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
- 유헌창
- 발행연도
- 2023
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수56
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 급발진 의심 사고가 해마다 늘어나면서 사고 원인을 둘러싼 운전자와 자동차 제조사 간의 갈등 역시 증가하고 있다. 사고 차량 운전자는 사고 당시 브레이크를 밟았다고 주장하지만, 급발진 사고를 판명할 수 있는 EDR에는 운전자의 주장을 증명할 만한 기록이 없기 때문이다. 최근 블랙박스와 CCTV 등이 보편화되면서 운전자의 주장을 사실로 받아들일 수 있는 증거가 등장하더라도 자동차 제조사와 현행법은 EDR을 토대로 급발진 사고로 인정하지 않는다.
본 연구는 머신 러닝을 활용하여 이러한 문제를 해결할 실마리를 찾고자 하였다. 머신 러닝은 경험적 데이터를 기반으로 학습하여 최적의 의사결정을 내리는 데 도움을 주는 기법이다. 본 연구에서는 TimeGAN을 기반으로 다양한 머신 러닝 기법을 사용하여 급발진과 급가속을 구분하고 급발진을 탐지하는 모델을 생성하였다. 구체적으로, 본 연구에서는 자동차 전문가들이 급발진 사고로 판단하는 공식적인 EDR 데이터로 급발진이 발생했을 때와 정상적인 급가속 운행 상태를 구분할 수 있는 기계 학습 모델을 생성하였다. 이러한 EDR 데이터의 구분은 다변량 시계열 데이터 분류 문제로 EDR을 구성하는 변수와의 피어슨 상관계수와 클래스 관련성을 고려하여 특징 변수 집합을 구성한다. 그리고 급발진 추정 사고의 EDR 데이터와 ODB-II 장치를 통해 얻은 급가속 데이터는 불균형 상태로 정확한 급발진 분류 모델을 생성하기 위해서 벡터 자기 회기와 TimeGAN 모델을 활용하여 데이터를 확장하였다. 이 후 EDR데이터 분류 모델로 머신 러닝(로지스틱 회귀, 서포트 벡터 머신, 랜덤 포레스트, XGBoost)과 딥러닝(CNN, LSTM) 모델을 적용하였다. 실험 결과, TimeGAN으로 확장된 세 가지 급가속 데이터로 분류 모델 평가에서 GRU 모듈로 생성된 급가속 데이터가 급발진 분류 성능이 가장 높은 것으로 밝혀졌다. 또한, 실시간 객체 탐지 모델인 YOLO를 활용하여 운전자의 발 움직임과 RPM 게기판의 이미지 학습을 통해 급발진을 탐지하여 현재의 제동장치 시스템을 보완하는 방법도 함께 제시하였다.
이와 같은 연구는 기존의 급발진 의심 사고 EDR 데이터를 확장하여 자동차 급발진을 탐지하는 것으로 급발진 사고 의심 EDR 데이터의 적은 모수로 인하여 관련 연구 개발을 진행하기 어려웠던 한계를 해결하는 데 도움을 줄 수 있다. 더불어 급발진 판단 뿐만 아니라 예측과 예방을 위한 시스템 개발에도 영향을 줄 것으로 생각한다. 또한, EDR 기록 및 활용 방법에 대한 변화의 필요성에 대한 인식이 높아질 것이며, 이와 관련된 연구가 계속 이어질 것으로 예상된다. 이는 결국 자동차 급발진을 감지하고 예방하는 견고한 모델 개발과 차량 안전성 향상으로 이어지며, 기술 활용을 통한 사회 문제 해결에도 기여할 것으로 기대된다.
