[논문]Deep Learning Based Emergency Response Traffic Signal Control System

Jeong-In, Park

doi:10.9708/jksci.2023.28.02.121

Deep Learning Based Emergency Response Traffic Signal Control System 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.28 no.2, 2023년, pp.121 - 129

Jeong-In, Park (UFM Systems Co., LTD)

초록
AI-Helper

이 논문에서 우리는 응급상황에 대응하여 일정 구간의 교통신호를 능동적으로 제어함으로써 재산과 인명 손실을 최소화할 수 있는 응급상황 대응 교통신호 제어 시스템을 개발하였다. 응급 차량 단말기에서 식별정보 및 GPS 정보를 포함한 응급신호를 송출하면 카메라에서 주위 영상을 획득하게 되고, 딥러닝 기반으로 객체를 분석하여 객체의 위치, 종류, 크기 등 정보를 가지는 객체정보를 출력한다. 이 객체를 트래킹한 정보를 생성하여 신호체계를 검출한 후 신호체계를 응급모드로 전환하여 수신받은 GPS 정보를 기준으로 응급 차량을 식별·추적하고 이 응급 차량의 진행 경로 기준으로 긴급 제어신호를 교통신호 제어기로 전송할 수 있는 체계이다. 이 시스템은 응급신호에 따라 우선 적용되는 긴급 제어신호에 의해 응급 차량의 진행이 저지되지 않도록 하여, 교통상 장애에 따른 인명과 재산의 손실을 최소화할 수 있다.

Abstract ▼ AI-Helper

In this paper, we developed a traffic signal control system for emergency situations that can minimize loss of property and life by actively controlling traffic signals in a certain section in response to emergency situations. When the emergency vehicle terminal transmits an emergency signal including identification information and GPS information, the surrounding image is obtained from the camera, and the object is analyzed based on deep learning to output object information having information such as the location, type, and size of the object. After generating information tracking this object and detecting the signal system, the signal system is switched to emergency mode to identify and track the emergency vehicle based on the received GPS information, and to transmit emergency control signals based on the emergency vehicle's traveling route. It is a system that can be transmitted to a signal controller. This system prevents the emergency vehicle from being blocked by an emergency control signal that is applied first according to an emergency signal, thereby minimizing loss of life and property due to traffic obstacles.

주제어

표/그림 (10)

표 Table 1. Characteristics of UTIS[3]
그림 Fig. 1. The structure of CNN
그림 Fig. 2. Introduction of YOLO v4 for fine learning
그림 Fig. 3. System Architecture
표 Table 2. The excellence of the proposal system
표 Table 3. System composition and main function
그림 Fig. 4. Sensing Signal Transmission Controller (Main Controller)
그림 Fig. 5. System Application Case
그림 Fig. 6. Optimal path and signal control
그림 Fig. 7. Recognition results of 5 major vehicles and people

AI 본문요약
AI-Helper

문제 정의

대기열 차량에 대해 정확한 검지를 기반으로 도로 정보에 대한 신뢰성을 보장하고 긴급차량 운행에 대응하기 위한 신호 운영 측면에서 긴급차량을 위한 신호체계를 개선함으로써 정확하고 신속한 차량 현황 정보를 제공하고자 한다.
이 논문에서도 OBE를 활용하기는 하지만 UTIS처럼 중앙센터와 통신하는 것은 아니며 현장기반 도로나 교차로 내의 카메라 영상처리 및 OBE와 통신을 위한 관제 서버를 활용하는 점이 다른 점이다. 즉, 실제 교차로에 설치된 교통정보 시스템에서 얻어진 영상을 토대로 신호등의 신호 시간이 현장 상황에 적용될 수 있는 실영상 기반 우선순위 교통신호 제어 시스템을 제안하고자 한다.

