현재 자율주행 차량 시장은 3레벨 자율주행 차량의 상용화를 넘어 4레벨 자율주행 차량을 연구, 개발하고 있다. 4레벨 자율주행 차량에서 가장 주목되는 부분은 차량의 안정성이다. 3레벨과 다르게 4레벨의 자율주행 차량은 긴급상황을 차량이 직접 대처해야 하기 때문이다. 본 논문에서는 긴급상황에서의 즉각적인 반응보다는 차량의 목적지가 정해진 순간 사고 가능성이 가장 낮은 경로를 결정하는 Optimized Vehicle Routing System (OVRS)을 제안한다. OVRS는 RSU 통신으로 수집한 도로와 주변 차량 정보를 분석하여 도로의 위험성을 예측하여 주행 중인 차량이 더 안전하고 빠른 길로 주행할 수 있도록 경로를 설정한다. OVRS는 네트워크 라우팅 방식처럼 도로에 있는 RSU를 통하여 도로 상황에 따른 경로 안내를 실행하기 때문에 차량의 안정성을 더욱 높일 수 있다. 실험 결과, OVRS모듈 중 하나인 ASICM의 RPNN은 CNN보다 약 17%, LSTM보다 약 40% 더 좋은 연산 시간을 보였다. 그러나 해당 연구가 PC를 이용한 가상환경에서 실행되었기 때문에, VPDM의 사고 가능성을 실제로 검증하지 못했다. 따라서 향후 사고 데이터 수집으로 인한 VPDM의 정확도 높은 실험과 실제 차량 및 RSU에서 실제 도로를 대상으로 한 실험이 진행되어야 한다.
현재 자율주행 차량 시장은 3레벨 자율주행 차량의 상용화를 넘어 4레벨 자율주행 차량을 연구, 개발하고 있다. 4레벨 자율주행 차량에서 가장 주목되는 부분은 차량의 안정성이다. 3레벨과 다르게 4레벨의 자율주행 차량은 긴급상황을 차량이 직접 대처해야 하기 때문이다. 본 논문에서는 긴급상황에서의 즉각적인 반응보다는 차량의 목적지가 정해진 순간 사고 가능성이 가장 낮은 경로를 결정하는 Optimized Vehicle Routing System (OVRS)을 제안한다. OVRS는 RSU 통신으로 수집한 도로와 주변 차량 정보를 분석하여 도로의 위험성을 예측하여 주행 중인 차량이 더 안전하고 빠른 길로 주행할 수 있도록 경로를 설정한다. OVRS는 네트워크 라우팅 방식처럼 도로에 있는 RSU를 통하여 도로 상황에 따른 경로 안내를 실행하기 때문에 차량의 안정성을 더욱 높일 수 있다. 실험 결과, OVRS모듈 중 하나인 ASICM의 RPNN은 CNN보다 약 17%, LSTM보다 약 40% 더 좋은 연산 시간을 보였다. 그러나 해당 연구가 PC를 이용한 가상환경에서 실행되었기 때문에, VPDM의 사고 가능성을 실제로 검증하지 못했다. 따라서 향후 사고 데이터 수집으로 인한 VPDM의 정확도 높은 실험과 실제 차량 및 RSU에서 실제 도로를 대상으로 한 실험이 진행되어야 한다.
Currently, The autonomous vehicle market is researching and developing four-level autonomous vehicles beyond the commercialization of three-level autonomous vehicles. Because unlike the level 3, the level 4 autonomous vehicle has to deal with an emergency directly, the most important aspect of a fou...
