곱근 오차를 통해 분석을 수행하였다. 분석결과, ADAS 카메라의 최대 인식거리의 한계로 저밀도 교통류(LOS A, LOS B)의 추정치는 신뢰할 수 없는 수준이다. 다차로나 교통수요가 크고 점유율(MPR)이 높을 경우 추정치의 신뢰성이 개선될 수 있지만, 인위적으로 점유율(MPR)을 높이는 것은 현실적으로 어려움이 있다. 또한, 검지영역의 시간범위를 연장함으로써 추정치의 신뢰성을 개선할 수 있지만, 가장 크게 영향을 미치는 것은 ADAS 차량의 주행행태로서 해당 차량이 도로의 교통류와 상이한 주행행태를 보일 경우 그 추정치는 신뢰할 수 없게 된다. 결론적으로 모든 교통류를 정확히 추정하지는 못 하지만 ADAS 카메라의 성능이나 기능을 개선함으로써 ADAS 차량의 활용 가능성은 확대될 것이다.
Traffic data is the most basic element necessary for transportation planning and traffic system operation. Recently, a method of estimating traffic flow characteristics using distance to a leading vehicle measured by an ADAS camera has been attempted. This study investigated the feasibility of the A...
Traffic data is the most basic element necessary for transportation planning and traffic system operation. Recently, a method of estimating traffic flow characteristics using distance to a leading vehicle measured by an ADAS camera has been attempted. This study investigated the feasibility of the ADAS vehicle reflecting the distance error of image-based vehicle identification technology as a means to estimate the traffic flow through the normalized root mean square error (NRMSE) based on the number of lanes, traffic demand, penetration rate of probe vehicle, and time-space estimation area by employing the microscopic simulation model, VISSIM. As a result, the estimate of low density traffic flow (i.e., LOS A, LOS B) is unreliable due to the limitation of the maximum identification distance of ADAS camera. Although the reliability of the estimates can be improved if multiple lanes, high traffic demands, and high penetration rates are implemented, artificially raising the penetration rates is unrealistic. Their reliability can be improved by extending the time dimension of the estimation area as well, but the most influential one is the driving behavior of the ADAS vehicle. In conclusion, although it is not possible to accurately estimate the traffic flow with the ADAS camera, its applicability will be expanded by improving its performance and functions.
Traffic data is the most basic element necessary for transportation planning and traffic system operation. Recently, a method of estimating traffic flow characteristics using distance to a leading vehicle measured by an ADAS camera has been attempted. This study investigated the feasibility of the ADAS vehicle reflecting the distance error of image-based vehicle identification technology as a means to estimate the traffic flow through the normalized root mean square error (NRMSE) based on the number of lanes, traffic demand, penetration rate of probe vehicle, and time-space estimation area by employing the microscopic simulation model, VISSIM. As a result, the estimate of low density traffic flow (i.e., LOS A, LOS B) is unreliable due to the limitation of the maximum identification distance of ADAS camera. Although the reliability of the estimates can be improved if multiple lanes, high traffic demands, and high penetration rates are implemented, artificially raising the penetration rates is unrealistic. Their reliability can be improved by extending the time dimension of the estimation area as well, but the most influential one is the driving behavior of the ADAS vehicle. In conclusion, although it is not possible to accurately estimate the traffic flow with the ADAS camera, its applicability will be expanded by improving its performance and functions.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 2019년도 정부(국토교통부)의 재원으로 국토교통과학기술진흥원의 지원을 받아 수행한 연구입 니다. (18TLRP-B148386-01) 본 논문은 2019년 4월 19일 제주한라대학교에서 개최된 한국ITS학회 춘계학술대회에서 우수논문상을 받은 논문을 수정·보완하여 작성하였습니다.
본 연구에서는 차량 주행동선의 추적과 ADAS 카메라로 관측한 선행 차량과의 거리를 이용하여 교통류 이론에 근거한 연속류 도로의 교통류(속도, 밀도, 교통량)를 추정하는 방식을 소개하고 있다. 영상기반 차량 인식에 대한 이론적 거리오차와 실험적 거리오차를 분석한 후, 선행 차량의 거리 측정 시에 적용하여 좀 더현실적인 추정 값을 도출하고 있다.
본 연구와 기존 연구들과의 가장 큰 차이점은 ADAS 차량에 대한 연구의 관점을 교통안전이 아닌 새로운 교통 데이터 수집체계로 이해하고 이에 대한 평가를 수행한다는 것이다.
