[논문]자율차량 안정성을 위한 도로 거칠기 기반 제동압력 계산 시스템

손수락; 이병관; 심손권

doi:10.17661/jkiiect.2020.13.5.323

자율차량 안정성을 위한 도로 거칠기 기반 제동압력 계산 시스템
The road roughness based Braking Pressure Calculation System(BPCS) for an Autonomous Vehicle Stability 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.13 no.5, 2020년, pp.323 - 330

손수락 (Department of Software Engineering, Catholic kwandong University) , 이병관 (Department of Software Engineering, Catholic kwandong University) , 심손권 (Department of Software Engineering, Catholic kwandong University)

초록
AI-Helper

본 논문은 자율차량 안정성을 위한 도로 거칠기 기반 제동압력 계산 시스템을 제안한다. 제동압력 계산 시스템는 차량의 전방 이미지를 랜덤 포레스트의 입력에 맞게 가공하는 이미지 정규화 모듈, 기상정보와 이미지 정규화 모듈에서 정규화된 차량 전방 이미지를 입력으로 사용하여 차량이 주행 중인 도로의 거칠기를 구별하는 랜덤 포레스트 기반 도로 거칠기 분류 모듈과 도로 거칠기에 따라 차량에 적용되는 마찰 계수를 수정하고, 전방 차량에 따라 최적 주행을 유지하는 브레이킹 강도를 결정하는 차량 브레이크 압력 제어 모듈로 구성된다. 본 논문은 제동압력 계산 시스템의 효율성을 검증하기 위해 제동압력 계산 시스템에 사용되는 랜덤 포레스트 모델을 중심으로 실험이 진행되었다. 실험 결과, 랜덤 포레스트 모델의 정확도는 SVM보다 약 2% 높았고, 정확한 랜덤 포레스트 모델 구성을 위해 7개의 특징이 중복 허용 임의 추출되어야 한다는 결론이 도출되었다. 따라서 제동압력 계산 시스템은 차량이 제동해야 하는 상황에서 정확성 모두를 만족할 수 있다.

Abstract ▼ AI-Helper

This paper proposes the road roughness based Braking Pressure Calculation System(BPCS) for an Autonomous Vehicle Stability. The system consists of an image normalization module that processes the front image of a vehicle to fit the input of the random forest, a Random Forest based Road Roughness Classification Module that distinguish the roughness of the road on which the vehicle is travelling by using the weather information and the front image of a vehicle as an input, and a brake pressure control module that modifies a friction coefficient applied to the vehicle according to the road roughness and determines the braking strength to maintain optimal driving according to a vehicle ahead. To verify the efficiency of the BPCS experiment was conducted with a random forest model. The result of the experiment shows that the accuracy of the random forest model was about 2% higher than that of the SVM, and that 7 features should be bagged to make an accurate random forest model. Therefore, the BPCS satisfies both real-time and accuracy in situations where the vehicle needs to brake.

주제어

표/그림 (9)

그림 그림 1. 제동압력 계산 시스템의 구성 Fig. 1. the braking pressure calculation system
그림 그림 2. 이미지 정규화 과정 Fig. 2. Process of image normalization
표 표 1. 랜덤 포레스트 모델의 입력 Table 1. Input of a random forest model
그림 그림 3. 랜덤 포레스트의 구성 방식 Fig. 3. How random forests are structured
표 표 2. 상황별 마찰 계수 Table 2. Context-specific friction coefficient
그림 그림 4. 중복 허용 임의 추출되는 특징 수에 따른 랜덤 포레스트 모델의 평균 정확도 Fig. 4. An average accuracy of random forest model according to the number of features being bagged
그림 그림 5. 중복 허용 임의 추출되는 특징 수에 따른 랜덤 포레스트 모델의 라벨별 정확도 Fig. 5. An accuracy of each label of the random forest model according to the number of features being bagged
그림 그림 6. 테스트 데이터별 SVM과 랜덤 포레스트의 정확도 Fig. 6. An accuracy of SVM and random forest per test data
표 표 3. 실험이 진행된 워크 스테이션의 사양 Table 3. Specification of the workstation where the experiment was conducted

