연구
HOME > 연구 > 연구성과
연구성과
Menu
Metaverse Based Emerging Technology Research
Unity-Vissim cosimulation environment development for human-in-the-loop test
- 기존 Human-in-the-loop(HIL) 테스트 시스템은 현실적인 주행환경을 제공하는데 한계가 있음.
- Microsimulation (VISSIM)은 사람들의 일반적인 주행행태 (Car-following 및 lane change 등)을 반영하는 모델이 내제되어 교통흐름 분석 시 주로 활용되고 있음.
- 두 software를 integration하여 현실적인 교통흐름 상황에서 현실과 유사한 사람들의 주행행태 분석 위한 Cosimulation환경을 구축함
Networking based multiagent driving simulator platform development
- Single Driving simulator는 model 기반으로 움직이는 차량들과의 충돌 위험상황 시 사람들의 행 동을 모사하는데 한계가 있음
- Network 기반의 실제 여러명의 사람이 동시에 참여할 수 있는 multiagent driving simulator platform 구축을 통해 한계점을 극복하고자 함.
- 차량추종, 교행 등의 시나리오에 대해 실차 실험으로부터 좌표 및 속도변화량을 수집 및 비교 분석 결과 통계적으로 유의한 수준으로 구축된 실험 플랫폼을 구축함.
KAIST Munji campus testbed transplantation to the virtual world
- 카이스트 문지캠퍼스 테스트베드 구축을 위해 드론을 활용한 포인트 클라우드 데이터 수집 후 3D 모델링을 수행함.
- 금동석교수님 연구실(VDC)에서 운행 중인 자율주행차량의 궤적 데이터를 메타버스 환경 내 Data Replay를 수행함.
Human-Factor Research
Interactive driving behavior in overtaking situation
- 기존의 추월행태는 추월차량의 관점에서만 연구가 되어왔으며, 반대편에서 다가오는 차량을 고려한 위험도 연구는 미흡한 실정으로 multiagent Simulator를 활용하여 추월상황에 대한 실험 데이터를 수집함.
- 수집된 데이터는 SMOTE_Tomek 기반 Imbalanced data 전처리를 통해 양질의 데이터셋을 구축 하고 Machine learning 기반 사람들의 의사결정을 모델링함.
Human recognition based on the ITS technology
- 교차로에서 보행자의 안전성 증진을 위해 우회전 차량에 경고알림을 주었을 때 변화되는 운전자들의 인지반응 및 주행행태 변화를 관찰함.
- 운전자의 동공의 크기, 시야위치, 브레이크, 엑셀 등의 값을 활용하여 운전행태가 변하는 지점을 검 지하고 경고 방식에 따른 행동의 차이를 분석함.
Pedestrian behavior
- 보행자 Treadmill simulator를 메타버스 플랫폼과 연계하여, 신뢰성 있는 보행자 데이터 수집을 위 해 보행자의 신장 및 보폭에 대한 파라미터를 산출함.
Data-Driven Approach for the Practical Transportation Operation
Traffic volume imputation based on multi-source data collection system
- 교통 검지기는 도시 규모의 통행 흐름 파악을 위해 교통량 데이터를 수집하며, 이는 효율적인 교통 관리 시스템 구축 또는 도로 이용자에게 유용한 교통정보 전달을 통해 올바른 의사결정을 도모함.
- 하지만 데이터 관리 시스템, 도로 위의 예기치 못한 상황에 따라 다양한 유형의 데이터 결측 문제가 발생하였으며, 짧게는 시간 단위로 결측이 존재하지만 길게는 월 단위로 결측이 일어난 것을 확인함.
- 이에 따라 도시 단위로 설치된 대량의 교통 검지기 데이터의 교통량 결측값을 동시에 보간할 수 있 는 Graph neural network 기반의 딥러닝 방법론을 제안함.
- 해당 모델은 두 가지 다른 유형의 검지기를 공간적 및 시간적 상관관계를 협력적으로 고려할 수 있 도록 Graph domain에서의 Attention mechanism을 적용하여, 데이터 결측률에 관계없이 본래의 교통량 데이터를 12 대/5 분 이하의 오차 내외로 복구함.
The overall multi-source data aggregation process and imputation procedure
A deep spatio-temporal approach in maritime accident prediction
- 해양 사고의 위험을 예측하는 것은 교통 감시와 해양 안전을 개선하는 데 매우 중요한 의사결정 지 표로 활용됨.
- 본 연구는 여러 영향 요인을 고려하여 선박과 관련된 다양한 유형의 사고 위험에 대한 정확한 장ㆍ 단기 예측을 위해 딥러닝을 활용함.
- 연구 결과, 제안된 Deep Spatio-Temporal Ocean Accident Prediction (DSTOAP) 모델의 성능 은 해양 공간 단위 크기와 시간 간격에 따라 다르지만, 약 78% 이상의 정확도로 사고 예측에 신뢰 할 수 있는 것으로 나타남.
- 추가적으로 모든 유형의 사고를 높은 정확도로 포착할 수 있는 것과 더불어 특히 충돌 사고의 경우 84% 이상의 정확도로 예측이 가능함.
Reinforcement Learning Research
Optimized signal plan development
- 주변 교차로를 고려할 수 있는 Neighbor Dueling Deep Q-Network(NDDQN) 알고리즘을 통해 최적화된 교통신호플랜을 개발함.
- 배기가스 배출량 감소를 목적(reward)으로 신호 현시를 결정(action)하여 4개의 인접 교차로를 동시 에 제어함.
