실도로 주행 데이터에 대한 오판단 분석 기반 차량 간 충돌 예측 알고리즘에 대한 능동-커리큘럼 학습 연구 = Active-Curriculum Learning for Vehicle Collision Prediction based on False Positive Event Analysis of Real-Driving Data

국문 초록 (Abstract)

본 연구에서는 실도로 및 시뮬레이션 데이터를 이용하는 딥러닝 기반 차량 간 충돌 예측 알고리즘의 성능을 고도화하기 위한 학습 방법론과 오판단 분석 기법을 제안한다. 실도로 주행 환경에서는 센서의 노이즈나, 예기치 못한 시나리오로 인하여 알고리즘이 실패할 수 있다. 따라서 체계적인 학습 방법과 추가적인 분석을 통해 알고리즘의 성능을 지속적으로 개선하고, ISO 21448 에서 강조하는 알려지지 않은 위험(unknown hazardous) 시나리오의 영역을 줄여 나갈 수 있는 방법론이 필요하다. 먼저 충돌 예측 알고리즘에 대하여 능동-커리큘럼 학습(Active-Curriculum Learning, ACL)을 적용하여 제한된 데이터셋 내에서 효과적으로 학습 데이터셋을 확장하면서 일반화 성능을 향상 시키는 방법을 제시한다. 이러한 방법을 통하여 실도로 주행 데이터에서 센서의 노이즈나, 인지 알고리즘의 성능 저하로 인해 품질이 저하되는 데이터에 대해서도 강인한 학습 성능을 보이는 결과를 보인다. 다음은 충돌 예측 알고리즘의 성능이 저하되는 위험 상황에 대한 분류 자동화 방법론이다. 먼저, 충돌 예측 알고리즘이 실도로 및 시뮬레이션 데이터에서 테스트될 때 오판단이 발생하는 원인을 도로 지형의 불확실성, 위험도, 시나리오 관점으로 분류한다. 이후, 시뮬레이션 기반 증강 시나리오 데이터를 생성하는 방법을 통해 알고리즘이 성능 저하되는 데이터에 대한 개선 방법을 제안한다.

목차 (Table of Contents)

• 1. 서론 1
• 1.1 연구 배경 1
• 1.2 연구의 구성 2
• 2. 충돌 예측을 위한 능동-커리큘럼 학습 4
• 2.1 연구 동향 5
• 2.2 문제 정의 11
• 2.3 학습 데이터 선정 16
• 2.4 능동 – 커리큘럼 학습 25
• 2.5 검증 및 평가 36
• 3. 충돌 예측 알고리즘에 대한 안전 분석 40
• 3.1 연구 동향 41
• 3.2 문제 정의 42
• 3.3 위험 분석 44
• 3.4 증강 시나리오 생성 및 학습 48
• 3.5 검증 및 평가 49
• 4. 결론 50
• 5. 참고 문헌 51