Currently, The autonomous vehicle market is researching and developing four-level autonomous vehicles beyond the commercialization of three-level autonomous vehicles. Because unlike the level 3, the level 4 autonomous vehicle has to deal with an emergency directly, the most important aspect of a four-level autonomous vehicle is its stability. In this paper, we propose an Optimized Vehicle Routing System (OVRS) that determines the route with the lowest probability of an accident at the destination of the vehicle rather than an immediate response in an emergency. The OVRS analyzes road and surrounding vehicle information collected by The RSU communication to predict road hazards, and sets the route for the safer and faster road. The OVRS can improve the stability of the vehicle by executing the route guidance according to the road situation through the RSU on the road like the network routing method. As a result, the RPNN of the ASICM, one of the OVRS modules, was about 17% better than the CNN and 40% better than the LSTM. However, because the study was conducted in a virtual environment using a PC, the possibility of accident of the VPDM was not actually verified. Therefore, in the future, experiments with high accuracy on VPDM due to the collection of accident data and actual roads should be conducted in real vehicles and RSUs.
Currently, The autonomous vehicle market is researching and developing four-level autonomous vehicles beyond the commercialization of three-level autonomous vehicles. Because unlike the level 3, the level 4 autonomous vehicle has to deal with an emergency directly, the most important aspect of a four-level autonomous vehicle is its stability. In this paper, we propose an Optimized Vehicle Routing System (OVRS) that determines the route with the lowest probability of an accident at the destination of the vehicle rather than an immediate response in an emergency. The OVRS analyzes road and surrounding vehicle information collected by The RSU communication to predict road hazards, and sets the route for the safer and faster road. The OVRS can improve the stability of the vehicle by executing the route guidance according to the road situation through the RSU on the road like the network routing method. As a result, the RPNN of the ASICM, one of the OVRS modules, was about 17% better than the CNN and 40% better than the LSTM. However, because the study was conducted in a virtual environment using a PC, the possibility of accident of the VPDM was not actually verified. Therefore, in the future, experiments with high accuracy on VPDM due to the collection of accident data and actual roads should be conducted in real vehicles and RSUs.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
RSU에서 빠르게 이동하는 OBU로 데이터를 전송할 경우 RSU에서 데이터를 전달할 수 있는 시간은 OBU의 속도에 의하여 결정되기 때문에, 데이터의 최대 정보량은 시간에 따라 변하는 차량의 속도에 결정되는 특징이 있다. 따라서, 해당 연구에서는 OBU의 속도에 맞추어 최대의 정보량으로 전송하면서 데이터 디코딩 에러율을 감소시키기 위하여 회귀 분석 모델을 이용한 SNC 시스템을 제안하였고 실제로 수집된 교통 데이터를 이용하여 성능을 확인하였다 [7].
차량의 안정성을 높이기 위해서 기존 연구는 차량 내부를 진단[1]하거나 주행 중 실시간으로 도로의 사고 가능성을 예측하거나 [2], 제한된 조건에서 보행자의 급격한 움직임을 피한다 [3]. 본 논문에서는 긴급상황에서의 즉각적인 반응보다는 차량의 목적지가 정해진 순간 사고 가능성이 가장 낮은 경로를 결정하는 Optimized Vehicle Routing System (OVRS)을 제안한다. OVRS는 RSU(Road Side Unit) 통신으로 수집한 도로와 주변 차량 정보를 분석하여 도로의 위험성을 예측하여 주행 중인 차량이 더 안전하고 빠른 길로 주행할 수 있도록 경로를 설정한다.
본 논문에서는 긴급상황에서의 즉각적인 반응보다는 차량의 목적지가 정해진 순간 사고 가능성이 가장 낮은 경로를 결정하는 Optimized Vehicle Routing System (OVRS)을 제안했다. OVRS는 세 가지 모듈로 구성된다.
본 논문은 OVRS의 유효성을 판단하기 위하여 가상환경의 기상데이터를 사용하여 ASICM와 VPDM에 대한 실험을 진행한다. ASICM의 경우 실시간성을 검증하기 위하여 다른 딥러닝 모델을 학습시키고 RSU에서 도로를 기반으로 사고 가능성을 예측했을 때 RPNN과 다른 딥러닝 모델의 연산 시간을 측정한다.
제안 방법
RSU는 도로의 사고 가능성을 예측하기 위해 DNN을 기반으로 Risk Prediction Neural Network(RPNN)을 설계한다. RPNN을 사용하기 위하여RPNN의 입력과 출력, 히든레이어를 정의하여 신경망 모델의 구조를 설계하고, 설계된 신경망 모델의 계산을 위하여 활성화 함수, 학습률, 초기 연결 강도와 학습 방법을 설정해야 한다.