본 연구는 머신 러닝을 활용하여 이러한 문제를 해결할 실마리를 찾고자 하였다. 머신 러닝은 경험적 데이터를 기반으로 학습하여 최적의 의사결정을 내리는 데 도움을 주는 기법이다. 본 연구에서는 TimeGAN을 기반으로 다양한 머신 러닝 기법을 사용하여 급발진과 급가속을 구분하고 급발진을 탐지하는 모델을 생성하였다. 구체적으로, 본 연구에서는 자동차 전문가들이 급발진 사고로 판단하는 공식적인 EDR 데이터로 급발진이 발생했을 때와 정상적인 급가속 운행 상태를 구분할 수 있는 기계 학습 모델을 생성하였다. 이러한 EDR 데이터의 구분은 다변량 시계열 데이터 분류 문제로 EDR을 구성하는 변수와의 피어슨 상관계수와 클래스 관련성을 고려하여 특징 변수 집합을 구성한다. 그리고 급발진 추정 사고의 EDR 데이터와 ODB-II 장치를 통해 얻은 급가속 데이터는 불균형 상태로 정확한 급발진 분류 모델을 생성하기 위해서 벡터 자기 회기와 TimeGAN 모델을 활용하여 데이터를 확장하였다. 이 후 EDR데이터 분류 모델로 머신 러닝(로지스틱 회귀, 서포트 벡터 머신, 랜덤 포레스트, XGBoost)과 딥러닝(CNN, LSTM) 모델을 적용하였다. 실험 결과, TimeGAN으로 확장된 세 가지 급가속 데이터로 분류 모델 평가에서 GRU 모듈로 생성된 급가속 데이터가 급발진 분류 성능이 가장 높은 것으로 밝혀졌다. 또한, 실시간 객체 탐지 모델인 YOLO를 활용하여 운전자의 발 움직임과 RPM 게기판의 이미지 학습을 통해 급발진을 탐지하여 현재의 제동장치 시스템을 보완하는 방법도 함께 제시하였다.
이와 같은 연구는 기존의 급발진 의심 사고 EDR 데이터를 확장하여 자동차 급발진을 탐지하는 것으로 급발진 사고 의심 EDR 데이터의 적은 모수로 인하여 관련 연구 개발을 진행하기 어려웠던 한계를 해결하는 데 도움을 줄 수 있다. 더불어 급발진 판단 뿐만 아니라 예측과 예방을 위한 시스템 개발에도 영향을 줄 것으로 생각한다. 또한, EDR 기록 및 활용 방법에 대한 변화의 필요성에 대한 인식이 높아질 것이며, 이와 관련된 연구가 계속 이어질 것으로 예상된다. 이는 결국 자동차 급발진을 감지하고 예방하는 견고한 모델 개발과 차량 안전성 향상으로 이어지며, 기술 활용을 통한 사회 문제 해결에도 기여할 것으로 기대된다.
목차
국문초록 iABSTRACT iii목차 v표 목차 vii그림 목차 ix제1장. 서론 11.1 연구의 필요성 11.2연구 목적 및 논문의 구성 3제2장. 관련 연구 42.1 자동차 급발진에 관한 연구 42.2 급발진 예측 및 탐지에 관한 연구 72.3 급발진 사례 10제3장. 급발진 EDR 데이터 수집 및 확장 123.1 실험 방법과 데이터 특징 선택 123.2 불균형 다변량 시계열 데이터 처리에 관한 연구 163.2.1 벡터 자기 회기(VAR) 163.2.2 시계열 적대적 생성 신경망(TimeGAN) 173.3 EDR 불균형 데이터 확장 193.3.1 급발진 데이터 확장(VAR) 193.3.2 급가속 데이터 확장(TimeGAN) 22제4장. 급발진 탐지 모델 실험 결과 264.1 실험 환경 264.2 실험 결과 264.2.1 로지스틱 회귀 모델 기반 실험 결과 284.2.2 서포트 벡터 머신 모델 기반 실험 결과 294.2.3 랜덤 포레스트 모델 기반 실험 결과 304.2.4 XGBoost모델 기반 실험 결과 324.2.5 CNN모델 기반 실험 결과 334.2.6 LSTM모델 기반 실험 결과 354.2.7 실험 결과 요약 364.3 YOLO를 이용한 급발진 상황 탐지 38제5장. 결론 41참고문헌 43
최근 본 자료
댓글(0)
0