영상기반 차량 인식에 대한 이론적 거리오차와 실험적 거리오차를 분석한 후, 선행 차량의 거리 측정 시에 적용하여 좀 더현실적인 추정 값을 도출하고 있다. 본 연구의 목적은 차로수나 교통량과 같은 교통관련 파라미터와 ADAS 차량의 점유율(Market Penetration Rate, MPR), 검지영역의 시공간 범위 등 다양한 파라미터에 따른 추정치의 오차를 분석함으로써 연속류 도로의 교통류 추정을 위한 ADAS 차량의 활용 가능성을 살펴보고 오차가 최소화되는 운영방식을 제시하는 것이다.
한국에서 ADAS 차량의 보급률이 증가함에 따라 교통류를 추정하기 위한 수단으로서 그 활용 가능성이 확대될 것으로 판단되지만, 본 연구의 결과에서 알 수 있는 바와 같이 극복해야할 한계점들이 존재한다. 이러한 문제점들을 해결위기 위한 대안으로는 ADAS 카메라의 성능 향상을 통해 최대 인식거리를 늘리거나 후방카메라나 측면차로의 차량들을 인식할 수 있는 기능을 보완하여 낮은 점유율(MPR)에서도 충분한 데이 터를 수집함으로써 교통류 추정치의 신뢰성을 개선하는 것이다.
가설 설정
교통류 이론을 이용한 밀도 추정 방식은 교통량과 속도의 관계식을 통해 밀도를 계산하는 것으로 그룹 내차량 속도는 일정하다고 가정한다. 그러나 실제 도로에서는 차량의 속도가 일정하지 않아 오차 발생 가능성이 존재하며, 차량 그룹의 속도 분산이 클수록 오차도 크게 나타나는 문제점이 있다(May, 1990).
제안 방법
국토교통부의 “자동차 및 자동차부품의 성능과 기준에 관한 규칙”에서 정의하고 있는 ADAS 차량의 FCW 및 AEB 성능기준에 의하면 ADAS 차량과 선행 차량과의 충돌발생예상시간(Time-to-Collision, TTC)이 3초 이하일 경우 AEB 기능이 작동되어야 한다(Ministry of Land, Infrastructure and Transport, 2019). FCW는 TTC가 3초보다 클 경우에 작동되어야 하므로 TTC를 4초로 정의하고 차량주행속도 100kph를 고려할때 선행 차량과 약 111m 거리에서 FCW 기능이 작동되어야하지만, 본 연구에서는 120m를 ADAS 카메라의 최대 인식가능거리로 설정하고 시뮬레이션 분석을 수행하였다.
연속류 교통류 추정에 대한 신뢰성에 영향을 미치는 일차적인 파라미터는 차로수(1~3차로), 교통수요(LOS A~F), ADAS 차량의 점유율(MPR)(5%씩 증가하며 5~50%)과 시공간 검지영역의 범위(60초씩 증가하며 60~600초, 100m씩 증가하며 100~1,000m)이며, 이를 고려하여 18,000개의 시나리오에 대한 분석을 실시하였다. 개별 시나리오에 대하여 ADAS 차량 점유율(MPR) 기준에 해당하는 프로브 차량을 30회씩 무작위 정의 함으로써 총 540,000번의 시뮬레이션을 구동하였고, 이를 통해 취득한 속도, 밀도, 교통량의 추정 값을 분석에 사용하였다.
속도는 검지영역 내 프로브 차량의 진출입 시점과 주행거리를 통해 추정되어 해당 구간의 참값과 유사한 매우 안정적인 추정으로 판명되었다. 또한 Equation (9)에서 제시한 바와 같이 속도의 안정적인 추정으로 교통량의 NRMSE와 밀도의 NRMSE가 같은 값을 갖게 되므로 밀도의 NRMSE만을 이용하여 분석하였다.
본 연구에서는 선행연구와는 달리 ADAS 카메라의 영상기반 차량인식 기법에 대한 이론적 거리오차와 현장 실험 거리오차를 분석한 후, 미시적 시뮬레이션 모델(VISSIM)에 반영함으로써 좀 더 현실적인 추정결과를 도출하고 있다. 또한 차로수, 교통수요, ADAS 차량 점유율(MPR), 검지영역의 시공간 범위를 고려하여 18,000개의 시나리오에 대한 분석을 실시하였다. 시나리오별 30회 무작위로 프로브 차량을 정의함으로써 540,000번의 시뮬레이션을 구동하여 교통량, 밀도, 속도에 대한 NRMSE를 통해 ADAS 카메라를 이용한 교통류의 추정에 대한 평가를 실시하였다.