강원도립대학교에서는 도심 환경에서 통신두절 예방을 위한 RRPS(Priority Scheduling and Multi Path Routing Protocol)를 제안한다. RRPS는 밀집도에 따라 통신의 두절이 빈번하게 일어나는 도심 환경의 V2I 및 V2V 통신두절을 최소화하기 위하여, RSU의 관리 영역인 Start Line, End Line을 이용하여 End Line에 도달하기 전에 요청 메시지에 대한 우선순위를 적용하여 우선순위가 제일 높은 요청데이터를 먼저 처리할 수 있도록 하는 RRPS(RSU Request Priority Scheduling)알고리즘을 설계를 제안한다. 결과적으로 해당 연구에서 제안하는 RRPS는 RSU내에 정보를 요청한 차량의 메시지에 대하여 우선순위 스케줄링을 적용하여 V2I의 처리효율을 향상하고, 통신 두절을 예방하여 전송 성공확률을 향상하는 효과가 있다 [6].
RSU는 도로의 사고 가능성을 예측하기 위해 DNN을 기반으로 Risk Prediction Neural Network(RPNN)을 설계한다. RPNN을 사용하기 위하여RPNN의 입력과 출력, 히든레이어를 정의하여 신경망 모델의 구조를 설계하고, 설계된 신경망 모델의 계산을 위하여 활성화 함수, 학습률, 초기 연결 강도와 학습 방법을 설정해야 한다.
공주대학교에서는 데이터 전달에 참여하는 RSU의 수와 연속적인 데이터의 전달에 따른 RSU들의 에너지의 변화 양상을 확인할 방법을 제시하며 이를 실제 분석하였다. 수치적 분석의 결과로 확률 기반의 데이터 전달 방법은 기존의 방법에 비하여 상대적으로 적은 수의 RSU가 데이터 전달에 참여하며 이에 따라 모든RSU의 평균 에너지 크기가 증가함이 확인되었다.
첫 번째로 Ambient Situation Information Collection Module(ASICM)은 Wi-Fi와 WAVE를 이용하여 도로 주변 정보를 수집하고, 교통관제 센터와 기상청에서 주변 정보를 수집한다. 두 번째로 Road Risk Prediction Module(RRPM)은 ASICM에서 수집 한 정보를 분석하여 도로의 사고 가능성을 예측하고 위험도를 측정한다. 마지막으로 Vehicle Path Determination Module(VPDM)은 차량의 상태에 따라 RSU와 통신하며 최적의 경로를 찾는다.
본 논문에서 제안하는 Optimized Vehicle Routing System(OVRS)은 RSU 통신으로 수집한 도로와 주변 차량 정보를 분석하여 도로의 위험성을 예측하여 주행 중인 차량이 더 안전하고 빠른 길로 주행할 수 있도록 경로를 설정한다. 그림 1은 OVRS의 전체적인 구성을 나타낸다.
본 논문에서 제안하는 RRPM은 ASCIM에서 수집한 정보를 바탕으로 RSU 범위 내의 도로의 위험성을 예측한다. RRPM은 딥러닝 신경망 모델(DNN)을 이용하여 도로의 위험을 예측한다.
한국 ITS학회에서는 V2I 통신환경 하에서 수집되는 개별 차량 정보를 활용하여 연동교차로의 교통상황에 대응할 수 있는 실시간 교통신호 제어 알고리즘을 개발하였다. 본 연구에서 개발된 알고리즘은 매 초 간격으로 V2I 통신환경에서 수집되는 차량 정보를 가공 처리하여 연동교차로 교통신호 제어에 필요한 현시 그룹 길이, 현시 길이, 현시 순서 등을 결정할 수 있다. 개발된 연동교차로 교통신호 제어 알고리즘의 효과 평가를 위해 미시 교통시뮬레이션 모형인VISSIM을 이용하였다.
