• Title/Summary/Keyword: Automonous driving

Search Result 3, Processing Time 0.016 seconds

Development of WA-DGNSS Reference Station Software (광역보정시스템 기준국 소프트웨어 개발)

  • Choi, Wan Sik;Chhattan, Shah Sayed;Han, Woo Yong;Yun, Ho;Kee, Changdon
    • Proceedings of the Korean Institute of Navigation and Port Research Conference
    • /
    • 2013.10a
    • /
    • pp.390-392
    • /
    • 2013
  • In the paper, design and implementation results of the reference station software are described for the WA-DGNSS that is currently developed in pseudo-realtime concept. The reference software is designed and implemented by applying the object oriented methodology.

  • PDF

Simulation-based Testing of Automonous Driving Software Using OpenDS (OpenDS를 활용한 자율주행 소프트웨어의 시뮬레이션 기반 테스팅)

  • Lee, Chae-Eun;Yun, YuSang;Hong, Jang-Eui
    • Proceedings of the Korea Information Processing Society Conference
    • /
    • 2018.10a
    • /
    • pp.541-543
    • /
    • 2018
  • 자율주행 소프트웨어는 주변 상황을 인식 및 판단하여, 스스로 동작을 제어하는 소프트웨어를 의미한다. 최근 세계적으로 자율주행 자동차에 대한 관심이 높아지고 있고, 이에 따른 자율주행 소프트웨어의 개발 또한 활발하게 진행되고 있다. 그러나 자율주행의 특성상 테스팅 과정에서 물리적인 손상을 일으킬 가능성이 높으며, 테스팅를 위한 시간적, 인력적 비용이 많이 들어가기 때문에 여러 차례 테스팅을 하기 쉽지 않다. 이러한 점은 자율주행 소프트웨어의 안전성을 높일 수 없는 요인으로 평가된다. 따라서 본 논문에서는 OpenDS를 활용한 가상 시뮬레이터 시스템과 이를 바탕으로 한 규격화 된 자율주행 소프트웨어의 테스팅 방법을 제안하며 그 실용 가능성을 평가한다.

Enhancing Autonomous Vehicle RADAR Performance Prediction Model Using Stacking Ensemble (머신러닝 스태킹 앙상블을 이용한 자율주행 자동차 RADAR 성능 향상)

  • Si-yeon Jang;Hye-lim Choi;Yun-ju Oh
    • Journal of Internet Computing and Services
    • /
    • v.25 no.2
    • /
    • pp.21-28
    • /
    • 2024
  • Radar is an essential sensor component in autonomous vehicles, and the market for radar applications in this context is steadily expanding with a growing variety of products. In this study, we aimed to enhance the stability and performance of radar systems by developing and evaluating a radar performance prediction model that can predict radar defects. We selected seven machine learning and deep learning algorithms and trained the model with a total of 49 input data types. Ultimately, when we employed an ensemble of 17 models, it exhibited the highest performance. We anticipate that these research findings will assist in predicting product defects at the production stage, thereby maximizing production yield and minimizing the costs associated with defective products.