ADAS 카메라의 이론적 거리오차 산정과 더불어 2019년 7월 4일 충청남도 천안시에 위치한 자동차부품연구원 실험도로에서 ADAS 카메라의 거리인식 성능평가를 위한 차량 주행실험을 실시하였다. 레이다와 ADAS 카메라 장비를 장착한 실험차량이 일정한 속도로 주행 중인 피실험차량을 향하여 고속으로 접근하는 방식으로 진행되었으며, 동일한 과정을 40회 반복함으로써 실제거리(레이다 관측 거리)와 ADAS 카메라의 거리오차를 분석하였다. 주행실험에서 실험차량과 피실험차량의 최대거리는 100m로 설정하였다.
본 연구는 좀 더 현실적인 분석 결과의 도출을 위하여 미시적 시뮬레이션 모델을 통해 10m 간격으로 정의된 이론적 평균 거리오차를 최대 거리오차로 정의한 후 시뮬레이션 단위시간마다 ADAS 차량과 선행 차량과의 차두거리에 반영하였다.
결과적으로 고정오차를 구성하는 이산화오차(discretization error)(Equation (13))와 보정오차(calibration error)(Equation (14))는 선행차량의 거리(Equation (12))와 직접적인 관계를 가지는 것을 알 수 있다(PLK, 2017). 본 연구에서는 고정오차(static error) 추정에 사용되는 파라미터의 보편적인 값을 이용하여 선행차량의 거리에 따른 이론적 거리오차를 계산하였다.
본 연구에서는 선행연구와는 달리 ADAS 카메라의 영상기반 차량인식 기법에 대한 이론적 거리오차와 현장 실험 거리오차를 분석한 후, 미시적 시뮬레이션 모델(VISSIM)에 반영함으로써 좀 더 현실적인 추정결과를 도출하고 있다. 또한 차로수, 교통수요, ADAS 차량 점유율(MPR), 검지영역의 시공간 범위를 고려하여 18,000개의 시나리오에 대한 분석을 실시하였다.
또한 차로수, 교통수요, ADAS 차량 점유율(MPR), 검지영역의 시공간 범위를 고려하여 18,000개의 시나리오에 대한 분석을 실시하였다. 시나리오별 30회 무작위로 프로브 차량을 정의함으로써 540,000번의 시뮬레이션을 구동하여 교통량, 밀도, 속도에 대한 NRMSE를 통해 ADAS 카메라를 이용한 교통류의 추정에 대한 평가를 실시하였다.
대상 데이터
ADAS 카메라의 이론적 거리오차 산정과 더불어 2019년 7월 4일 충청남도 천안시에 위치한 자동차부품연구원 실험도로에서 ADAS 카메라의 거리인식 성능평가를 위한 차량 주행실험을 실시하였다. 레이다와 ADAS 카메라 장비를 장착한 실험차량이 일정한 속도로 주행 중인 피실험차량을 향하여 고속으로 접근하는 방식으로 진행되었으며, 동일한 과정을 40회 반복함으로써 실제거리(레이다 관측 거리)와 ADAS 카메라의 거리오차를 분석하였다.
데이터처리
ADAS 카메라를 통한 교통류 추정의 신뢰성은 표준 평균 제곱근 편차(Normalized Root Mean Square Error, NRMSE)를 이용하여 평가하였다. NRMSE는 단위가 다른 집단 간 오차를 표준화하여 평가하기 위한 방법으로 교통량, 밀도, 속도와 같이 동일한 시나리오에 대한 서로 다른 추정치를 해석하기 위해 사용하고 있다.
NRMSE는 단위가 다른 집단 간 오차를 표준화하여 평가하기 위한 방법으로 교통량, 밀도, 속도와 같이 동일한 시나리오에 대한 서로 다른 추정치를 해석하기 위해 사용하고 있다. 개별 시나리오에 대한 교통류의 참값은 VISSIM 시뮬레이션 모델의 link evaluation 값을 통해서 확보하였다.