셋째, 저장한 사고 위험성을 비교하여 위험성이 가장 낮은 경로로 주행하도록 차량의 경로를 설정한다.
대상 데이터
Ambient Situation Information Collection Module (ASICM)은 RSU에서 동작하며, Wi-Fi 통신과 WAVE 통신을 기반으로 도로 정보와 도로 주변의 차량 데이터를 수집한다. ASICM에서 전달받는 정보는 크게 도로 내 차량 정보, 기상청의 현재 지역 날씨 정보, 교통관제 센터의 도로 정보 및 인접 RSU의 정보로 나눌 수 있다.
RPNN의 히든레이어는 14개의 변수의 연관성을 충분히 계산하기 위하여 5개를 사용하고, 히든레이어의 노드 수는 25개를 사용한다. 히든레이어의 노드는hnm으로 표현한다.
RPNN은 적절한 입력레이어, 출력레이어 그리고 히든레이어를 사용해야 한다. 신경망 모델의 입력노드는RSU에서 수집한 데이터다. RSU에서 수집한 데이터의 수는 14개(데이터 수집 시간 제외)이기 때문에 RPNN의 입력 벡터인 X는 수식 1처럼 표현한다.
데이터처리
그림 3은 도로 정보 수에 따른 딥러닝 모델들의 작동 시간을 나타낸다. 해당 실험은 딥러닝 모델의 학습 시간은 고려되지 않았으며, RPNN은 같은 입력 벡터와 출력 벡터를 사용하여 설계된 CNN, LSTM과 비교되었다.
이론/모형
RPNN의 학습 방법은 Back-Propagation학습 방법을 사용한다. Back-Propagation학습은 에러 E, 에러의 허용치 Emax와 에러 신호 δ를 사용한다.
본 논문에서 제안하는 RRPM은 ASCIM에서 수집한 정보를 바탕으로 RSU 범위 내의 도로의 위험성을 예측한다. RRPM은 딥러닝 신경망 모델(DNN)을 이용하여 도로의 위험을 예측한다. 딥러닝 모델을 사용하기 위하여 사용되는 데이터의 전처리과정과 DNN의 설계가 이루어져야 한다.
본 연구에서 개발된 알고리즘은 매 초 간격으로 V2I 통신환경에서 수집되는 차량 정보를 가공 처리하여 연동교차로 교통신호 제어에 필요한 현시 그룹 길이, 현시 길이, 현시 순서 등을 결정할 수 있다. 개발된 연동교차로 교통신호 제어 알고리즘의 효과 평가를 위해 미시 교통시뮬레이션 모형인VISSIM을 이용하였다. 다양한 교통조건 하에서 기존 정주기식 연동 교통신호 제어 방식과 개발된 알고리즘의 성능을 비교한 결과, 개발된 알고리즘의 성능이 우수한 것으로 확인되었다 [9].
성능/효과
마지막으로 Vehicle Path Determination Module(VPDM)은 차량의 상태에 따라 RSU와 통신하며 최적의 경로를 찾는다. OVRS모듈중 하나인 ASICM의 RPNN은 CNN보다 약 17%, LSTM보다 약 40% 더 좋은 성능을 보였다. 향후 OVRS는 실제 차량에서 테스트되어야 한다.
실험 결과, CNN의 평균 연산 시간은 약 988ms, LSTM의 평균 연산 시간은 약 1185ms, RPNN의 평균 연산 시간은 약 842ms로 측정되었다. RPNN은CNN보다 약 17%, LSTM보다 약 40% 빠른 연산 시간을 가졌다. 특히 데이터가 증가할수록 LSTM의 연산 시간은 크게 증가하고, CNN은 전반적으로 RPNN보다 높은 연산 시간을 가지기 때문에 실시간성을 확보하면서 도로 상황을 종합하여 사고 가능성을 예측하는 것은 RPNN이 적합하다.
