[논문]9축센서 기반의 도로시설물 충돌감지 알고리즘

홍기현; 이병문

doi:10.9717/kmms.2022.25.2.297

9축센서 기반의 도로시설물 충돌감지 알고리즘
Collision Detection Algorithm using a 9-axis Sensor in Road Facility 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.25 no.2, 2022년, pp.297 - 310

홍기현 (Dept. of IT Convergence Engineering, Graduate School, Gachon University) , 이병문 (Dept. of Computer Engineering, College of IT Convergence, Gachon University)

Abstract ▼ AI-Helper

Road facilities such as CCTV poles have potential risk of collision accidents with a car. A collision detection algorithm installed in the facility allows the collision accident to be known remotely. Most collision detection algorithms are operated by simply focusing on whether a collision have occurred, because these methods are used to measure only acceleration data from a 3-axis sensor to detect collision. However, it is difficult to detect other detailed information such as malfunction of the sensor, collision direction and collision strength, because it is not known without witness the accident. Therefore, we proposed enhanced detection algorithm to get the collision direction, and the collision strength from the tilt of the facility after accident using a 9-axis sensor in this paper. In order to confirm the performance of the algorithm, an accuracy evaluation experiment was conducted according to the data measurement cycle and the invocation cycle to an detection algorithm. As a result, the proposed enhanced algorithm confirmed 100% accuracy for 50 weak collisions and 50 strong collisions at the 9-axis data measurement cycle of 10ms and the invocation cycle of 1,000ms. In conclusion, the algorithm proposed is expected to provide more reliable and detailed information than existing algorithm.

주제어

표/그림 (22)

그림 Fig. 1. Collision scenario and usage of gravitational acceleration data, (a) before a collision with the facility, (b) collision of facilities, and (c) after a collision with the facility.
그림 Fig. 2. 3-axis acceleration data for facility collisions, (a) before the collision and (b) after the collision.
그림 Fig. 3. One of the existing algorithm for collision detection.
그림 Fig. 4. Collision detection algorithm based on 9-axis sensor.
표 Table 1. Measured data at stop state from MPU9250 sensor.
그림 Fig. 5. Impact thresholds for no collision, light collision, and strong collision, (a) weak collision threshold and (b) strong collision threshold.
그림 Fig. 6. Process of measuring the direction of collision of facilities.
그림 Fig. 7. 3-axis acceleration data according to the collision direction, (a) south collision 3-axis acceleration data, (b) north collision 3-axis acceleration data, (c) west collision 3-axis acceleration data and (d) east collision 3-axis acceleration data.
그림 Fig. 8. Amount of change in acceleration data according to the collision direction.
그림 Fig. 9. Collision direction measurement using 3-axis acceleration data.
그림 Fig. 10. Collision direction considering the direction of the sensor.
그림 Fig. 11. 9-axis data in facility collision, (a) Facility collision 3-axis acceleration data, (b) Facility collision 3-axis gyroscope data, (c) Facility collision 3-axis geomagnetic data, (d) 3-axis acceleration data due to sensor error, (e) 3-axis gyroscope data due to sensor error, and (f) 3-axis geomagnetic data due to sensor error.
그림 Fig. 12. Device prototype for collision detection, (a) MPU9250 sensor, (b) algorithm on a raspberry Pi 4 model B, and (c) sensor housing.
그림 Fig. 13. Experiment environment for collision detection, (a) experimental facility that resembles to CCTV mounted pole and (b) collision detection prototype device.
표 Table 2. Confusion matrix for 50 weak collisions and 50 strong collisions in a 10 ms invocation cycle.
표 Table 3. Confusion matrix for 50 weak collisions and 50 strong collisions in a 20 ms invocation cycle.
표 Table 4. Confusion matrix for 50 weak collisions and 50 strong collisions in a 50 ms invocation cycle.
표 Table 5. Confusion matrix for 50 weak collisions and 50 strong collisions in a 100 ms invocation cycle.
표 Table 6. Confusion matrix for 50 weak collisions and 50 strong collisions in a 200 ms invocation cycle.
표 Table 7. Confusion matrix for 50 weak collisions and 50 strong collisions in a 500 ms invocation cycle.
그림 Fig. 14. Collision detection algorithm accuracy graph, (a) accuracy according to algorithm invocation cycle and (b) accuracy according to the 9-axis data measurement cycle.
표 Table 8. Confusion matrix for 50 weak collisions and 50 strong collisions in a 1,000 ms invocation cycle.