이론/모형
본 연구는 ADAS 카메라를 통한 선행 차량의 위치 및 거리를 산정하기 위하여 개별차량들의 위치와 이동 경로 등의 추적이 가능한 미시적 시뮬레이션 모델(VISSIM)을 활용하고 있다.
성능/효과
3]은 0m에서 최대 인식거리 120m까지 10m 간격으로 산출된 이론적 평균 거리오차와 실험적 평균 거리오차를 비교하고 현장실험 거리오차의 분포를 나타내고 있다. 80m 이상의 거리에서는 현장실험을 통한 거리오차가 이론적 거리오차보다 크게 나타나고 그 이하 30m까지는 반대의 결과를 보이지만 서로 유사한 경향을 보였다. 특히 30m 이하의 거리에서 현장실험 거리오차의 편차가 크게 발생하는 이유는 실험차량이 피실험차량을 향해 고속으로 접근하는 상황에서 차량 속도를 줄이지 않고 차선을 변경하는 방식으로 실험을 수행하였기 때문이다.
참 값 밀도와 밀도 추정치의 오차 대부분은 정확한 밀도 추정에 요구되는 차두거리보다 더 짧은 거리를 유지하면서 주행하는 차량들로 인해 발생하는 것으로 파악되었다. LOS E와 점유율(MPR) 15%부터 비로소 밀도 추정치의 오차범위가 30% 이내로 진입하기 시작하였으며 LOS F에서는 오차범위가 10~20% 수준으로 상대적으로 신뢰성 높은 밀도 추정이 가능하다.
개별 시나리오별로 점유율(MPR)에 대해서 30회 무작위로 프로브 차량을 발생시켜 일반화된 밀도 추정 값의 평가 결과를 도출하고자 하였지만, 해당 교통류에 부합하지 않는 차량들이 프로브 차량으로 반복 선정되게 되면 추정 값의 신뢰성을 훼손하게 되며 점유율(MPR)을 증가시키거나 시공간적으로 검지영역을 확대하 더라도 개선되지 않는 것으로 나타났다.
결론적으로 ADAS 카메라의 최대 인식거리의 한계로 인해 저밀도 교통류 즉 LOS A나 LOS B에서의 밀도 추정치는 신뢰할 수 없다. 다차로이거나 교통수요가 크고 점유율(MPR)이 높은 경우 추정치의 신뢰성이 개선 되지만 인위적으로 점유율(MPR)을 높이는 것은 현실적으로 어려움이 있다.
분석결과에 의하면 ADAS 카메라의 최대 인식거리의 한계로 인해 차로별 LOS A에 해당하는 저밀도 교통 류의 추정이 여의치 않으며 LOS E나 LOS F를 제외하고 다른 교통수요에서도 선행 차량과 근접해서 주행하는 차량이 검지영역을 통과할 경우 그 추정 값의 신뢰성이 상대적으로 낮은 것으로 분석되었다. 이러한 문제 점은 점유율(MPR)을 증가시킴으로써 어느 정도 완화할 수 있다.
속도는 검지영역 내 프로브 차량의 진출입 시점과 주행거리를 통해 추정되어 해당 구간의 참값과 유사한 매우 안정적인 추정으로 판명되었다. 또한 Equation (9)에서 제시한 바와 같이 속도의 안정적인 추정으로 교통량의 NRMSE와 밀도의 NRMSE가 같은 값을 갖게 되므로 밀도의 NRMSE만을 이용하여 분석하였다.
시공간 범위의 변화에 따른 신뢰성 개선은 LOS E와 LOS F의 결과에서 알 수 있는 바와 같이 공간범위의 증가보다는 시간범위의 증가가 오차를 더 효과적으로 개선하는 것을 알 수 있으며 이것은 1차로와 2차로의 결과와 동일하다. 하지만 LOS C 수준의 모든 점유율(MPR)에서 긴 구간 그리고 장시간의 추정범위에 대해 지속적으로 30%대의 오차 범위를 보이는 이유는 3차로 LOS C에서 선행 차량과 근접해서 주행하는 차량들이 상대적으로 많았으며 점유율(MPR)이 증가함에도 불구하고 지속적으로 이 차량들이 프로브 차량으로 정의되었고 시간범위나 공간범위가 늘어날수록 주행거리가 증가하여 지속적으로 30% 이상의 오차범위를 보이기 때문이다.