공주대학교에서는 각 RSU는 자신의 잔여 에너지값에 따라 통신 영역의 크기를 결정하도록 하며, 상대적으로 큰 전송 반경을 가지는 최소의 RSU를 데이터 전달과정에 우선적으로 참여하도록 하여 데이터 전달 전송지연값을 최대한 만족시키는 개선된 데이터 전달 방법을 제안했다. 결과적으로 통신 반경이 작은 RSU들은 데이터 전달 과정에서 배제되어 에너지 소비를 막을 수 있었다. 수치적 분석을 통하여 기존의 방법에 비하여 제안하는 방법은 요구하는 데이터 전달 지연값과 RSU의 에너지 소비 측면에서 더욱 효과적임을 확인하였다 [8].
RRPS는 밀집도에 따라 통신의 두절이 빈번하게 일어나는 도심 환경의 V2I 및 V2V 통신두절을 최소화하기 위하여, RSU의 관리 영역인 Start Line, End Line을 이용하여 End Line에 도달하기 전에 요청 메시지에 대한 우선순위를 적용하여 우선순위가 제일 높은 요청데이터를 먼저 처리할 수 있도록 하는 RRPS(RSU Request Priority Scheduling)알고리즘을 설계를 제안한다. 결과적으로 해당 연구에서 제안하는 RRPS는 RSU내에 정보를 요청한 차량의 메시지에 대하여 우선순위 스케줄링을 적용하여 V2I의 처리효율을 향상하고, 통신 두절을 예방하여 전송 성공확률을 향상하는 효과가 있다 [6].
둘째, VPDM은 차량과 가장 가까운 RSU를 통하여 이 세 가지 경로에서 정보를 수집하고 있는 RSU에게 사고 가능성을 요청한다. 차량과 가장 가까운 RSU는 해당 경로에 따라 주변 RSU로 사고 예측결과를 재귀적으로 요청하면서 요청에 대한 응답을 누적한다.
둘째, 방송을 수신한 RSU의 개수를 저장하고, 목적지가 설정되었을 때와 마찬가지로 홉 개수만큼 도로RSU의 결과를 저장한다.
따라서 입력 레이어부터 마지막 히든레이어까지 활성화 함수는 정확한 결과를 보장하면서 Sigmoid함수보다 6배 빠른 Leaky Relu함수를 사용하고, 마지막 히든레이어와 출력레이어 사이의 활성화 함수는 Leaky Relu 보다 계산 시간은 느리지만 –1과 1사이의 출력값을 가지는 tanh함수를 사용한다.
셋째, 해당 경로에 존재하는 RSU는 RSU 사이의 통신을 사용하여 도로의 위치와 사고 위험성을 차량의VPDM으로 전송한다.
공주대학교에서는 데이터 전달에 참여하는 RSU의 수와 연속적인 데이터의 전달에 따른 RSU들의 에너지의 변화 양상을 확인할 방법을 제시하며 이를 실제 분석하였다. 수치적 분석의 결과로 확률 기반의 데이터 전달 방법은 기존의 방법에 비하여 상대적으로 적은 수의 RSU가 데이터 전달에 참여하며 이에 따라 모든RSU의 평균 에너지 크기가 증가함이 확인되었다. 그리고 이러한 분석 결과를 바탕으로 유사 시스템의 실제 구현 시 고려해야 할 사항을 제시하였다 [5].
실험 결과, CNN의 평균 연산 시간은 약 988ms, LSTM의 평균 연산 시간은 약 1185ms, RPNN의 평균 연산 시간은 약 842ms로 측정되었다. RPNN은CNN보다 약 17%, LSTM보다 약 40% 빠른 연산 시간을 가졌다.
충북대학교에서는 다수 RSU들을 유선망으로 연결하고 RSU들 사이의 협업을 통해 데이터를 전송하는 새로운 스케쥴링 기법을 제안했다. 제안된 기법은 다중RSU 협업전략을 통해 안전데이터와 비 안전데이터를 효율적인 전송하며 데드라인 실패율 및 평균 응답시간을 감소시킨다. 안전데이터가 발생할 때, 이전 RSU에서 데이터를 미리 전송하고 데드라인 수신율을 고려하여 우선순위를 부여한다.
