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
- 허건수
- 발행연도
- 2021
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수10
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
자율주행차량으로 가기 위해서는 경로 계획 능력이 필수적이고 경로 계획은 주변차량의 경로 예측 없이는 불가능하다. 차량이 경로를 결정하는 것은 다양한 요소에 영향을 받는다. 거기에 개인의 성향과 목적지에 따라 동일한 상황에서도 각기 다른 결정을 하기 때문에 차량의 경로를 정확히 예측하는 것은 어렵다.
본 논문에서는 고속도로 상황에서 Maneuver에 따른 경로 예측을 통해 한 가지 상황에 대해 다양한 경로를 예측하는 네트워크를 설계하였다. 네트워크는 크게 주변 차량의 상황을 고려하는 블록과 차선 정보를 고려하는 블록, 그리고 주어진 정보를 바탕으로 Maneuver별 확률을 예측하는 블록으로 구성되어 있다.
주변 차량의 상황을 고려하는 블록에서는 주변 차량의 과거 궤적과 현재 위치를 이용해 압축된 정보를 만들어낸다. 그리고 차선 정보를 고려하는 블록에서는 차선 image와 주변 차량의 과거 궤적을 이용해 압축된 정보를 만들어낸다.
개발된 알고리즘은 HighD Dataset을 가공한 데이터를 이용해 학습하였고 데이터의 Test Set을 이용해 검증하였다.
본 논문에서는 고속도로 상황에서 Maneuver에 따른 경로 예측을 통해 한 가지 상황에 대해 다양한 경로를 예측하는 네트워크를 설계하였다. 네트워크는 크게 주변 차량의 상황을 고려하는 블록과 차선 정보를 고려하는 블록, 그리고 주어진 정보를 바탕으로 Maneuver별 확률을 예측하는 블록으로 구성되어 있다.
주변 차량의 상황을 고려하는 블록에서는 주변 차량의 과거 궤적과 현재 위치를 이용해 압축된 정보를 만들어낸다. 그리고 차선 정보를 고려하는 블록에서는 차선 image와 주변 차량의 과거 궤적을 이용해 압축된 정보를 만들어낸다.
개발된 알고리즘은 HighD Dataset을 가공한 데이터를 이용해 학습하였고 데이터의 Test Set을 이용해 검증하였다.
목차
제 1장 서론 11.1 연구 배경 11.2 연구 목적 21.3 관련 연구 21.4 연구 방법 4제 2장 데이터셋 52.1 Dataset 52.2 Data Augmentation 6제 3장 네트워크 63.1 전체구조 63.2 Encoder 83.3 Convolutional Social Pooling 93.4 Map encoder 93.4.1 Map 이미지 생성 93.4.2 차량 정보와의 연관성 103.5 Maneuver Prediction 113.6 Decoder 12제 4장 Loss 124.1 MSE(Mean Squared Error) 124.2 Cross-Entropy Loss 134.3 NLL(Negative Log-Likelihood) Loss 13제 5장 결과 145.1 FDE & ADE 145.2 경로 예측 결과 15제 6장 결론 및 향후 연구과제 20REFERENCE 22ABSTRACT 25
최근 본 자료
댓글(0)
0