시뮬레이션 모델을 활용하여 AEB 시스템의 효과를 분석한 연구 결과, 선행 차량과의 충돌 발생 건수가 38% 감소하고 사망 확률도 44% 감소하는 것으로 나타났으며, 차간거리가 15m인 범위 내에서 전방의 끼어들기 차량에 대한 충돌을 방지할 수 있음을 확인하였다(Sugimoto and Sauer, 2005; Lee et al., 2011). 하지만 전방에서 접근하는 좌회전 차량의 위치와 속도의 파악이 어려워 AEB 역할을 수행하지 못 하는 경우도 나타났다(Tak et al.
후속연구
본 연구에서는 향후 ADAS 카메라의 기능과 성능향상을 고려한 교통류 추정치의 신뢰성 분석을 수행하며 ADAS 카메라를 이용한 단속류 교통류 추정에 대한 연구와 커넥티드 차량(Connected Vehicles) 환경에서 교통류 추정에 관한 연구까지 확대할 예정이다.
(2015)의 연구에서는 ADAS 차량과 선행 차량과의 거리오차에 대한 이해가 고려되지 않았으며, 서비스수준별 교통량이나 ADAS 차량의 점유율(MPR) 변화에 대한 평가가 충분하지 못 하였다. 하지만 본 연구는 ADAS 카메라의 영상기반 차량인식 기법에 대한 이론적 거리오차와 현장실험에 의해 도출된 거리오차를 분석한 후 미시적 시뮬레이션 모델(VISSIM)에 반영함으로써 좀 더 현실적인 추정결과를 도출하고 있다.
한국에서 ADAS 차량의 보급률이 증가함에 따라 교통류를 추정하기 위한 수단으로서 그 활용 가능성이 확대될 것으로 판단되지만, 본 연구의 결과에서 알 수 있는 바와 같이 극복해야할 한계점들이 존재한다. 이러한 문제점들을 해결위기 위한 대안으로는 ADAS 카메라의 성능 향상을 통해 최대 인식거리를 늘리거나 후방카메라나 측면차로의 차량들을 인식할 수 있는 기능을 보완하여 낮은 점유율(MPR)에서도 충분한 데이 터를 수집함으로써 교통류 추정치의 신뢰성을 개선하는 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
ADAS 장치의 목적은 무엇인가?
ADAS 장치는 궁극적으로 주변차량과 형성되는 돌발상황에서 운전자의 반응을 유도하는 경보를 발생시키 거나 차량이 스스로 대응하게 함으로써 운전자의 안전을 확보하는 목적이 있다(Heijden and Marchau, 2005). 이러한 교통안전성에 대한 ADAS 장치의 효과분석은 위험한 교통상황을 재현하는 것을 대신하는 시뮬레이션 기법에 의존하고 있다.
교통류 이론을 활용한 밀도추적 방식의 한계는?
교통류 이론을 이용한 밀도 추정 방식은 교통량과 속도의 관계식을 통해 밀도를 계산하는 것으로 그룹 내차량 속도는 일정하다고 가정한다. 그러나 실제 도로에서는 차량의 속도가 일정하지 않아 오차 발생 가능성이 존재하며, 차량 그룹의 속도 분산이 클수록 오차도 크게 나타나는 문제점이 있다(May, 1990).
교통 데이터는 무엇인가?
교통 데이터는 교통계획이나 교통시스템 운영에 필요한 기초 자료이며 최근 ADAS 카메라로 측정한 선행 차량과의 거리를 이용하여 교통류를 파악하는 방법이 시도되고 있다. 본 연구는 영상기반 차량인식의 거리오차를 반영한 미시적 시뮬레이션 분석을 통해 교통류를 추정하기 위한 ADAS 차량의 활용 가능성을 살펴보았다.
참고문헌 (24)
Do C.(1989), Principle of Transportation Engineering, Cheongmoongak, pp.57-58.
Edie L. C.(1963), "Discussion of Traffic Stream Measurements and Definitions," Proceedings of the 2nd International Symposium on the Theory of Traffic Flow, London, U.K., pp.139-154.
Gerlough D. L. and Huber M. J.(1975), "Traffic Flow Theory A Monograph," Transportation Research Board, Special Report 165, pp.8-13.