제안 방법

뉴런과 같이 노드 상호관계를 정의하고 수많은 필터를 통해 특징들을 추출해서 분류한 다음 추론한 오차를 근거로 가중치를 변경하며 최적의 해답을 결정하는 모델을 생성하는 학습 방법이다. 기존 영상에서 특징적인 물체의 노드 간 상호관계와 가중치를 딥러닝 모델로 저장, 변경하여 새로운 영상 분석에 활용한다.
생성된 교통정보를 기반으로 최적 신호체계를 검출한 후, 검출된 최적 신호체계에 따른 감응신호를 교통신호 제어기로 전송하는 콘트롤러를 포함하며, 관제서버는 이 응급신호를 수신ㆍ분석하여 콘트롤러를 응급모드로 전환시키고, 콘트롤러는 GPS 정보 기준으로 기설정된 반경 범위 내의 카메라 촬영 영상으로부터 식별정보에 대응하는 응급차량을 식별·추적하여, 응급차량의 진행 경로 기준으로 감응신호에 우선하는 긴급제어신호를 교통신호 제어기로 전송하도록 구성하였다.
영상처리를 위해 YOLO와 같은 딥러닝 기반의 객체분석 알고리즘을 이용하여 카메라의 촬영에 의해 획득된 영상들을 분석하여 감지된 객체의 위치, 종류 및 크기 중 적어도 하나 이상을 포함하는 객체정보를 출력한 후 출력된 객체를 트래킹하여 교통정보를 생성한다.
이러한 YOLO의 인식률을 기반으로, 이 논문에서는 객체분석 알고리즘의 인식 대상을 종래와 같이, 80종류로 설정하지 않고, 도로에서 볼 수 있는 사물, 즉 자동차, 버스, 오토바이, 트럭, 사람 등 5종류로 축소하여 설정함으로써 3% 이상의 인식률 개선이 이루어지도록 하였다. 이에 따라 Fig.
이상의 관련 연구에서 살펴본 바와 같이 개발하고자 하는 차량 오브젝트 검지 시스템은 Table 2에서와 같이 현장 카메라에 의한 영상 객체 검지를 기반으로 차량을 검지하고, 검지한 후 즉시 딥러닝 기술을 이용하여 차량 대수, 대기열 길이를 추출함으로써 긴급차량 통행 시 효율적인 신호제어 체계를 구현한다.
결과 미세조정이란 인공지능 모델에서 객체 인식 추출의 오류를 줄이기 위해서 특수 목적을 가진 데이터 셋이 필요하며 이를 이용한 인공지능 모델 개선을 추가 학습하게 되는데 이를 말한다. 특수목적성 데이터셋을 사용한 예로 미국 알바니 대학교(University of Albany)에서 차량의 촬영 환경 즉, 날씨, 시간 등에 따라 미세 학습 시 다양한 환경에서의 차량 인식 정확도를 높인 사례를 찾아볼 수 있으며 이를 응용하여 본 논문에서는 YOLO 알고리즘을 도입하여 구현하였다.

대상 데이터

시스템의 구성요소로는 관제서버, 식별정보 및 GPS 정보를 포함한 응급신호를 송출하는 응급차량 단말기, 여러 대가 분산 배치되어 담당 영역의 도로 영상을 획득하는 카메라로 구성되어 있다.

이론/모형

이 시스템은 딥러닝 알고리즘을 이용하여 입력된 영상들을 분석함에 따라 객체 인식률을 개선시켜 분석의 정확성 및 신뢰도를 획기적으로 개선할 수 있다. 딥러닝 알고리즘으로는 관련연구에서 살펴본 바와 같이 합성곱 신경망(CNN, Convolution Neural Network) 기반의 YOLO 모델을 적용시킴으로써 객체 인식률을 더욱 높일 수 있게 하였다.

성능/효과

또한 본 제안 시스템의 인공지능 학습부에 의해 학습되는 객체분석 알고리즘은 CNN 기반의 YOLO를 적용하여 학습이 이루어지되, 인식 대상을 도로에서 흔히 볼 수 있는 5종류로 제한함으로써 인식율 98.14%로 객체 인식 및 분류의 정확성 및 정밀도를 기존 대비 3%이상 높일 수 있고, 이에 따라 최적 신호체계 수립의 정확성 및 신뢰도가 함께 증가하여 차량 대기시간을 획기적으로 절감시킬 수 있게 되었다.
시스템의 인식률 평가를 위해 NVIDIA RTX 2080 Super 2-way 환경에서 테스트한 결과, pre-trained YOLO v4에서 실생활에서 자주 볼 수 있는 80종류의 사물에 대해 가장 높은 평균인식률인 98.9%으로 나타났고, 그 중에서도 자동차, 버스, 트럭 3종류의 사물에 대해서는 평균 95%의 인식률을 보였다. 이때 인식률은 모델 평가용 데이터셋(MSCOCO)을 각 AI 모델에 순전파하여 나온 인식 결과를 바탕으로, AI 모델이 인식한 사물 개수/이미지에 존재하는 사물 개수를 계산하였다.
위반차량 단속부에 의해 위반차량 검출 시, 해당 위반차량의 영상과 차량번호를 매칭시킨 후, 매칭된 데이터가 관제서버로 전송되도록 통신 인터페이스부를 제어한다. 즉,이 시스템은 위반차량이 검출되지 않는 평시에는 영상들을 관제서버로 전송하지 않되, 위반차량이 검출되는 이벤트가 발생한 경우에만, 영상들을 관제서버로 전송함으로써 종래에 대용량의 영상들이 동시에 관제서버로 전송됨에 따라 통신부하, 연산처리량 급증 및 데이터 저장 효율성이 떨어지는 문제점을 획기적으로 해결할 수 있게 되었다.

