개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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
- 2018
- 저작권
- 아주대학교 논문은 저작권에 의해 보호받습니다.
이용수4
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 논문에서는 전방 레이더, 측방레이더, 비전센서 융합 기반 주변 차량의 메뉴버(근거리 컷인) 판단 기술 개발을 목적으로 한다. 기존의 상용화된 중, 장거리 레이더는 교통체증 상황에서 측방에서 근거리로 컷인하는 차량을 인지하기에 충분하지 않으므로 측방레이더를 사용하여 인지 범위를 확장 시켰다. 하지만 측방레이더는 기존 레이더 및 라이다 대비 위치 정보가 부정확하며 추가정보로 헤딩각이 출력되지만 노이즈가 큰 특징이 있다. 따라서 이를 고려한 차량의 메뉴버 판단 기술이 필요하다. 저속 근거리 컷인 상황은 다음 단계로 구성되어 있다. 1단계: 후방에서 최초 감지되는 차량이 자차량의 측면을 지나 컷인 전에 관심차량으로 분류, 2단계: 관심차량이 컷인 의도를 보임, 3단계: 컷인 의도를 보이는 차량이 저속이 되며 정차, 4단계: 정차한 차량이 다시 이동한 뒤 차선을 밟으며 컷인을 시작, 5단계: 컷인종료 후 전방으로 주행. 본 논문에서는 1단계에서 3단계에 해당하는 메뉴버를 판단하는 것을 목표로 한다.
본 논문에서는 메뉴버를 판단하기 위해 널리 이용되는 머신러닝 기법 중 서포트 벡터 머신(Support Vector Machine, SVM)을 선택하였다. 서포트 벡터 머신을 이용하여 메뉴버를 판단하기 위해 feature로써 주변 차량에 대한 센서 측정값과 기존 위험도 판단 알고리즘을 이용하였다. 앞에서 구분된 저속 근거리 컷인 상황을 활용하여 메뉴버 판단에 사용될 훈련 데이터를 선정하는 방법 및 훈련과 판단에 사용될 feature의 조합을 찾는 과정을 제시한다. 최종적으로 선정된 조합을 이용하여 feature의 차원을 줄이면서 측방레이더의 센서 노이즈에 대해 강건한 근거리 컷인 메뉴버 판단 기술을 제안한다. 제안된 기술은 실험적 결과를 통해 검증된다.
본 논문에서는 메뉴버를 판단하기 위해 널리 이용되는 머신러닝 기법 중 서포트 벡터 머신(Support Vector Machine, SVM)을 선택하였다. 서포트 벡터 머신을 이용하여 메뉴버를 판단하기 위해 feature로써 주변 차량에 대한 센서 측정값과 기존 위험도 판단 알고리즘을 이용하였다. 앞에서 구분된 저속 근거리 컷인 상황을 활용하여 메뉴버 판단에 사용될 훈련 데이터를 선정하는 방법 및 훈련과 판단에 사용될 feature의 조합을 찾는 과정을 제시한다. 최종적으로 선정된 조합을 이용하여 feature의 차원을 줄이면서 측방레이더의 센서 노이즈에 대해 강건한 근거리 컷인 메뉴버 판단 기술을 제안한다. 제안된 기술은 실험적 결과를 통해 검증된다.
목차
1. 서 론 11.1 연구 배경 11.2 연구 내용 42. 시스템 구성 52.1 시나리오 52.2 센서 구성(sensor configuration) 62.3 문제 정의(problem statements) 102.4 소프트웨어 아키텍쳐 123. 차량 메뉴버 판단 기술 143.1 특징 변수 후보(Feature candidates) 143.2 Label 기준 193.3 Selection of training data 213.4 Feature selection 234. 실험적 검증 255. 결론 286. 참고 문헌 297. Abstract 31
최근 본 자료
댓글(0)
0