AI 본문요약
AI-Helper

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

문제 정의

따라서 4레벨 이상의 완전 자율주행차량을 위해서는 지정되지 않은 도로에서도 차량의 안정성이 확보되어야 하며, 특히 직진 중인 일반차량과 자율주행차량의 사고를 방지하기 위해 자율주행차량의 제동능력이 향상되어야 한다. 따라서 본 논문에서는 차량 전방 이미지를 수집하여 차량이 주행 중인 도로의 거칠기를 계산하고, 도로의 거칠기와 전방 차량의 거리, 속도에 따라 브레이크의 강도를 조절하여 차량이 최적의 상태로 주행할 수 있게 하는 자율차량 안정성을 위한 도로 거칠기 기반 제동압력 계산 시스템을 제안한다. 제동압력 계산 시스템은 차량의 차선 인식에 주로 사용되는 ROI 기술을 이용하여 차량의 전방 이미지에서 도로가 아닌 부분을 제거하고 해당 이미지를 랜덤 포레스트의 입력에 맞게 재가공한다.
본 논문에서 제안한 도로 거칠기 기반 제동 입력 계산 시스템의 효율성을 검증하기 위하여 두 가지 실험이 진행되었다. 첫 번째 실험은 랜덤 포레스트의 최적화를 위하여 중복 허용 임의 추출되는 특징의 개수를 조절하며 랜덤 포레스트가 최적으로 도로 거칠기를 계산할 수 있는 환경을 계산한다.

