초록 ▼

도로의 안전성과 차량의 주행 안전성을 확보하기 위해서는 신속하고 정확한 도로환경 정보가 수집되어야하며, 도로에서 발생할 수 있는 돌발 상황 등의 다양한 교통 환경에 대응할 수 있는 적절한 조치가 필요하다. 이러한 필요성에 따라 다양한 도로교통 상황 발생에 대응할 수 있는 교통 운영 및 안전 기술 등이 개발되어 운영되고 있으며, 이를 적용할 수 있는 스마트도로가 구축 중에 있다. 그러나, 모든 도로에 스마트도로가 구축되고 운영되기 위해서는 많은 시간이 소요될 것으로 예상되므로, 현 시점에서 적용 가능한 기술이 개발되어야 한다. 구체적

도로의 안전성과 차량의 주행 안전성을 확보하기 위해서는 신속하고 정확한 도로환경 정보가 수집되어야하며, 도로에서 발생할 수 있는 돌발 상황 등의 다양한 교통 환경에 대응할 수 있는 적절한 조치가 필요하다. 이러한 필요성에 따라 다양한 도로교통 상황 발생에 대응할 수 있는 교통 운영 및 안전 기술 등이 개발되어 운영되고 있으며, 이를 적용할 수 있는 스마트도로가 구축 중에 있다. 그러나, 모든 도로에 스마트도로가 구축되고 운영되기 위해서는 많은 시간이 소요될 것으로 예상되므로, 현 시점에서 적용 가능한 기술이 개발되어야 한다. 구체적으로 스마트도로 상황을 가정하여 차량-차량간, 차량 또는 도로 환경이 유기적인 정보를 교환하여 다양한 도로상황에 능동적으로 대응 할 수 있는 안전성 평가 기술이 필요하다. 따라서, 본 연구에서는 이러한 요구사항에 대한 대안으로써, 스마트도로 환경에서 적용할 수 있는 안정성을 평가하는 기술을 개발하였다.

(출처 : 서지자료 56p)

Abstract ▼

Due to the fast developing traffic road environment, there have been various types of ways to overcome issues caused by environmental matters. In fact, there are limited ways to prevent accidents caused by traffic road environment.
Strategies to identify problems that occurred due to weather are

Due to the fast developing traffic road environment, there have been various types of ways to overcome issues caused by environmental matters. In fact, there are limited ways to prevent accidents caused by traffic road environment.
Strategies to identify problems that occurred due to weather are rather passive.
Various future road traffic systems to overcome this environment problematic are available, however there are limitations to apply this system in short period of time. It is expected that after 2030, infrastructure with approximately Level 3 will be implemented to city road. Smart road Infrastructure is in the beginning stage at this moment. Therefore, in this report, directions and considerations are proposed based on results from field experiment. The recommendations are expected to contribute to road traffic safety evaluation.
This research includes relevant data as well as basic techniques required while collecting smart road environment and safety evaluation data.

(출처 : Bibliographic Data 57p)

