지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이상선
- 발행연도
- 2020
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자동차 업계 및 IT 업계가 자율주행 자동차의 양산을 목표로 연구개발에 매진함에 따라 자율주행 기술의 개발에 따른 요소기술인 운전자 보조 시스템 (Advanced Driver Assistance System, ADAS)또한 빠르게 발전하고 있다. ADAS를 이용하기 위해서는 높은 신뢰도로 주변의 객체들을 인지하고 움직임을 예측하는 것이 중요하다. ADAS를 위한 기술 중 하나인 차선변경 예측은 현재 카메라에서 도출되는 선행차량의 이미지에 의존하여 선행 차량의 차선변경 의도를 예측한다. 이는 부정확한 시야상태에 따른 차량 인식 실패와 보이지 않는 차량의 차선변경 예측이 불가능하다는 문제를 가지고 있다.
본 논문에서는 상기 언급된 문제를 해결하기 위해 주변차량의 주행 상태 값을 V2X를 통해 수신하여 차선변경 예측을 수행하였다. SAE J2735의 기본 안전 메시지(Basic Safety Message, BSM)및 정밀 지도 메시지(Map Data, MAP), 여행자 정보 메시지(Traveler Information Message, TIM)의 값들을 Support Vector Machine(SVM)의 입력값으로 이용하여 차선변경 여부를 예측하였다. 시뮬레이션을 통해 차선변경에 걸리는 시간을 다양화한 주행 데이터를 수집하여 모델을 구성한 후, 예측을 수행하고 오차율을 산출하였다.
직선도로 주행시에는 차선 변경 완료 1초전 일 때 96.6%, 2초전 일 때 94.7%의 예측율을 보여주었고, 곡선 도로에서의 차선 변경의 경우 1초 전93.6%, 2초 전 89.7%의 정확도를 나타내며 실제 주행 환경에서도 충분히 적용이 가능한 예측 정확도를 보여주었다.
본 논문에서는 상기 언급된 문제를 해결하기 위해 주변차량의 주행 상태 값을 V2X를 통해 수신하여 차선변경 예측을 수행하였다. SAE J2735의 기본 안전 메시지(Basic Safety Message, BSM)및 정밀 지도 메시지(Map Data, MAP), 여행자 정보 메시지(Traveler Information Message, TIM)의 값들을 Support Vector Machine(SVM)의 입력값으로 이용하여 차선변경 여부를 예측하였다. 시뮬레이션을 통해 차선변경에 걸리는 시간을 다양화한 주행 데이터를 수집하여 모델을 구성한 후, 예측을 수행하고 오차율을 산출하였다.
직선도로 주행시에는 차선 변경 완료 1초전 일 때 96.6%, 2초전 일 때 94.7%의 예측율을 보여주었고, 곡선 도로에서의 차선 변경의 경우 1초 전93.6%, 2초 전 89.7%의 정확도를 나타내며 실제 주행 환경에서도 충분히 적용이 가능한 예측 정확도를 보여주었다.
목차
제1장. 서 론 11.1 연구 배경 11.2 연구의 필요성 및 목적 2제2장. 차선 변경 예측을 위한 요소기술 62.1 V2X 통신 62.2 머신 러닝 14제3장. 차선변경 예측을 위한 SVM환경 구축 213.1 시뮬레이션 환경 구성 213.2 머신 러닝 적용 과정 26제4장. 시뮬레이션 결과 및 분석 284.1 완만한 차선 변경과 공격적인 차선 변경 예측 정확도 284.2 직선 도로와 곡선 도로에서의 예측 정확도 30제5장. 결 론 32참 고 문 헌 33ABSTRACT 36
최근 본 자료
댓글(0)
0