AI 본문요약
AI-Helper

문제 정의

따라서 본 논문에서는 9축센서를 이용하여 시설물의 충돌을 감지하는 알고리즘을 제안하고자 한다. 제안한 알고리즘에서는 3축 가속도로 충격량을 측정한 후 시설물에 충돌이 발생하였다고 판단되면, 가속도 센서와 지자기 센서를 종합적으로 분석해서 시설물에 충돌이 가해진 방위각을 산출하여 보정한다.
따라서 본 연구에서는 9축 데이터를 이용하여 시설물에 충돌이 발생한 순간뿐만이 아니라 충돌 후 시설물의 정보를 제공하는 충돌감지 알고리즘을 제안하였다. 제안한 알고리즘은 시설물에 충돌이 발생하였을 경우 충격량을 측정하고 임계치를 초과하는지를 판단한다.

제안 방법

4장에서는 제안한 알고리즘의 유효성을 확인하기 위해실험 환경을 구성하고, 충돌 데이터를 수집한다. 또한, 9축센서 데이터의 측정 주기와 충돌감지 알고리즘 호출 주기를 변경하며, 충돌감지 정확도를 평가한다. 마지막 5장에서는 결론을 맺는다.
본 연구에서는 시설물에 가해진 충격량에 따라 충돌 강도를 3가지로(각각 충돌 없음, 약한 충돌)로 정의한다. 각 충돌 단계는 충격량의 임계치에 따라 결정되므로 임계치의 선택은 매우 중요하다.
이와 같이 제안한 9축센서 기반의 시설물 충돌 감지 알고리즘의 유효성을 확인하기 위해, 실제로 알고리즘을 구현한 후 시설물에 가해진 충돌 감지의 정확도를 비교하고 평가하는 실험을 하고자 한다.
따라서 본 논문에서는 9축센서를 이용하여 시설물의 충돌을 감지하는 알고리즘을 제안하고자 한다. 제안한 알고리즘에서는 3축 가속도로 충격량을 측정한 후 시설물에 충돌이 발생하였다고 판단되면, 가속도 센서와 지자기 센서를 종합적으로 분석해서 시설물에 충돌이 가해진 방위각을 산출하여 보정한다. 특히, 시설물에 충돌이 발생한 후 기울어진 각도를 가속도 센서와 자이로 센서로 확인할 수 있다.

성능/효과

14의 (b)는 9축센서 데이터의 측정 주기에 대한 충돌감지 정확도 그래프이다. 9축센서측정주기가 짧을수록 정확도가 증가하는 것을 볼 수 있으며, 10ms이하에서 100%의 정확도를 확인하였다. 그러나 9축 데이터의 측정주기가 너무 짧다면 저성능의 IoT디바이스에서 일정 시간 동안 연산해야 하는 데이터의 양이 증가하므로, 본 연구에서는 데이터의 측정주기를 10 ms로 하였다.
14의 (a)는 충돌감지 알고리즘 호출 주기에 대한 충돌감지 정확도 그래프이다. 충돌감지 알고리즘의 호출주기가 길어질수록 정확도가 증가하는 것을 볼 수 있으며, 100ms이상에서 전부 올바르게 판단하여 정확도가 100%임을 확인하였다. 그러나 호출주기가 너무 길어진다면 충돌 발생 여부를 실시간으로 제공하지 못할 것이다.

후속연구

따라서 시설물에 충돌이 발생하면 이를 감지하여 알릴 수 있는 충돌감지 시스템이 필요하다. 그러나 기존의 시설물 충돌감지 알고리즘은 충돌 발생 여부에만 초점이 맞추어져 있어, 센서의 오작동으로 인한 잡음이 발생할 경우, 실제로 충돌이 발생하였는지 확인하기 어렵다는 한계가 있다.
제안한 알고리즘의 성능평가를 위해 50회의 약한 충돌과 50회의 강한 충돌을 감지하는 충돌감지 정확도 평가 실험을 하였으며, 10ms의 9축 데이터 측정주기와 1, 000ms 의 충돌감지 알고리즘 호출주기에서 센서의 잡음 데이터를 제거하고, 100%의 충돌감지 정확도를 획득하였다. 따라서 제안한 9축센서 기반의 충돌감지 알고리즘을 이용한다면 센서에서 발생한 잡음을 파악하기 어렵다는 기존의 한계점을 개선하여 좀 더 효율적이고 신뢰성 있는 시설물 충돌에 대한 정보를 제공할 수 있을 것으로 기대한다.

참고문헌 (23)

Road law in Korea(2022), https://law.go.kr/ (accessed January 3, 2022).
A plan to secure the effectiveness of the causative charge in the event of facility damage due to a traffic accident(2017), https://www.acrc.go.kr/acrc/index.do (accessed January 4, 2022).
S.Y. Heo, T.H. Moon, and J.Y. Kim, "Cost-Benefit and Spatial Effects of CCTV on Crime Prevention," Journal of the Korean Association of Geographic Information Studies, Vol. 21, No. 3, pp. 63-75, 2018.

