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
- 송봉섭
- 발행연도
- 2023
- 저작권
- 아주대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (3)
- 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 Bird`s Eye View(BEV) 관점의 추상화 이미지인 semantic map 을 활용한 인프라 센서 관점에서 차선 변경에 대한 의도 예측과 실도로 주행 데이터 기반 증강 데이터의 전이 학습을 활용한 알고리즘의 학습 방법론을 제안하고자 한다. 우선 의도 예측을 위하여 인프라 관점에서의 공개 데이터셋인 highD 데이터셋을 사용하여 차선 변경에 대한 의도를 정의하고 차선 변경 의도에 대한 라벨링을 진행하였다진행하였다. 차선 변경 의도 예측 알고리즘으로는 Convolutional Nerual Network(CNN)을 선 정하였으며 알고리즘의 입력으로 사용되는 차량과 차선에 대한 정보로 구성된 semantic map을 정의하였다. LSTM(Long Short -Term Memory)를 통한 궤적 예측을 통하여 고도화된 semantic map에서의 의도 성능 비교를 통하여 semantic map 고도화의 유효성을 검증하였다.
다음으로는 highD에서 학습된 알고리즘의 실도로 주행 기반 증강 데이터에 대하여 평가를 진행하였으며 전이 학습을 통하여 알고리즘 성능을 개선하였다. 실도로 주행 데이터와 정밀도로지도를 사용하여 주변 차량과 차선에 대한 정보를 생성하고 고정된 좌표계로의 변환을 통하여 인프라 관점의 데이터로 증강을 하여 데이터를 생성하였다. highD 데이터셋으로 학습된 알고리즘에 추가적으로 highD와 증강 데이터셋으로 구성된 학습 데이터셋을 통하여 전이 학습을 진행하였으며 증강 데이터셋에서의 평가를 통하여 학습 방법론을 검증하였다.
다음으로는 highD에서 학습된 알고리즘의 실도로 주행 기반 증강 데이터에 대하여 평가를 진행하였으며 전이 학습을 통하여 알고리즘 성능을 개선하였다. 실도로 주행 데이터와 정밀도로지도를 사용하여 주변 차량과 차선에 대한 정보를 생성하고 고정된 좌표계로의 변환을 통하여 인프라 관점의 데이터로 증강을 하여 데이터를 생성하였다. highD 데이터셋으로 학습된 알고리즘에 추가적으로 highD와 증강 데이터셋으로 구성된 학습 데이터셋을 통하여 전이 학습을 진행하였으며 증강 데이터셋에서의 평가를 통하여 학습 방법론을 검증하였다.
목차
1. 서론 11.1 연구 배경 11.2 연구 내용 52. Semantic map 기반 차선 변경 의도 예측 102.1 차선 변경 의도 정의 102.2 Semantic map 정의 142.3 주행 궤적 예측을 통한 semantic map 고도화 182.4 의도 예측 성능 비교 213. 실도로 주행 데이터 기반 데이터 증강 및 전이 학습 243.1 데이터 증강 방법 243.2 증강 데이터에서의 성능 비교 273.3 증강 데이터 전이 학습 304. 결론 355. 참고 문헌 36
최근 본 자료
댓글(0)
0