• 한국융합학회논문지
• /
• 제8권9호
• /
• pp.285-292
• /
• 2017

본 논문은 자율주행 개인화를 위한 순환 최소자승 기반 융합형 종방향 주행특성 구분 알고리즘에 관한 연구이다. 최근 자율주행 기술은 Level 4 완전 자율주행 단계를 위해 다양한 연구가 수행되고 있다. 자율주행 자동차의 상용화를 위해서는 탑승자의 자율주행에 대한 이질감을 최소화할 수 있어야 하며 이를 위해 자율주행 개인화 기술이 필요하다. 이 문제를 해결하기 위해 본 연구에서는 운전자의 종방향 주행특성을 수학적으로 표현하고 순환 최소자승 기법 기반 실 주행 데이터를 이용하여 주행특성을 도출하는 알고리즘을 제안하였다. 두 명의 실제 운전자 데이터를 이용하여 종방향 주행특성을 도출하였으며 두 명의 운전자를 구분하기 위해 가설검정 기반 확률적 구분 알고리즘을 적용하였다. 제안된 종방향 주행특성 도출 및 구분 알고리즘은 개별 운전자의 주행특성을 합리적으로 나타낼 수 있었으며 가설검정 기반 확률적 구분기법에 의해 주행특성이 구분될 수 있음을 확인하였다.

• 한국융합학회논문지
• /
• 제9권10호
• /
• pp.249-255
• /
• 2018

본 논문은 자율주행 개인화를 위한 역 충돌시간 및 차두시간 융합 기반 인간중심 제어 알고리즘 개발에 관한 것이다. 운전자 및 탑승자의 자율주행에 대한 이질감 최소화를 위해 인간중심적 주행제어 기술이 필요하다. 운전자가 선행차량과 함께 주행하는 조건에서 운전자의 주행특성을 분석하고, 분석된 결과를 종방향 자율주행 제어에 반영하였다. 주행특성으로 가속도, 역 충돌시간, 차두시간 분포가 분석되었고, 운전자의 주행특성이 반영된 제어기 구성을 위해 역 충돌시간 및 차두시간을 이용한 종방향 제어기를 구성하였다. 본 연구에서 제안된 제어 알고리즘은 Matlab/Simulink 환경에서 구성되었으며 실 주행데이터 기반 성능평가가 수행되었다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제18권5호
• /
• pp.1223-1237
• /
• 2024

Autonomous vehicles use onboard sensors to sense the surrounding environment. In complex autonomous driving scenarios, the detection and recognition capabilities are constrained, which may result in serious accidents. An efficient way to enhance the detection and recognition capabilities is establishing collaborations with the neighbor vehicles. However, the collaborations introduce additional challenges in terms of the data heterogeneity, communication cost, and data privacy. In this paper, a novel personalized federated learning framework is proposed for addressing the challenges and enabling efficient collaborations in autonomous driving environment. For obtaining a global model, vehicles perform local training and transmit logits to a central unit instead of the entire model, and thus the communication cost is minimized, and the data privacy is protected. Then, the inference similarity is derived for capturing the characteristics of data heterogeneity. The vehicles are divided into clusters based on the inference similarity and a weighted aggregation is performed within a cluster. Finally, the vehicles download the corresponding aggregated global model and train a personalized model which is personalized for the cluster that has similar data distribution, so that accuracy is not affected by heterogeneous data. Experimental results demonstrate significant advantages of our proposed method in improving the efficiency of collaborative perception and reducing communication cost.

• ETRI Journal
• /
• 제45권1호
• /
• pp.75-92
• /
• 2023

Level 3 autonomous vehicles require conditional autonomous driving in which autonomous and manual driving are alternately performed; whether the driver can resume manual driving within a limited time should be examined. This study investigates whether the demographics and subjective driving tendencies of drivers affect the take-over performance. We measured and analyzed the reengagement and stabilization time after a take-over request from the autonomous driving system to manual driving using a vehicle simulator that supports the driver's take-over mechanism. We discovered that the driver's reengagement and stabilization time correlated with the speeding and wild driving tendency as well as driving workload questionnaires. To verify the efficiency of subjective questionnaire information, we tested whether the driver with slow or fast reengagement and stabilization time can be detected based on machine learning techniques and obtained results. We expect to apply these results to training programs for autonomous vehicles' users and personalized human-vehicle interfaces for future autonomous vehicles.

• 인터넷정보학회논문지
• /
• 제24권1호
• /
• pp.39-47
• /
• 2023

The development of autonomous driving and Advanced Driver Assistance System (ADAS) technology has grown rapidly in recent years. As most traffic accidents occur due to human error, self-driving vehicles can drastically reduce the number of accidents and crashes that occur on the roads today. Obviously, technical advancements in autonomous driving can lead to improved public driving safety. However, due to the current limitations in technology and lack of public trust in self-driving cars (and drones), the actual use of Autonomous Vehicles (AVs) is still significantly low. According to prior studies, people's acceptance of an AV is mainly determined by trust. It is proven that people still feel much more comfortable in personalized ADAS, designed with the way people drive. Based on such needs, a new attempt for a customized ADAS considering each driver's driving style is proposed in this paper. Each driver's behavior is divided into two categories: assertive and defensive. In this paper, a novel customized ADAS algorithm with high classification accuracy is designed, which divides each driver based on their driving style. Each driver's driving data is collected and simulated using CARLA, which is an open-source autonomous driving simulator. In addition, Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) machine learning algorithms are used to optimize the ADAS parameters. The proposed scheme results in a high classification accuracy of time series driving data. Furthermore, among the vast amount of CARLA-based feature data extracted from the drivers, distinguishable driving features are collected selectively using Support Vector Machine (SVM) technology by comparing the amount of influence on the classification of the two categories. Therefore, by extracting distinguishable features and eliminating outliers using SVM, the classification accuracy is significantly improved. Based on this classification, the ADAS sensors can be made more sensitive for the case of assertive drivers, enabling more advanced driving safety support. The proposed technology of this paper is especially important because currently, the state-of-the-art level of autonomous driving is at level 3 (based on the SAE International driving automation standards), which requires advanced functions that can assist drivers using ADAS technology.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제18권6호
• /
• pp.1462-1477
• /
• 2024