원문보기 상세보기
H. Wei, L. Gui, and F. Li, "A Review of Shock Detection Technology Based on Embedded System," 25th Chinese Control and Decision Conference (CCDC), pp. 2336-2341, 2013.
T.H. Lee and S.J. Park, "Pedestrian-Vehicle Collision Detection System Using Acceleration and Gyroscope Sensors in Smart Phone," Journal of Knowledge Information Technology and Systems, Vol. 12, No. 5, pp. 785-794, 2017.

상세보기
A. Cismas, M. Ioana, C. Vlad, and G. Casu, "Crash detection using imusensors," 21st International Conference on Control Systems and Computer Science (CSCS), pp. 672-676, 2017.
V. Goud, "Vehicle Accident Automatic Detection and Remote Alarm Device," International Journal of Reconfigurable and Embedded Systems, Vol. 1, No. 2, pp. 49-54, 2012.

상세보기
H. Ha and B.Y. Hwang, "Machine Learning Model of Gyro Sensor Data for Drone Flight Control," Journal of Korea Multimedia Society, Vol. 20, No. 6, pp. 927-934, 2017.

원문보기 상세보기
J.G. Kang, "Pose Control of Mobile Inverted Pendulum using Gyro-Accelerometer," Journal of the Korea Society of Computer and information, Vol. 15, No. 10, pp. 129-136, 2010.

원문보기 상세보기
S.Y. Cho, "Biaxial Accelerometer-Based Magnetic Compass Module Calibration and Analysis of Azimuth Computational Errors Caused by Accelerometer Errors," Journal of Institute of Control, Robotics and Systems, Vol. 20, No. 2, pp. 149-156, 2014.

원문보기 상세보기
S.H. Choi, J.S. Kim, T.S. Kim, and Y.S. Yu, "Design and Implementation of an Elevator Vibration Measuring System using 3-Axis Acceleration Sensor," Journal of Korea Multimedia Society, Vol. 16, No. 2, pp. 226-233, 2013.

원문보기 상세보기
N. Kumar, A. Barthwal, and D. Acharya, "Modeling Vehicle Collision Events using Internet of Things," 2019 IEEE 16th India Council International Conference (INDICON), pp. 1-4, 2019.
H. Cho, S. Kim, J. Baek, and P.S. Fisher, "Motion Recognition with Smart Phone Embedded 3-Axis Accelerometer Sensor," 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp. 919-924, 2012.
Y.W. Bai, S.C. Wu, and C.L. Tsai, "Design and Implementation of a Fall Monitor System by Using a 3-Axis Accelerometer in a Smart Phone," IEEE Transactions on Consumer Electronics, Vol. 58, No. 4, pp. 1269-1275, 2012.

상세보기
D. Chen, Y. Zhang, W. Feng, and X. Li, "A Wireless Real-Time Fall Detecting System Based on Barometer and Accelerometer," 2012 7th IEEE Conference on Industrial Electronics and Applications (ICIEA), pp. 1816-1821, 2012.
S. Hong, S. Lee, and D. Jeong, "Design and Implementation of a Fall Recognition System Based on 3-Axis Acceleration Data and Altitude Data for Improvement of Fall Recognition Accuracy and Convenience," The Journal of Korean Institute of Information Technology, Vol. 18, No. 1, pp. 115-125, 2020.

상세보기
D. Yang, M. Deng, and X. Jiang, "Design and Implementation of Vehicle Collision Detection and Alarm System Based on Smartphone," In IOP Conference Series: Materials Science and Engineering, Vol. 787, No. 1, 2020.
J. Zheng, M. Qi, K. Xiang, and M. Pang, "IMU Performance Analysis for a Pedestrian Tracker," International Conference on Intelligent Robotics and Applications, pp. 494-504, 2017.
MPU9250 3-axis acceleration data analysis measured at a stationary state (2022), https://github.com/KiHyeon-Hong/MPU9250_data_in_a_stationary_state_csv (accessed January 6, 2022).
I.H. Turunen-Rise, A. Brekke, L. Harvik, C. Madshus, and R. Klaeboe, "Vibration in Dwellings from Road and Rail Traffic-Part I: A New Norwegian Measurement Standard and Classification System," Applied Acoustics, Vol. 64, No. 1, pp. 71-87, 2003.

상세보기
X. Yao, G. Sun, W.Y. Lin, W.C. Chou, K.F. Lei, and M.Y. Lee, "The Design of an In-Line Accelerometer-Based Inclination Sensing System," 2012 IEEE International Symposium on Circuits and Systems (ISCAS), pp. 333-336, 2012.
Collision detection algorithm based on 9-axis sensor in CCTV facility(2022), https://github.com/KiHyeon-Hong/9-axis_shock_algorithm_paper (accessed January 8, 2022).
O. Caelen, "A Bayesian Interpretation of the Confusion Matrix," Annals of Mathematics and Artificial Intelligence, Vol. 81, No. 3, pp. 429-450, 2017.

상세보기

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