첫째, 현재 차량과 가장 가까운 RSU는 홉을 10으로 설정하고 주변으로 사고 가능성 전송 요청을 방송한다
RPNN은CNN보다 약 17%, LSTM보다 약 40% 빠른 연산 시간을 가졌다. 특히 데이터가 증가할수록 LSTM의 연산 시간은 크게 증가하고, CNN은 전반적으로 RPNN보다 높은 연산 시간을 가지기 때문에 실시간성을 확보하면서 도로 상황을 종합하여 사고 가능성을 예측하는 것은 RPNN이 적합하다.
후속연구
또한, OVRS의 실시간성은 검증되었으나 정확도에 대한 실험이 이루어지지 않았다. 따라서 향후 실제 차량에OVRS를 적용시킨 후 안전한 환경에서 정확도에 대한 실험이 이루어져야 할 것이다.
OVRS모듈중 하나인 ASICM의 RPNN은 CNN보다 약 17%, LSTM보다 약 40% 더 좋은 성능을 보였다. 향후 OVRS는 실제 차량에서 테스트되어야 한다. 또한, OVRS의 실시간성은 검증되었으나 정확도에 대한 실험이 이루어지지 않았다.
참고문헌 (10)
YiNa Jeong, SuRak Son, ByungKwan Lee, "he Lightweight Autonomous Vehicle Self-Diagnosis (LAVS) Using Machine Learning Based on Sensors and Multi-Protocol IoT Gateway", Sensor, Vol. 19, No. 11, June, 2019.
Byeongjoon Noh, Wonjun No, ,Jaehong Lee, David Lee, "Vision-Based Potential Pedestrian Risk Analysis on Unsignalized Crosswalk Using Data Mining Techniques", Applied Sciences, Vol. 10, No. 3, February, 2020.
Dario Vangi, Carlo Cialdai, Michelangelo-Santo Gulino, Kjell Gunnar Robbersmyr, "Vehicle Accident Databases: Correctness Checks for Accident Kinematic Data", Designs, Vol. 2, No. 1, January, 2018.
Jhihoon Joo, Odongo Steven Eyobu, Ji Hun Kim, Hong-Jong Jeong, Dong Seog Han, "Analysis of Radio Propagation Characteristics for V2V Scenarios in WAVE Standard Based Vehicular Communication System", The Journal of Korean Institute of Communications and Information Sciences. Vol. 42 No. 6, pp. 1175-1184, 2017
Bongsue Suh, "Performance Analysis of RSUs in Probability-Based Data Delivery Strategy for Energy-Constrained V2I Systems". The Journal of Korean Institute of Information Technology, Vol. 16 No.11, pp. 69-76, 2018
Seok-Gyu Park, Heui-Hak Ahn, Yi-Na Jeuong, "Preventing Communication Disruption in the Urban Environment Using RRPS (RSU Request Priority Scheduling)", Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol.9 No.6, pp. 584-590, 2016
Jungmin Kwon, Hyunggon Park, "Data Driven Reliable Dissemination Strategy Based Systematic Network Coding in V2I Networks", The Journal of Korean Institute of Communications and Information Sciences, Vol.45 No.2, pp. 327-336, 2020
Bongsue Suh, "Variable Transmission Distance-Based Data Delivery Strategy to Support Near-Optimal Delivery Delay for V2I Systems", The Journal of Korean Institute of Information Technology, Vol.17 No.12, pp. 93-100, 2019
Eum Han, Ilsoo Yun, Sang Soo Lee, Kitae Jang, ？Byungkyu Park, "Development of Real-time Traffic Signal Control Strategy for Coordinated Signalized Intersections under V2I Communication Environment", The Journal of The Korea Institute of Intelligent Transportation Systems, Vol.17, No.3, pp. 59-71, 2018
Kyoung Soo Bok, Seung Wan Hong, Jae Hog Cha, Jong Tae Lim, Jaesoo Yoo, "Cooperative RSU Scheduling for Efficient Data Dissemination in VANET Environments", JOURNAL OF THE KOREA CONTENTS ASSOCIATION, Vol.13 No.10, pp. 27-36, 2013
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.