With the evolving complexity of connected vehicle features, the volume and diversity of data generated during driving continue to escalate. Enabling data sharing among interconnected vehicles holds promise for improving users' driving experiences and alleviating traffic congestion. Yet, the unintentional disclosure of users' private information through data sharing poses a risk, potentially compromising the interests of vehicle users and, in certain cases, endangering driving safety. Federated learning (FL) is a newly emerged distributed machine learning paradigm, which is expected to play a prominent role for privacy-preserving learning in autonomous vehicles. While FL holds significant potential to enhance the architecture of the Internet of Vehicles (IoV), the dynamic mobility of vehicles poses a considerable challenge to integrating FL with vehicular networks. In this paper, a novel clustered FL framework is proposed which is efficient for reducing communication and protecting data privacy. By assessing the similarity among feature vectors, vehicles are categorized into distinct clusters. An optimal vehicle is elected as the cluster head, which enhances the efficiency of personalized data processing and model training while reducing communication overhead. Simultaneously, the Local Differential Privacy (LDP) mechanism is incorporated during local training to safeguard vehicle privacy. The simulation results obtained from the 20newsgroups dataset and the MNIST dataset validate the effectiveness of the proposed scheme, indicating that the proposed scheme can ensure data privacy effectively while reducing communication overhead.

• 한국ITS학회 논문지
• /
• 제22권6호
• /
• pp.32-48
• /
• 2023

자율주행기술의 발달은 점차 개인화된 통행을 유도하며, 자율주행차량으로의 전환으로 인한 도로운영 측면에서 교통 영향력은 개인차량을 이용한 수요에 의해 가장 큰 영향력을 받는다. 따라서, 교통 영향력 검토를 위해서는 개인통행특성 이해를 기반한 통행발생량 산정이 필요하다. 개인 통행특성 반영이 가능한 Activity-based model(ABM)은 개인의 모든 이동을 다루므로 통행과 통행 사이의 관계에 대한 이해가 선행되어야 한다. 하지만, ABM은 실제 수요예측에서 데이터 구득문제와 같이 많은 한계점이 있다. 따라서, 본 연구에서는 가구통행실태조사자료를 기반으로 통행간 관계를 설명할 수 있는 Tour-based 모형을 활용하였다. 또한, 샘플조사 자료의 전수화를 위해 차량등록대수 및 인구수 데이터를 활용하여 개인차량발생량 보정방안을 제시하였다. 통행발생량 분석결과, KTDB와 비교하였을 때 본 연구에서 전체통행발생량은 약 13% 높았으며, 업무통행의 경우 약 9% 차이로 합리적인 오차수준으로 분석되었다. 결과적으로 본 연구의 궁극적인 목표인 도로운영 측면의 자율주행차량 도입에 따른 수요예측을 위해 Activity-based 모형 구축에 앞서 개인통행특성을 반영할 수 있는 Tour를 기반으로 발생량 보정방안으로 활용될 수 있다.

• 한국도서관정보학회지
• /
• 제52권1호
• /
• pp.155-178
• /
• 2021

4차산업혁명 시대에서 공공도서관은 인공지능과 같은 외부 환경 변화에 능동적으로 대응하기 위하여 도서관 지능형서비스 추진 전략이 필요하다. 따라서 본 연구에서는 인공지능의 개념과 국내외 인공지능 관련 동향 및 정책, 사례 등의 분석 내용을 기반으로 도서관에서의 향후 인공지능 서비스 도입 및 발전 방향성에 대해 제안하였다. 현재 도서관에서는 딥러닝, 자연어처리 등 인공지능 기술 도입을 통해 자동으로 답변을 제공하는 참고정보서비스를 운영하며, 빅데이터 기반 AI 도서 추천 및 자동 도서 점검 시스템을 개발하여 업무 활용도를 높이고, 이용자 맞춤형 서비스를 제공하고 있다. 기업 및 산업 분야에서는 국내외를 막론하고, 사용자 개인 맞춤형 등을 기반으로 한 기술을 개발하여 서비스하고 있으며, 딥러닝을 사용하여 정보를 스스로 학습하여 최적의 결과를 제공하는 식의 형태로 개발하고 있다. 이에 따라 향후 도서관에서 인공지능을 활용하여, 이용자의 이용 기록을 기반으로 한 개인 맞춤형 도서 추천, 독서·문화 프로그램 추천, 도서 택배 서비스 시 자율주행 드론·자동차 등 운송수단을 통한 실시간 배송 서비스 도입 등 다양한 서비스 개발을 도모해야 한다.