실차 환경에서 운전자 주의분산 판단을 위한 DBN과 CNN 알고리즘 비교 연구

국문 초록 (Abstract)

차량 사고 원인 중 인간 오류(Human error)는 큰 부분을 차지한다. 인간 오
류를 발생시키는 다양한 요인 중 하나인 운전자의 비정상상태 주행은 큰 문제를
야기하고 있다. 문제를 해결하기 위해 다양한 연구가 진행 완료, 진행 중이다.
본 연구는 운전자 비정상상태 주행의 특징을 파악하고, 비정정상태를 판단하는
알고리즘을 설계하는 것을 목표로 하였다.
운전자의 비정상상태에 관한 연구는 과거부터 꾸준히 진행되어 왔지만, 대부분
연구는 실제 차량 주행 실험 데이터가 아닌 설문조사, 교통사고 데이터, 그리고
시뮬레이션 환경에서의 실험 데이터를 이용한 연구였다. 이러한 연구들을 실제
차량 주행 환경과 큰 차이를 보일 수 있다. 이를 해결하기 위에 본 연구에서는
실제 차량 주행 실험을 통해 차량의 주행 데이터, 영상, 그리고 운전자의 생체
데이터를 수집하여 비정상상태 주행 특성에 대해 연구하였다.
실험을 통해 수집된 정보는 전처리를 통해 비정상상태를 판단할 수 있는 지표
로 변환하였고, 효용성 분석을 진행하였다. 효용성 검증이 된 지표들을 활용하여
베이즈 이론을 바탕으로 한 Dynamic Bayesian Network (DBN) 알고리즘을 설
계하여 운전자 상태 판단 성능을 검증하였다. 또한 실험을 통해 수집된 데이터
를 활용하여 Deep Neural Network (DNN)의 한 종류인 Convolutional Neural
Network (CNN)을 설계하여 운전자 상태 판단 성능을 검증하고 위의 DBN 알고
리즘과 비교 분석하였다. 결과로, DBN의 시각적/수동적 주의분산 적중률은
0.7289 (73%), 오경보율은 0.3336 (33%)이고 CNN의 시각적/수동적 주의분산
적중률은 0.9937 (100%), 오경보율은 0.3776 (38%)로 나타났다. CNN이 DBN
보다 시각적/수동적 주의분산을 판단하는 성능이 높은 것으로 확인되었고, 인지적
주의분산을 판단하는데 있어서 두 알고리즘 모두 적합하지 않은 것으로 판단하였
다.

다국어 초록 (Multilingual Abstract)

Human error is a big part of the cause of a car accident. One of the
various factors that cause human errors is driving the driver in
abnormal condition, which causes big problems. Various studies are
under way to solve the problem. The purpose of this study is to design
an algorithm to identify the characteristics of driver abnormal condition
and determine the uncorrected condition.
Studies on the abnormal condition of the driver have been carried out
steadily since the past, but most of the researches were conducted
using survey data, traffic accident data, and experimental data in the
simulation environment, not actual vehicle driving test data. These
studies can show a great difference from the actual driving environment.
In order to solve this problem, this study investigated the abnormal
driving characteristics by collecting the driving data, image, and driver 's
biometric data of the vehicle through actual vehicle driving experiments.
The information collected through the experiment was transformed into
an index that can be used to judge the abnormal condition through
preprocessing, and the efficiency analysis was conducted. By using the
validated indicators, the DBN algorithm based on the Bayesian theorem
was designed to verify the driver 's condition judgment performance. In
addition, by using the collected data, we designed the Convolutional
Neural Network (CNN), a kind of Deep Neural Network (DNN), to
verify the driver status judgment performance and compared with the
above DBN algorithm. As a result, the visually and passively distributed
variance rate of the DBN was 0.7289 (73%), the false alarm rate was
0.3336 (33%), the visual / passive variance of the CNN was 0.9937
(100%) and the false alarm rate was 0.3776 (38%). Respectively. CNN
is more likely to judge the variance of visual / manual attention than
DBN, and it is judged that both algorithms are not suitable for judging
cognitive distraction.

목차 (Table of Contents)

• 제1장 서 론 01
• 1.1 연구의 배경 및 필요성 01
• 1.2 연구 동향 02
• 제2장 운전자 상태 선행 연구 06
• 2.1 운전자 상태 정의 06
• 2.1.1 시각적/수동적 주의분산 08
• 2.1.2 인지적 주의분산 08
• 제3장 운전자 상태 정보 수집 실험 설계 09
• 3.1 실험 개요 및 가설 09
• 3.1.1 실험 목적 및 개요 09
• 3.1.2 실험 가설 설정 09
• 3.2 실험 변수 10
• 3.2.1 독립 변수 10
• 3.2.2 종속 변수 14
• 3.3 실험 환경 14
• 3.3.1 실제 장비 14
• 3.3.2 주행 도로 선정 15
• 3.3.3 실험 시나리오 및 절차 16
• 3.3.4 실험 참가자 18
• 제4장 운전자 상태 정보 수집 실험 결과 19
• 4.1 실험 결과 및 분석 방법 19
• 4.2 상태 판단 지표 선정 19
• 4.3 상태 판단 지표 효용성 분석 결과 27
• 제5장 운전자 상태 판단 알고리즘 설계 35
• 5.1 상태 판단 알고리즘 35
• 5.1.1 Dynamic Bayesian Network (DBN) 35
• 5.1.2 Convolutional Neural Network (CNN) 37
• 5.2 운전자 상태 판단 알고리즘 동작 결과 38
• 5.2.1 DBN 성능 분석 38
• 5.2.2 CNN 성능 분석 40
• 5.2.3 DBN, CNN 성능 비교 45
• 제6장 결론 47
• 6.1 연구 결과 47
• 6.2 향후 과제 47
• 참고 문헌 49