표제지
목차
국문초록 10
I. 서론 12
II. 관련 연구 18
1. 도로 상태 분류 연구 18
2. 승객 중심의 자율주행차량 연구 19
3. 차량에서 사용되는 딥러닝 시스템 21
4. 차량 사물 통신(V2X : Vehicle to Everything) 25
5. 차량 클라우드 29
6. 에지 컴퓨팅(Edge Computing) 32
III. 제동과 조향 결정 시스템 설계 35
1. 제동을 위한 도로 거칠기 판단 모듈 37
가. 변수 정규화 38
나. 서스펜션의 압력 데이터 수집 39
다. 도로 거칠기 판단 모듈의 데이터 입력 40
라. 도로 거칠기 출력 40
2. 거칠기 기반 제동 압력 계산 모듈 42
3. 조향 결정을 위한 승객 탐지 모듈 50
4. 승객 기반 조향 결정 모듈 59
IV. 실험 62
1. 인공지능 모델 최적화를 위한 파라미터 변경 실험 62
가. 도로 거칠기 판단 모듈의 최근접 이웃 수 최적화 63
나. 제동 압력 계산 모듈의 신경망 최적화 64
2. 효율성 검증을 위한 비교 실험 64
가. 도로 거칠기 판단 모듈의 정확도 검증 65
나. 승객 탐지 모듈의 정확도 검증 67
V. 결론 69
참고문헌 71
ABSTRACT 81
〈표 1〉 도로 거칠기 판단 모듈의 입력 데이터 세트 39
〈표 2〉 도로 거칠기 판단 모듈의 분류하는 도로의 라벨 39
〈표 3〉 도로 거칠기 판단 모듈의 입력 데이터 세트 43
〈표 4〉 상황별 마찰 계수(ef/) 44
〈표 5〉 PST의 예시 59
〈표 6〉 승객 기반 조향 결정 모듈의 입력 데이터 세트 60
〈표 7〉 가상환경을 구축한 PC의 환경 62
〈표 8〉 RRMS과 도로 거칠기 판단 모듈의 정확도 66
〈표 9〉 승객 탐지 모듈의 입력 데이터 세트 68
그림 1. 자율주행 기술의 6가지 단계 12
그림 2. 가트너가 예상한 자율주행차량의 발전과 보급 14
그림 3. 제동과 조향 결정 시스템의 전체 구성도 35
그림 4. 도로 거칠기 판단 모듈의 구성 37
그림 5. 제동 압력 계산 모듈의 구성 42
그림 6. 제동 압력 계산 모듈에서 사용되는 신경망의 구성 46
그림 7. 조향 결정을 위한 승객 탐지 모듈의 구성 50
그림 8. 트레이닝 데이터를 생성하는 GAN의 구성 51
그림 9. 승객 탐지 모듈의 CNN 모델 구성 57
그림 10. 승객 기반 조향 결정 모듈 59
그림 11. 도로 거칠기 판단 모듈의 ME(Misclassification Errors) 63
그림 12. 제동 압력 계산 모듈의 히든 레이어 개수 별 정확도 64
그림 13. 테스트 데이터 세트별 도로 거칠기 판단 모듈과 K-means 알고리즘의 정확도 66
그림 14. 데이터 세트별 승객 탐지 모듈과 기존 시스템의 정확도 67
Algorithm 1. leaning and usage of KNN model 40
Algorithm 2. neural network leaning method 47
Algorithm 3. leaning method of GAN 52
Algorithm 4. creating and testing PRCNN model 54
Algorithm 5. Information stored in PST 57
Algorithm 6. calculation of tanh and tanh's error signals method 61
[식1] z-score 정규화 38
[식2] 최대-최소 정규화 43
[식3] 제동 거리 계산식 44
[식4] 거칠기 기반 제동 압력 계산 모듈의 출력 노드 44
[식5] 활성화 함수(swish) 45
[식6] 활성화 함수(sigmoid) 45
[식7] swish 함수의 미분 함수 45
[식8] sigmoid 함수의 미분 함수 45
[식9] RMSE(Root Mean Squared Error) 45
[식10] GAN의 손실함수 51
[식11] 활성화 함수(하이퍼 볼릭 탄젠트) 60
[식12] 하이퍼 볼릭 탄젠트 함수의 미분 함수 60