제안 방법

따라서 랜덤 포레스트 모델은 차량이 제동해야 하는 상황에서 정확성 모두를 만족할 수 있다. 그러나 본 논문은 빙판, 경사 등 다양한 도로 상황을 고려하지 않았으며, 주행 중인 차량에 직선거리에 있는 차량만을 대상으로 브레이크 강도를 측정했다. 또한, 300개의 트레이닝 데이터 세트만을 사용하여 정확도의 측정이 충분히 검증되지 않았다.
먼저 제동압력 계산 시스템은 차량 전방 카메라 등을 통해 차량 전방의 이미지를 수집하고 ROI를 적용하여 그 이미지의 하늘 영역을 제거하고 도로 영역만 남긴다. 다음으로 이미지의 픽셀 데이터를 벡터 열로 변환하고, 벡터 열과 기상정보를 랜덤 포레스트에 입력해 도로 상태를 분류한다. 마지막으로 분류된 도로 상태에 따라 마찰 계수를 조정하여 최대 제동 거리를 계산하고 제동압력 계산 시스템은 차량의 전방 이미지를 랜덤 포레스트의 입력에 맞게 가공하는 이미지 정규화 모듈과 기상정보와 이미지 정규화 모듈에서 정규화된 차량 전방 이미지를 입력으로 사용하고 차량이 주행 중인 도로의 거칠기를 구별하는 랜덤 포레스트 기반 도로 거칠기 분류 모듈과 도로 거칠기에 따라 차량에 적용되는 마찰 계수를 수정하고, 전방 차량에 따라 최적 주행을 유지하는 제동 강도를 결정하는 차량 브레이크 압력 제어 모듈로 구성된다.
두 번째 실험은 랜덤 포레스트 모델과 유사한 입력, 출력을 사용하는 SVM(support vector machine)을 사용하여 랜덤 포레스트 모델과 SVM의 정확도를 계산한다.
다음으로 이미지의 픽셀 데이터를 벡터 열로 변환하고, 벡터 열과 기상정보를 랜덤 포레스트에 입력해 도로 상태를 분류한다. 마지막으로 분류된 도로 상태에 따라 마찰 계수를 조정하여 최대 제동 거리를 계산하고 제동압력 계산 시스템은 차량의 전방 이미지를 랜덤 포레스트의 입력에 맞게 가공하는 이미지 정규화 모듈과 기상정보와 이미지 정규화 모듈에서 정규화된 차량 전방 이미지를 입력으로 사용하고 차량이 주행 중인 도로의 거칠기를 구별하는 랜덤 포레스트 기반 도로 거칠기 분류 모듈과 도로 거칠기에 따라 차량에 적용되는 마찰 계수를 수정하고, 전방 차량에 따라 최적 주행을 유지하는 제동 강도를 결정하는 차량 브레이크 압력 제어 모듈로 구성된다.
본 논문에서 제안하는 도로 거칠기 분류 모듈은 이미지 정규화 모듈에서 정규화된 이미지 값과 현재 기상정보를 입력으로 사용하는 랜덤 포레스트를 이용하여 도로의 거칠기를 분류한다.
본 논문에서 제안하는 이미지 정규화 모듈은 이미지 그 자체를 입력으로 사용하지 못하는 랜덤 포레스트 모델을 위하여 차량 전방의 이미지를 전처리하여 랜덤 포레스트의 입력 데이터로 가공한다. 이미지 정규화 모듈은 총 세 단계를 거쳐 이미지를 전처리한다.
본 논문에서 제안하는 제동압력 계산 시스템은 현재 기상정보와 차량 전방의 이미지를 사용하여 도로의 거칠기를 분류하고, 도로에 거칠기에 맞게 도로와 타이어의 마찰 계수를 수정하여 전방 차량과의 간격에 맞게 최적 주행을 유지하는 최적의 브레이크 강도를 계산한다. 그림 1은 제동압력 계산 시스템의 구성을 나타낸다.
본 논문에서 제안한 도로 거칠기 기반 제동압력 계산 시스템 (Braking Pressure Calculation System)는 이미지를 전처리하고 랜덤 포레스트를 사용하여 차량이 주행 중인 도로의 거칠기를 분석한 다음 마찰 계수를 수정하여 차량의 제동 거리를 계산하고, 계산된 제동 거리에 따라 최적 주행을 가능하게 하는 브레이크 압력을 계산했다. 실험 결과, 랜덤 포레스트 모델의 정확도는 SVM보다 약 2% 높았고, 정확한 랜덤 포레스트 모델의 구성을 위해 7개의 특징이 중복 허용 임의 추출되어야 한다는 결론이 도출되었다.
Nguyen Manh Cuong외 1인은 차량에서 발생할 수 있는 GPS 수신 오류를 해결하기 위하여 낮은 성능의 컴퓨팅 시스템의 도로 경계 감지를 위한 알고리즘을 제안했다 [2]. 제안된 알고리즘은 ROI를 통해 차량이 자주 지나다니는 도로의 교통 항법을 위한 상태 지도를 생성한다. 이승현 외 3인은 관심 영역 내에 존재하는 그림자와 차량으로 인한 에지를 검출하고 두 특징 정보를 결합한 가설 생성방법을 제안하고 차량 후방 영상을 이용하여 사각지대를 감시하는 시스템에 제안 방법을 적용하는 실험을 수행하였다 [3].
본 논문에서 제안한 도로 거칠기 기반 제동 입력 계산 시스템의 효율성을 검증하기 위하여 두 가지 실험이 진행되었다. 첫 번째 실험은 랜덤 포레스트의 최적화를 위하여 중복 허용 임의 추출되는 특징의 개수를 조절하며 랜덤 포레스트가 최적으로 도로 거칠기를 계산할 수 있는 환경을 계산한다. 두 번째 실험은 랜덤 포레스트 모델과 유사한 입력, 출력을 사용하는 SVM(support vector machine)을 사용하여 랜덤 포레스트 모델과 SVM의 정확도를 계산한다.
윤현철 외 1인은 초음파 센서를 이용한 능동안전 경고시스템을 가상환경(PreScan)에서 실험하여 제안한다 [4]. 해당 시스템은 어린이 교통사고를 예방하기 위하여 차량 측면의 약 1m 내외로 사다리꼴 ROI 영역을 설정하여 주변에 존재하는 사물 혹은 사람을 탐지한다. 해당 시스템은 통학 시 발생하는 사고를 줄이기 위해 차량 측면에 ROI기술을 도입한 시스템이다.
이승현 외 3인은 관심 영역 내에 존재하는 그림자와 차량으로 인한 에지를 검출하고 두 특징 정보를 결합한 가설 생성방법을 제안하고 차량 후방 영상을 이용하여 사각지대를 감시하는 시스템에 제안 방법을 적용하는 실험을 수행하였다 [3]. 해당 시스템은 이미지에서 수집되는 도로의 경계면(엣지)과 차량의 그림자 특성을 이용하여 이미지의 사각지대에서 도로의 차량을 검출한다. 윤현철 외 1인은 초음파 센서를 이용한 능동안전 경고시스템을 가상환경(PreScan)에서 실험하여 제안한다 [4].

