연령 및 성별을 고려한 운전자 상태 판단 알고리즘 개발 및 평가에 관한 연구

국문 초록 (Abstract)

교통사고의 높은 비율을 차지하는 원인 중 하나는 인간 오류이다. 안전한 운전에 필요한 주의의 문제는 운전자의 판단 실수, 정보 처리 지연 등으로 이어지고 교통사고가 발생할 가능성이 커진다. 이에 따라 다양한 연구기관과 상용자동차 업체에서는 운전자 상태 판단 시스템을 개발하고 있다. 하지만 운전자의 특성이 다양한 만큼 많은 요소를 고려해야 다양한 운전자의 특성에 맞는 정상적인 판단을 할 수 있다. 따라서 본 연구에서는 다양한 성별과 연령대의 운전자의 상태를 차량, 영상, 음성, 생체 정보를 사용하여 확률적인 기반으로 판단하는 것이 목표이다.
정량적 수치에 근거한 알고리즘 설계를 위해서 다양한 성별과 연령대를 갖는 운전자의 비정상상태에 따른 특성 정보를 획득하기 위해서 Human-in-the-loop 실험을 진행하였다. 실험을 통해서 획득된 정보는 알고리즘 구조를 정의하기 위한 운전자 상태에 따른 변수별 효용성 분석과 신호탐지이론을 적용한 베이지안 네트워크 내부의 우도확률 정의를 위해서 사용되었다. 이러한 방법으로 설계된 운전자 상태 판단 알고리즘은 실험 데이터를 통해서 성능이 검증되었다. 검증 결과, 본 논문에서 정의된 적합도 항목에서 적중률과 오경보율의 조건에서는 전체 상태 140개 중 109개를 만족하는 78%의 적합도를 가졌고 ROC 커브 면적의 조건에서는 전체 상태 140개 중 121개를 만족하는 86%의 적합도를 보였다. 또한, 알고리즘의 1행 당 평균 동작 시간은 0.00062472초를 보였다.

다국어 초록 (Multilingual Abstract)

One of the main reasons for traffic accidents is human error. Anything less than the level of attention necessary to drive safely can lead to mistakes in judgement and delayed information processing and therefore. increase the likelihood of an accident occurring. Accordingly, systems for monitoring a driver’s level of attention are being developed by
many research institutes and automobile companies. However, it is necessary to consider all of the drivers’ characteristics in order to correctly judge his or her state at any particular instant. Therefore, the
purpose of this study was to stochastically estimate the driver’s state based on data from the vehicle and the driver’s vision, voice, and physiological information while also considering age and gender.
To quantitatively design an algorithm, “human-in-the-loop”experiments were conducted to obtain information corresponding to an abnormal state. The information thus obtained was used to define the probability of a Bayesian network structure. The developed estimation algorithm was assessed by comparing the results obtained with experimental data. The estimation algorithm was found to be suited to 109(78%) of 140 instances of correct detection and false alarms and 121(86%) of 140 instances of ROC curves. Also, the average computing time per line of the algorithm was 0.00062472 s.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 연구 동향 2
• 1.3 선행연구와의 비교 4
• 1.4 운전자 상태 정의 5
• 1.4.1 운전자 졸음(Drowsiness) 5
• 1.4.2 운전자 주의분산(Distraction) 6
• 1.4.3 운전자 주행 과부하(Driving high-workload) 7
• 1.5 연구 목표 8
• 제2장 운전자 비정상상태 판단 베이지안 네트워크 설계 9
• 2.1 알고리즘 9
• 2.1.1 베이지안 네트워크 9
• 2.2 동적 베이지안 네트워크 11
• 2.2.1 동적 베이지안 네트워크 11
• 2.2.2 동적 베이지안 네트워크 구조 정의 13
• 2.2.2.1 노드(Node) 정의 13
• 2.2.2.2 호(Arc)정의 14
• 2.2.3 동적 베이지안 네트워크 확률 정의 15
• 제3장 상태별 정보 획득을 위한 시뮬레이터 기반 Human-in-the-loop 실험 17
• 3.1 운전자 및 차량 정보 획득을 위한 Human-in-the-loop 실험 설계 17
• 3.1.1 운전자 비정상상태 특성 정보 수집을 위한 실험 변수 선정 17
• 3.1.1.1 운전자 비정상상태 특성 정보 수집 실험의 독립변수 정의 17
• 3.1.1.2 운전자 비정상상태 특성 정보 수집 실험의 종속변수 정의 18
• 3.1.2 운전자 졸음, 주의분산, 과부하 유도를 위한 실험 시나리오 선정 19
• 3.1.3 피험자 모집 22
• 3.1.4 실험 절차 24
• 3.1.5 실험 장치 25
• 제4장 Human-in-the-loop 실험 결과 분석 28
• 4.1 통계적 유의성 검정을 통한 변수 효용성 분석 28
• 4.1.1 변수별 특성에 따른 변수 전처리 방법 정의 29
• 4.1.1.1 효용성 분석을 위한 전처리 전 1차 가공 방법 정의 29
• 4.1.1.2 효용성 분석을 위한 전처리 방법 정의 31
• 4.1.2 통계적 유의성 검정 방법 정의 36
• 4.2 각 그룹의 상태별 특성 기반 모듈별 변수 효용성 분석 결과 38
• 4.2.1 2~30대 남성의 상태에 따른 모듈별 변수 효용성 분석 결과 38
• 4.2.2 2~30대 여성의 모듈별 변수 효용성 분석 결과 41
• 4.2.3 4~50대 남성의 모듈별 변수 효용성 분석 결과 44
• 4.2.4 4~50대 여성의 모듈별 변수 효용성 분석 결과 47
• 제5장 운전자 상태 판단 알고리즘 설계 57
• 5.1 운전자 상태 판단 알고리즘 구조 설계 57
• 5.1.1 변수별 특성에 따른 변수 전처리 알고리즘 설계 60
• 5.1.1.1 효용성 분석과 알고리즘 설계의 전처리 방법 차이 60
• 5.1.1.2 알고리즘 설계를 위한 전처리 전 1차 가공 방법 정의 62
• 5.1.1.3 알고리즘 설계를 위한 전처리 방법 정의 65
• 5.1.2 상태에 따른 변수별 결정기준 값 및 조건부확률 값 정의 69
• 5.1.2.1 최대우도추정법(Maximum likelihood estimation) 69
• 5.1.2.2 전처리된 변수 특성에 따른 정규분포 정의 70
• 5.1.2.3 신호탐지이론 적용 결정기준 값 및 조건부확률 값 정의 73
• 5.1.3 변수 효용성 분석 결과 기반 베이지안 네트워크 구조 설계 77
• 5.1.3.1 자식 노드 정의 77
• 5.1.3.2 효용성 분석 결과 기반 베이지안 네트워크 구조 정의 78
• 5.2 결과 83
• 5.2.1 운전자 상태 판단 결과 83
• 5.2.2 운전자 상태 판단 알고리즘 성능 평가 88
• 제6장 결론 89
• 6.1 토의 89
• 6.2 본 연구의 성과 91
• 6.3 향후 과제 92
• 참고 문헌 93
• ABSTRACT 96
• Appendix 97