앙상블 및 딥러닝 알고리즘을 이용한 운전자의 차선변경 의도 예측

국문 초록 (Abstract)

본 연구에서는 운전자의 차선변경 의도를 예측하기 위해 가상의 데이터와 실제의 데이터를 수집하고 다양한 머신러닝 알고리즘을 이용하여 분류모델 생성과 성능 테스트를 진행하였다. 본 연구에서는 수집하는 특징들의 종류가 기존 연구에서 사용되었던 변수들을 가능한 포함하도록 데이터 수집환경을 구성하고 시뮬레이터기반 실험을 통해 데이터를 수집하였고 자동차부품연구원에서 보유하고 있는 실제 주행 데이터를 구입하여 가상환경과 실제 환경의 데이터를 모두 수집하였다.
실험을 통해 수집된 단순한 주행 데이터를 이용하여 미래 행동 또는 운전자의 주행 의도를 예측하는 데이터로 가공하였다. 각 변수 수집 장비 별로 다른 샘플링 주기를 동기화 하고 현재 순간의 값만을 나타내던 변수를 과거 2초까지의 정보를 가지는 시계열 데이터로 가공하였다. 다음으로 현재 상태의 레이블만을 앞당겨 미래 예측이 가능한 데이터로 가공하였다. 가공한 데이터의 용량이 매우 큰 문제를 해결하기 위해 특징선택 기법을 이용하여 주행상태 예측에 긍정적인 영향을 끼치는, 정보이득이 높은 특징들만을 선택하여 알고리즘에 입력 데이터로 확정하였다.
다음으로 우리는 가상과 현실 그리고 예측시점 별로 생성한 데이터를 기존 연구에서 사용되었던 베이지안 네트워크(Bayesian network), 서포트 벡터 머신(support vector machine:SVM), J48 알고리즘과 기존에 사용되지 않았던 앙상블 기법 중 하나인 랜덤 포레스트(random forest)와 딥러닝 알고리즘 중 하나인 심층 신경망(deep neural network)에 적용하여 각 데이터 별 예측 성능을 비교하였다.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구의 배경 및 목적 1
• 1.2 관련 연구 7
• 1.3 연구개요 11
• 1.4 머신러닝 알고리즘 13
• 1.4.1 베이지안 네트워크(Bayesian Network) 13
• 1.4.2 서포트 벡터 머신(Support Vector Machine) 16
• 1.4.3 C4.5(J48) 19
• 1.4.4 랜덤 포레스트(Random Forest) 22
• 1.4.5 심층 신경망(Deep Neural Network) 24
• 1.5 예측모델 학습 및 성능 테스트 방법 28
• 1.6 머신러닝 기법 적용 개요 31
• 1.7 머신러닝 컴퓨터 및 소프트웨어 32
• 1.7.1 머신러닝 컴퓨터 환경 32
• 1.7.2 WEKA 33
• 제2장 가상 주행 실험 및 예측 모델 성능 분석 38
• 2.1 연구의 배경 및 목적 38
• 2.2 연구개요 40
• 2.3 가상 주행 실험 시나리오 설계 42
• 2.3.1 시뮬레이터 42
• 2.3.2 가상 도로 환경 43
• 2.3.3 가상 교통 환경 48
• 2.3.4 시선 추적 장비 49
• 2.3.5 입력장치 54
• 2.3.6 주행상태 구분 55
• 2.4 가상 환경 데이터 정의 57
• 2.4.1 운전자 정보 57
• 2.4.2 실험차량 정보 59
• 2.4.3 실험차량과 주변차량과의 상대정보 60
• 2.4.4 실험차량과 차선과의 상대정보 62
• 2.5 실험 절차 63
• 2.6 실험 참가자 64
• 2.7 데이터 처리 65
• 2.7.1 시계열 데이터 처리 65
• 2.7.2 예측시점 조정 68
• 2.8 특징선택 및 전처리 필터 사용 69
• 2.8.1 특징선택기법 69
• 2.8.2 전처리 필터 72
• 2.9 시뮬레이터 데이터 기반 알고리즘 별 예측모델 성능 분석 73
• 2.9.1 베이지안 네트워크(Bayesian Network) 73
• 2.9.2 서포트 벡터 머신(Support Vector Machine) 75
• 2.9.3 C4.5(J48) 77
• 2.9.4 랜덤 포레스트(Random forest) 79
• 2.9.5 심층 신경망(Deep Neural Network) 81
• 2.10 가상 주행 데이터 기반 실험결과 89
• 2.10.1 현재 주행상태 인식 성능 결과 89
• 2.10.2 3초 후 주행산태 인식 성능 결과 92
• 2.10.3 5초 후 주행상태 인식 성능 결과 95
• 2.11 결론 및 토의 98
• 2.11.1 결론 98
• 2.11.2 성과 103
• 2.11.3 향후 과제 107
• 제3장 실제 주행 데이터 수집 및 예측 모델 성능 분석 109
• 3.1 연구의 배경 및 목적 109
• 3.2 연구개요 111
• 3.3 실제 환경 데이터(DVI DB) 113
• 3.3.1 DVI 실험차량 정보 113
• 3.3.2 DVI 운전자 정보 114
• 3.3.3 DVI 주변차량 정보 115
• 3.3.4 DVI 차선 정보 116
• 3.4 DVI 실험 도로 및 주행상태 정보 117
• 3.4.1 DVI 실험도로 117
• 3.4.2 DVI 주행상태 레이블링 118
• 3.5 DVI 실험 및 실험참가자 정보 119
• 3.6 데이터 처리 120
• 3.6.1 샘플링 주기 동기화 및 데이터 추출 120
• 3.6.2 시계열 데이터 처리 122
• 3.6.3 예측시점 조정 122
• 3.7 특징선택 및 전처리 필터 사용 123
• 3.7.1 특징선택기법 123
• 3.7.2 전처리 필터 125
• 3.8 실제 주행 데이터 기반 알고리즘 별 예측모델 성능 분석 126
• 3.8.1 베이지안 네트워크(Bayesian Network) 126
• 3.8.2 서포트 벡터 머신(Support Vector Machine) 128
• 3.8.3 C4.5(J48) 130
• 3.8.4 랜덤 포레스트(Random Forest) 132
• 3.8.5 심층 신경망(Deep Neural Network) 134
• 3.9 가상 주행 데이터 기반 실험결과 142
• 3.9.1 현재 주행상태 인식 성능 결과 142
• 3.9.2 3초 후 주행산태 인식 성능 결과 144
• 3.9.3 5초 후 주행상태 인식 성능 결과 146
• 3.10 결론 및 토의 148
• 3.10.1 토의 148
• 3.10.3 성과 153
• 3.10.4 향후 과제 155
• 제4장 결론 158
• 참고 문헌 160