대상 데이터

첫째, 300개의 트레이닝 데이터 세트 중 중복을 허하여 300개를 랜덤하게 선택한다. 다음으로 선택된 300개의 데이터를 사용하여 랜덤 포레스트의 각 의사 결정 트리를 학습시킨다. 의사 결정 트리는 엔트로피를 사용하여 학습되며, 식 1은 엔트로피를 구하는 과정을 나타낸다.
랜덤 포레스트 모델의 구성이 완료되면 도로 거칠기 분류 모듈은 bootstrap sampling 방식을 사용하여 랜덤 포레스트를 학습시킨다. 본 논문에서는 bootstrap sampling을 위하여 차량의 이미지와 해당 주행의 기상정보로 이루어진 데이터 세트에 라벨을 부여한 약 300개의 트레이닝 데이터 세트를 사용한다.
랜덤 포레스트의 학습은 다음과 같이 진행된다. 첫째, 300개의 트레이닝 데이터 세트 중 중복을 허하여 300개를 랜덤하게 선택한다. 다음으로 선택된 300개의 데이터를 사용하여 랜덤 포레스트의 각 의사 결정 트리를 학습시킨다.

이론/모형

랜덤 포레스트 모델을 생성하기 위하여 변수들을 구분할 특징값과 랜덤 포레스트 내부의 의사 결정 모델의 개수, 특징값을 중복 허용 임의 추출할 개수가 정의되어야 한다. 본 논문에서는 랜덤 포레스트 모델을 위해 42개의 n_features를 사용한다. 예를 들어 ‘Average temperature > 21’, ‘image_difference > 50’, ‘image_RGB[]<150’ 등 n_features란 랜덤 포레스트의 각 노드에서 입력 데이터를 구분하기 위한 특징을 나타낸다.
최찬용 외 3인은 열차의 차상가속도 데이터를 기반으로 궤도의 품질을 결정하는 지표 중 하나인 궤도 품질지수를 기계학습 기법을 활용하여 예측하였다 [7]. 해당 연구는 기계학습 기법에서 적용모델에 따라 정확도가 달라질 수 있으므로, 차량 진동 가속도를 이용한 궤도품질지수를 예측하기 위해서는 앙상블 알고리즘 사용한 모델을 적용했다. 김광섭 외 6인은 차량의 횡방향과 종방향의 가속도와 조향각을 입력 데이터 세트로 사용하는 랜덤 포레스트 알고리즘을 통해 운전자의 졸음 상태와 정상 상태를 감지하는 기술을 개발했다 [8].