목차 Contents

• 표지 ... 1
• 요약문 ... 3
• Summary ... 5
• 목차 ... 9
• 제1장 서론 ... 14
• 1. 연구 배경 및 필요성 ... 14
• 제2장 국내·외 연구 및 기술 동향 ... 16
• 1. 국내·외 연구 동향 ... 16
• 2. 국내·외 기술 동향 ... 19
• 제3장 연구 개발 수행 내용 및 결과 ... 24
• 1. 자료 수집 및 구축 ... 24
• 1.1 도로교통환경 자료 수집 및 구축 ... 24
• 2. 도로교통환경 인식 기술 개발 ... 27
• 2.1 분석 개요 ... 27
• 2.2 분석 방법 ... 30
• 2.3 분석 결과 ... 31
• 3. 도로교통환경 안전성 평가 모형 개발 ... 36
• 3.1 분석 개요 ... 36
• 3.2 도로교통환경 안전성 평가 모형(기존) ... 37
• 3.3 도로교통환경 안전성 평가 모형(개발) ... 42
• 4. 도로교통환경을 고려한 안전성 평가 적용 ... 49
• 제4장 활용 계획 및 기대 효과 ... 50
• 1. 활용 계획 ... 50
• 2. 기대 효과 ... 51
• 2.1 기술적 파급효과 ... 51
• 2.2 사회적 파급효과 ... 51
• 2.3 경제적 파급효과 ... 51
• 제5장 결론 ... 52
• 참고문헌 ... 54
• 서지자료 ... 56
• Bibliographic Data ... 57
• 표 목차 ... 11
• <표 2-1> 분석 대상 기술 분류 ... 19
• <표 3-1> 주요 센서 성능 및 사양 ... 24
• <표 3-2> 데이터 취득 구간 ... 25
• <표 3-3> 대상 구간 기초 통계량 분석 ... 26
• <표 3-4> 교통안전표지 특징 ... 27
• <표 3-5> 교통안전표지 주석 이름 작성 규칙 ... 27
• <표 3-6> 주석 데이터 파일 구조 ... 28
• <표 3-7> 교통안전표지 유형별 데이터 ... 29
• <표 3-8> 교통안전표지 클래스별 테스트 데이터 분석 결과 ... 33
• <표 3-9> 기존 SPF 모형 ... 37
• <표 3-10> 각 SPF 모형 구축 결과 ... 38
• <표 3-11> SPF 모형 비교 분석 결과 ... 38
• <표 3-12> SPF 모형 A-4 구축 결과 ... 39
• <표 3-13> SPF 모형 B-8 구축 결과 ... 39
• <표 3-14> SPF 모형 C-4 구축 결과 ... 39
• <표 3-15> SPF 모형 D-4 구축 결과 ... 39
• <표 3-16> MARS 모형 계수 분석 결과(A-2) ... 40
• <표 3-17> A-2 Full SPF 함수 모형 비교 결과 (음이항, MARS) ... 40
• <표 3-18> MARS 모형 계수 분석 결과(A-4) ... 41
• <표 3-19> A-4 Full SPF 함수 모형 비교 결과 (음이항, MARS) ... 41
• <표 3-20> 기초 통계량 분석 ... 44
• <표 3-21> Random Forest 분류 결과 ... 45
• <표 3-22> MARS를 활용한 Frull SPF 모형 구축 결과 ... 46
• <표 3-23> 적합도 검정 ... 46
• <표 3-24> MARS 모형 계수 분석 결과 ... 47
• <표 3-25> SPF 모형(좌 : 음이항, 우 : MARS) ... 48
• 그림 목차 ... 13
• <그림 1-1> 자율주행 기술 수준(NHTSA, SAE) ... 14
• <그림 2-1> 분석대상 기술 분류 ... 21
• <그림 2-2> 주요 국가별 특허기술 성장단계 ... 22
• <그림 3-1> 데이터 구축 시스템 ... 25
• <그림 3-2> 도로표지판 인식을 위한 주석 작업 ... 28
• <그림 3-3> 구축된 주석 데이터 및 파일 형식 사례 ... 28
• <그림 3-4> RetinaNet 인식 개념 ... 30
• <그림 3-5> 객체 인식 딥러닝 학습 과정 ... 30
• <그림 3-6> 교통안전표지별 학습 데이터 결과 ... 31
• <그림 3-7> 인식 판단 기준 ... 32
• <그림 3-8> 학습 데이터 Loss 비교(상: Regression Loss, 하: Classification Loss) ... 33
• <그림 3-9> 학습 데이터 Loss 비교 ... 34
• <그림 3-10> Epoch별 mAP 값 변화 ... 34
• <그림 3-11> 교통안전표지 인식 결과 ... 35
• <그림 3-12> 분석 절차 ... 36
• <그림 3-13> Random Forest 변수 분류 결과 ... 45
• <그림 3-14> 프로토타입 개발 및 적용 ... 49
• <그림 3-15> 현장 적용 테스트 구간 ... 49
• 끝페이지 ... 58