후속연구

최근 시민 의식 고취로 구급차, 소방차 등의 응급 차량에 대한 운전자의 자발적 양보가 원활히 이루어지고 있으나, 교차로의 차량 정체 상황, 교통신호 체계 등에 의해 양보하고 싶어도 할 수 없는 상황이 종종 발생한다. 따라서, 사회 안전망 확보를 위해 응급상황에 능동적으로 대응할 수 있는 교통신호 통제 시스템에 대한 개발이 요구되며, 종래에 차량 정체에 대한 적극적 대응을 위해 연구ㆍ적용되어온 능동형 교통신호 운영방식과 딥러닝(Deep Learning) 기법을 이용하여 객체 감지 및 트래킹 등을 수행하는 영상 분석 기술 등을 종합적으로 활용하는 기술을 연구할 필요가 있다.

참고문헌 (13)

Park J. I, "Development of Left Turn Response System Based on LiDAR for Traffic Signal ontrol", Journal of The Korea Society of Computer And Information, Vol.27, No.11, pp.181~190, November, 2022. https://doi.org/10.9708/jksci.2022.27.11？
Morgan Quigley, Brian Gerkey and Ken Conley, et al., "ROS: an open-source Robot Operating System", ICRA workshop on open source software, Vol.3, No.3.2, p.5, Jan. 2009. http://robotics.stanford.edu/~ang/papers/icraoss09-ROS.pdf？
B. Wu, X. Zhou, S.Zhao, X. Yue and K.kutzer, "SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a Lidar Point Cloud", ICRA, Vol. 6, No. 3, pp. 1721-1737, Jun, 2O19. https://arxiv.org/abs/1809.08495？
Eltayeb A. S., Almubarak H. O. and Attia T. A., "A GPS based traffic light pre-emption control system for emergency vehicles. In Computing, Electrical and Electronics Engineering (ICCEEE)," 2013 International Conference on IEEE, pp.724-729. August, 2013？
Shaoqing Ren, Kaiming He, Ross Girshick, et al., "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", Advances in neural information processing system, Montreal, Canada, pp.91-99, Jun. 2015. https://arxiv.org/abs/1506.01497？
Liu Mingjie, Cheng Bin Jin and Xuenan Cui, et al., "Online multiple object tracking using confidence score-based appearance model learning and hierarchical data association", IET Computer Vision, Vol.13, No.3, pp.312-318, Apr. 2019. https://doi.org/10.1049/iet-cvi.2018.5499？

상세보기
Robert J. Wang, Xiang Li and Charles X. Ling, "Pelee: A Real-Time Object Detection System on Mobile Devices", Advances in neural information processing system, Montreal, Canada, pp.1963-1972, Apr. 2018. https://arxiv.org/abs/1804.06882？
Tsung-Yi Lin, Priya Goyal and Ross Girshick, et al., "Focal Loss for Dense Object Detection", Proceedings of the IEEE international conference on computer vision, Venice, Italy, pp.2980-2988, Aug. 2017. https://arxiv.org/abs/1708.02002？
Bin Yang, Wenjie Luo and Raquel Urtasum, "PIXOR: Real-time 3D Object Detection from Point Clouds", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, Utah, pp.7652-7660, Feb. 2019. https://arxiv.org/abs/1902.06326？
Ming Liang, Bin Yang and Shenlong Wang, et al., "Deep Continuous Fusion for Multi-Sensor 3D Object Detection", Proceedings of the European Conference on Computer Vision, Munich, Germany, pp.641-656, 2018. https://arxiv.org/abs/2012.10992？
Wei Liu, Dragomir Anguelov and Dumiru Erhan, et al., "SSD: Single Shot MultiBox Detector", Proceedings of the European Conference on Computer Vision, Amsterdam, Netherlands, pp.21-37, Dec. 2016. https://arxiv.org/abs/1512.02325？
Ross Girshick, Jeff Donahue, Trevor Darrell, et al., "Rich feature hierarchies for accurate object detection and semantic segmentation", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Columbus, Ohio, pp.580-587, Oct. 2014. https://arxiv.org/abs/1311.2524？
Ross Girshick, "Fast R-CNN", Proceedings of the IEEE international conference on computer vision, Santiago, Chile, pp.1440-1448, Apr. 2015. https://arxiv.org/abs/1504.08083

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