성능/효과

그림 4와 5는 중복 허용 임의 추출되는 특징별 랜덤 포레스트의 정확도를 나타낸다. 그림 4에서 중복 허용 임의 추출되는 특징의 수가 0~4일 경우는 60% 이하의 정확도가 측정되었으며, 중복 허용 임의 추출 되는 특징의 수가 13개 이상일 경우 Overfitting에 의해 오히려 정확도가 감소하였다. 또한 7개에서 11개의 특징이 중복 허용 임의 추출되었을 때 랜덤 포레스트 모델은 약 90%의 정확성을 가졌다.
또한 7개에서 11개의 특징이 중복 허용 임의 추출되었을 때 랜덤 포레스트 모델은 약 90%의 정확성을 가졌다. 따라서 최고의 정확성을 가지는 7~11개의 특징 중 연산 시간을 최소로 할 수 있는 7개의 특징만을 중복 허용 임의 추출을 통하여 랜덤 포레스트를 구성하는 것이 가장 효율적이다.
그림 4에서 중복 허용 임의 추출되는 특징의 수가 0~4일 경우는 60% 이하의 정확도가 측정되었으며, 중복 허용 임의 추출 되는 특징의 수가 13개 이상일 경우 Overfitting에 의해 오히려 정확도가 감소하였다. 또한 7개에서 11개의 특징이 중복 허용 임의 추출되었을 때 랜덤 포레스트 모델은 약 90%의 정확성을 가졌다. 따라서 최고의 정확성을 가지는 7~11개의 특징 중 연산 시간을 최소로 할 수 있는 7개의 특징만을 중복 허용 임의 추출을 통하여 랜덤 포레스트를 구성하는 것이 가장 효율적이다.
그러나 본 논문은 빙판, 경사 등 다양한 도로 상황을 고려하지 않았으며, 주행 중인 차량에 직선거리에 있는 차량만을 대상으로 브레이크 강도를 측정했다. 또한, 300개의 트레이닝 데이터 세트만을 사용하여 정확도의 측정이 충분히 검증되지 않았다. 향후 연구는 도로 내부, 외부 변수들을 추가하고 10000개 이상의 트레이닝 데이터 세트를 확보하여 완벽하게 제어 가능한 브레이크 시스템의 개발을 목표로 한다.
또한, 현재 자율주행차량이 일으킨 사고의 대부분은 도심 교차로에서 발생했으며, 뒤따르던 일반 차와 충돌한 사고가 절반가량을 차지한 것으로 나타났다.
본 논문에서 제안한 도로 거칠기 기반 제동압력 계산 시스템 (Braking Pressure Calculation System)는 이미지를 전처리하고 랜덤 포레스트를 사용하여 차량이 주행 중인 도로의 거칠기를 분석한 다음 마찰 계수를 수정하여 차량의 제동 거리를 계산하고, 계산된 제동 거리에 따라 최적 주행을 가능하게 하는 브레이크 압력을 계산했다. 실험 결과, 랜덤 포레스트 모델의 정확도는 SVM보다 약 2% 높았고, 정확한 랜덤 포레스트 모델의 구성을 위해 7개의 특징이 중복 허용 임의 추출되어야 한다는 결론이 도출되었다. 따라서 랜덤 포레스트 모델은 차량이 제동해야 하는 상황에서 정확성 모두를 만족할 수 있다.
실험 결과, 입력 데이터 세트가 70개 이하일 경우 SVM이 랜덤 포레스트 모델보다 약 1% 높은 정확도를 가지지만, 입력 데이터 세트가 130개 이상일 때부터 랜덤 포레스트 모델이 약 2% 높은 정확도를 가지며, 200개의 입력 데이터 세트를 사용할 때 SVM의 정확도는 91.5%, 랜덤 포레스트 모델의 정확도는 94.5%로 랜덤 포레스트 모델이 SVM 모델보다 3%더 높은 정확도를 가졌다. 따라서 다양한 입력 데이터를 사용할수록 랜덤 포레스트 모델이 도로의 거칠기를 더 정확하게 분류한다.