Han E., Kim S. B., Rho J. H. and Yun I.(2016), "Comparison of the Methodologies for Calculating Expressway Space Mean Speed Using Vehicular Trajectory Information from a Radar Detector," Journal of Korea Institute of Intelligent Transportation Systems, vol. 15, no. 3, pp.34-44.
Heijden R. and Marchau V.(2005), "Editorial: Advanced Driver Assistance Systems: Behavioural Implications of Some Recent Developments," European Journal of Transport and Infrastructure Research, vol. 5, no. 4, pp.239-252.
Jeon Y. Y. and Dae M.(2009), "Influence on Driver Behavior According to Providing Collision Avoidance Information on Highway," Journal of Korean Society of Transportation, vol. 27, no. 4, pp.137-143.
Jeong E. B.(2013), "Methodology for Estimating Safety Benefits of Advanced Driver Assistant Systems," The Journal of The Korea Institute of Intelligent Transport Systems, vol. 12, no. 3, pp.65-77.
Kawasaki Y., Seo T., Kusakabe T. and Asakura Y.(2017), "Fundamental Diagram Estimation Using GPS Trajectories of Probe Vehicles," 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), Yokohama, Japan.
Khan S. M., Dey K. C. and Chowdhury M.(2017), "Real-Time Traffic State Estimation with Connected Vehicles," IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 7, pp.1687-1699.
Korea Ministry of Government Legislation(2017), Article 30 of the Enforcement Rules of the Traffic Safety Act.
Lee T. Y., Yi K. S. and Lee J. W.(2011), "Development of Safety-index for Evaluations of Advanced Emergency Braking System," Proceedings of The Korean Society of Automotive Engineers, vol. 2011, no. 5, pp.1591-1596.
Lv Y., Duan Y., Kang W., Li Z. and Wang F.(2015), "Traffic Flow Prediction with Big Data: a Deep Learning Approach," IEEE Transactions on Intelligent Transportation Systems, vol. 16, no. 2, pp.865-873.
May A. D.(1990), Traffic Flow Fundamentals, Prentice Hall, pp.127-130.
Ministry of Land, Infrastructure and Transport(2019), Announcement No. 2019-1200.
Ministry of Land, Infrastructure and Transport, http://www.molit.go.kr/USR/law/m_46/dtl.jsp?r_id6323, 2019.10.01.
Page Y., Hermitte T., Chauval C., Elslande P. V., Hill J., Kirk A. and Hautzinger H.(2009), "Reconsidering Accident Causation Analysis and Evaluating the Safety Benefits of Technologies: Final Results of the TRACE Project," Proceedings of the 21st International Technical Conference on the Enhanced Safety of Vehicles(ESV), Paper No. 09-0148, Stuttgart, Germany.
PLK(2017), Development of Technology for Developing AEB System based on Monocular Camera, KIAT(Korea Institute for Advancement of Technology).
Seo T. and Kusakabe T.(2015), "Probe Vehicle-based Traffic State Estimation Method with Spacing Information and Conservation Law," Transportation Research Part C: Emerging Technologies, vol. 59, pp.391-403.
Seo T., Kusakabe T. and Asakura Y.(2015), "Estimation of Flow and Density Using Probe Vehicles with Spacing Measurement Equipment," Transportation Research Part C: Emerging Technologies, vol. 53, pp.134-150.
Seo T., Kusakabe T. and Asakura Y.(2015), "Traffic State Estimation with the Advanced Probe Vehicles Using Data Assimilation," 2015 IEEE 18th International Conference on Intelligent Transportation Systems (ITSC), Las Palmas, Spain.
Sugimoto Y. and Sauer C.(2005), "Effectiveness Estimation Method for Advanced Driver Assistance System and its Application to Collision Mitigation Brake System," Proceedings of 19th International Technical Conference on the Enhanced Safety of Vehicles(ESV), Washington D.C., U.S., Paper No. 05-0148-O.
Tak S. H., Yu H. P. and Yeo H. S.(2017), "A Study on the Intersection Accident Defense Performance of Automatic Emergency Braking System Based on Major Accidents Scenarios," Proceedings of The Korea Institute of Intelligent Transport Systems, vol. 2017, no. 10, pp.135-140.
Zhao Y., Zheng J., Wong W., Wang X., Meng Y. and Liu H. X.(2019), "Various Methods for Queue Length and Traffic Volume Estimation Using Probe Vehicle Trajectories," Transportation Research Part C: Emerging Technologies, vol. 107, pp.70-91.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.