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
- 박장현
- 발행연도
- 2021
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수15
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
본 연구에서는 제어차량과 주변차량 사이에 발생하는 상호작용을 고려하여 차선합병을 위한 의사결정하는 모델을 제안한다. 완전자율주행(SAE, 4-5단계)을 구현하기 위해서 해결되어야 할 수많은 문제가 중 상호작용에 대하여 기여한다. 4단계 이상에서의 자율주행에서 대표적인 문제가 불확실성(Uncertainty)이다. 불확실성은 많은 것들을 포함할 수 있으며 대표적으로는 측정 센서의 잡음(Sensor Noise), 상대 의도(Intention), 상호작용(Interaction), 가려짐(Occlusion) 등이 존재한다. 특히, 의도와 상호작용은 물리적인 센서로서 측정할 수 없는 요소이므로 상대적으로 더욱 큰 불확실성을 갖는다.
본 논문에서는 상호작용의 불확실성을 Deep Learning Network로 해결하고 Markov Decision Process(MDP)를 이용하여 차선합병을 위한 의사결정하는 방법을 제안한다. 제어차량의 행위가 대상 차량의 움직임에 미치는 반응을 GAN(Generative Adversarial Network)으로서 모델링하고, 이를 Dense Traffic 상황에서의 차선합병 문제로 공식화한다. 이를 Monte-Carlo Sampling 방식을 이용한 MCTS(Monte-Carlo Tree Search)로 해결한다.
GAN 모델은 NGSIM(Next Generation Simulation) Dataset을 이용하여 학습, 검증되었으며, 제안하는 알고리즘은 IDM(Intelligent Driver Model)를 가정한 상황에서 평가 되었다. 차선 합병 알고리즘은 기존 경로 예측모델을 사용한 모델에 비해 조금 덜 보수적인 행위를 보장한다.
본 논문에서는 상호작용의 불확실성을 Deep Learning Network로 해결하고 Markov Decision Process(MDP)를 이용하여 차선합병을 위한 의사결정하는 방법을 제안한다. 제어차량의 행위가 대상 차량의 움직임에 미치는 반응을 GAN(Generative Adversarial Network)으로서 모델링하고, 이를 Dense Traffic 상황에서의 차선합병 문제로 공식화한다. 이를 Monte-Carlo Sampling 방식을 이용한 MCTS(Monte-Carlo Tree Search)로 해결한다.
GAN 모델은 NGSIM(Next Generation Simulation) Dataset을 이용하여 학습, 검증되었으며, 제안하는 알고리즘은 IDM(Intelligent Driver Model)를 가정한 상황에서 평가 되었다. 차선 합병 알고리즘은 기존 경로 예측모델을 사용한 모델에 비해 조금 덜 보수적인 행위를 보장한다.
목차
국문 요지 VI제1장 서 론 １1. 1 연구 배경 １1. 2 관련 연구 ３1. 3 연구 목표 및 개요 ４제2장 이 론 ６2. 1 마르코프 결정 프로세스(MARKOV DECISION PROCESS) ６2.1.1 정의 ６2.1.2 MDP의 목표 ７2.1.3 동적 프로그래밍(Dynamic Programming) ７2. 2 몬테카를로 트리 서치(MONTE-CARLO TREE SEARCH) ８2.2.1 UCB 알고리즘 ９2.2.2 연속적인 공간에서의 몬테카를로 트리 서치 １０2. 3 적대적 생성 연결망(GENERATIVE ADVERSARIAL NETWORK) １１2.3.1 GAN 학습 순서 １２2.3.2 GAN 손실 함수(Loss Function) １２2. 4 적대적 생성 연결망을 이용한 경로 예측(SOCIAL-GAN) １３2.4.1 Social GAN 모델의 방법론 １４2.4.2 S-GAN 손실 함수 １７2. 5 지능형 운전자 모델(INTELLIGENT DRIVER MODEL) １７제3장 방법론 １９3. 1 마르코프 결정 프로세스 문제 모델링 ２０3.1.1 상태 공간(State Space) ２０3.1.2 행위 공간(Action Space) ２１3.1.3 전이 함수(Transition Function) ２２3.1.4 보상 함수(Reward Function) ２３3.1.5 삭감 요소(Discount Factor) ２５3. 2 GAN을 활용한 전이 함수 모델 ２５3. 3 롤아웃(ROLLOUT) ２７제4장 결 과 ２８4. 1 생성자(GENERATOR) 검증 ２８4.1.1 학습 데이터 셋(Dataset) ２８4.1.2 예측 성능 평가 ２８4.1.3 제어차량의 행위에 따른 주변 차량의 반응 검증 ３０4. 2 알고리즘 검증 ３３4.2.1 시뮬레이션 환경 ３４4.2.2 시뮬레이션 ３５4.2.3 성능 지표 평가 ３９제5장 결 론 ４３REFERENCES ４５ABSTRACT ４８
최근 본 자료
댓글(0)
0