후속연구

또한, 300개의 트레이닝 데이터 세트만을 사용하여 정확도의 측정이 충분히 검증되지 않았다. 향후 연구는 도로 내부, 외부 변수들을 추가하고 10000개 이상의 트레이닝 데이터 세트를 확보하여 완벽하게 제어 가능한 브레이크 시스템의 개발을 목표로 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	도로 거칠기 기반 제동압력 계산 시스템은 어떻게 동작하는가?	따라서 본 논문에서는 차량 전방 이미지를 수집하여 차량이 주행 중인 도로의 거칠기를 계산하고, 도로의 거칠기와 전방 차량의 거리, 속도에 따라 브레이크의 강도를 조절하여 차량이 최적의 상태로 주행할 수 있게 하는 자율차량 안정성을 위한 도로 거칠기 기반 제동압력 계산 시스템을 제안한다. 제동압력 계산 시스템은 차량의 차선 인식에 주로 사용되는 ROI 기술을 이용하여 차량의 전방 이미지에서 도로가 아닌 부분을 제거하고 해당 이미지를 랜덤 포레스트의 입력에 맞게 재가공한다. 재가공된 이미지는 현재 기상정보와 함께 랜덤 포레스트의 입력으로 사용되며, 랜덤 포레스트는 도로 이미지와 기상정보를 통해 현재 도로의 거칠기를 계산한다. 랜덤 포레스트를 통해 도로의 거칠기가 계산되면, 제동압력 계산 시스템은 도로의 거칠기를 사용하여 차량에 적용할 도로 마찰 계수를 수정하고, 전방 차량과의 거리와 상대속도를 통해 차량이 최적 상태로 주행할 수 있도록 브레이크에 가해질 압력의 세기를 조절한다. 제동압력 계산 시스템은 차량 전방의 이미지를 ROI와 정규화를 통해 랜덤 포레스트의 입력에 맞게 수정하는 이미지 정규화 모듈, 이미지 정규화 모듈의 출력값과 현재 기상정보를 이용하는 랜덤 포레스트를 사용하여 차량이 주행 중인 도로의 상태를 결정하는 도로 거칠기 분류 모듈, 도로 거칠기와 차량의 상태에 따라 마찰 계수를 수정하고, 전방 차량과 거리를 측정하여 최적의 주행을 유지할 수 있는 브레이크 압력의 강도를 계산하는 차량 브레이크 압력 제어 모듈로 구성된다.
	현재 자율주행차량이 일으킨 사고 대부분은 어떻게 일어난 것인가?	현재 3레벨 자율주행차량은 지정된 도로에서만 자율주행이 가능하다. 또한, 현재 자율주행차량이 일으킨 사고의 대부분은 도심 교차로에서 발생했으며, 뒤따르던 일반 차와 충돌한 사고가 절반가량을 차지한 것으로 나타났다. 직진 주행 사고 49건 중 18건은 서행 중인 전방의 일반차량과 충돌이었으며, 12건은 후방의 일반차량과 충돌이었다 [1].
	4레벨 이상의 완전 자율주행차량을 위해서는 무엇이 필요한가?	직진 주행 사고 49건 중 18건은 서행 중인 전방의 일반차량과 충돌이었으며, 12건은 후방의 일반차량과 충돌이었다 [1]. 따라서 4레벨 이상의 완전 자율주행차량을 위해서는 지정되지 않은 도로에서도 차량의 안정성이 확보되어야 하며, 특히 직진 중인 일반차량과 자율주행차량의 사고를 방지하기 위해 자율주행차량의 제동능력이 향상되어야 한다. 따라서 본 논문에서는 차량 전방 이미지를 수집하여 차량이 주행 중인 도로의 거칠기를 계산하고, 도로의 거칠기와 전방 차량의 거리, 속도에 따라 브레이크의 강도를 조절하여 차량이 최적의 상태로 주행할 수 있게 하는 자율차량 안정성을 위한 도로 거칠기 기반 제동압력 계산 시스템을 제안한다.

참고문헌 (9)

"자율주행 차 사고, 뒤따르던 일반 차와 충돌 많았다." 김영주, https://news.joins.com/ article/23718449
Nguyen Manh Cuong, Jaesung Lee, "Automatic Detection of ROI for Vehicle Positioning", Proceedings of Symposium of the Korean In stitute of communications and Information Sciences, pp. 164-165, June, 2016
Lee, Seung-Hyun, Kim, Tae-Dong, Yi, Kang, Jung, Kyeong-Hoon, "Hypothesis Generation for Vehicle Detection by Combining Shadow and Edge", Conference of the Korean Society Of Broad Engineers, pp. 316-319, June, 2016
Hyun-cheol Yoon, Ju Yong Choi, "Transportation vehicle active safety warning systems developed algorithms". Fall Conference and Exhibition of the Korean Society Of Automotive Engineers, pp. 734-735, November, 2014
Jongcherl Park, Hojun Lee, Kyongsu Yi, "Cut-in Intension Inference based on Human Driving Data Analysis using Random Forest Method", The Korean Society of Mechanical Engineers 2018 Conference, pp. 1703-1708, December, 2018
Duyoung Heo, Sang Jun Kim, Choong Sub Kwak, Jae-Yeal Nam, Byoung Chul Ko,"Vehicle Headlight and Taillight Recognition in Nighttime using Low-Exposure Camera and Wavelet-based Random Forest", JOURNAL OF BROADCAST ENGINEERING Vol.22, No.3, ,pp. 282-294, May, 2017
Chanyong Choi, Hunki Kim, Young Cheul Kim, Sang-su Kim, "Prediction of Track Quality Index (TQI) Using Vehicle Acceleration Data based on Machine Learning", Journal of Korean Geosynthetics Society, Vol.19, No.1, pp. 45-53, March, 2020
Kwangseub Kim, Wang Maosen, Naktak Jung, Seongmo Yang, Sehoon Yoo, Daeseong Gi, Myungwon Suh, "A Study on Drowsy Driving Behavior Detection Based on Driving Information", Spring Conference of the Korean Society Of Automotive Engineers, pp.702-705, May, 2015
Lynn B. Fricke, Traffic Accident Reconstruction, pp. 62-114, Northwest- ern University Traffic Institute, 1990

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