본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

본문요약

목차

1. Introduction 13

1.1. Motivation 13

1.2. Objective and Outline 15

2. Safety-critical Scenario Generation for Collision Avoidance 19

2.1. State of the Arts 19

2.2. Sources for Scenarios 24

2.3. Concrete Scenario Generation 28

2.4. Scenario Database 33

2.5. Selection of Concrete Scenarios 35

2.5.1. Search for Lateral Parameter Space 35

2.5.2. Search for Longitudinal Parameter Space 42

2.5.3. Validation and Evaluation 46

2.6. Conclusions 52

3. Strategy Decision for Collision Avoidance 53

3.1. Introduction 53

3.2. Problem Statement 56

3.3. Integrated Strategy Decision with Data-driven and Physic based Methods 60

3.3.1. Threat Assessment 62

3.3.2. Motion Prediction 63

3.3.3. Stacked Predictive Semantic Map (PSM) 68

3.3.4. CNN-based Classification for Strategy 71

3.4. Validation and Evaluation 74

3.4.1. Data sets for Strategy Decision 74

3.4.2. Training 83

3.4.3. Performance Evaluation 85

3.5. Conclusions 99

4. Lateral controller for Collision Avoidance 100

4.1. Introduction 100

4.2. Modeling 103

4.2.1. Kinematic Model 103

4.2.2. Dynamic Model 105

4.3. Dynamic Surface Control 107

4.4. Model Prediction Control 109

4.5. Validation 113

4.5.1. Simulation Results 113

4.5.2. Experimental Results 117

4.6. Conclusions 128

5. Conclusions 129

Reference 131

Abstract 140

표목차

Table 2-1. Statistics of vehicle-to-vehicle collision on Korean road in 2012~2014 26

Table 2-2. Distribution of accident scenarios 26

Table 2-3. Vehicle maneuver for non-junction road 30

Table 2-4. Vehicle maneuver for junction road 30

Table 2-5. Logical scenarios of frontal collision scenario (601) 31

Table 2-6. Parameter space for cutting-in(LK-CIL) scenario 32

Table 2-7. Results of searching for safety-critical scenarios 49

Table 3-1. Statistics of driving data 77

Table 3-2. Safety-critical scenario and road geometry for training and test of collision avoidance algorithm 80

Table 3-3. The datasets used in validation 84

Table 3-4. Performance evaluation for simulation data 90

Table 3-5. Performance evaluation for simulation data on the safety-critical scenarios 90

Table 3-6. Performance evaluation for FOT data 97

Table 4-1. Parameter for bicycle model 106

Table 4-2. Parameters of the model predictive control 112

그림목차

FIGURE 1-1. Defining the problem of the selection of decision strategy in cutting in scenario. 17

FIGURE 1-2. The outline of this dissertation. 18

FIGURE 2-1. Safety-critical scenario and probability 23

FIGURE 2-2. Definition of cut-in scenario in OpenSCENARIO 2.0 23

FIGURE 2-3. Examples of fatal accident description. 27

FIGURE 2-4. Example of scenario for the fatal accident in Fig 4(b). 31

FIGURE 2-5. Cut-in trajectories of vehicle B in LK-CIL scenarios. 32

FIGURE 2-6. Database for safety critical scenario. 34

FIGURE 2-7. Cumulative distribution of relative lateral position of cut-in scenarios 40

FIGURE 2-8. Cut-in scenarios with respect to road geometry and cut-in direction. 40

FIGURE 2-9. LK-CIL scenarios with respect to parameter space. 41

FIGURE 2-10. Impact speed with respect to TTC and αB.[이미지참조] 45

FIGURE 2-11. Distribution of TTC(tAEB) for safety-critical scenarios.[이미지참조] 50

FIGURE 2-12. Result of safety-critical scenarios. 51

FIGURE 3-1. Defining the problem of decision for collision avoidance algorithm in real driving condition. 58

FIGURE 3-2. Defining the problem of decision for collision avoidance in cutting-in scenarios. 59

FIGURE 3-3. Illustrative architecture of collision avoidance algorithm. 61

FIGURE 3-4. Trajectory genearation for evasive steering to left. 67

FIGURE 3-5. Coordinate transformation for predicted trajectory. 67

FIGURE 3-6. Example of stacked PSM 70

FIGURE 3-7. Network architecture for strategy classification 73

FIGURE 3-8. Test vehicle and system configuration 75

FIGURE 3-9. Test site and the driving route of real data. 76

FIGURE 3-10. Flowchart for annotation of collision avoidance strategies. 81

FIGURE 3-11. Distribution of safety-critical scenarios with respect to annotation of strategies. 82

FIGURE 3-12. Snapshot for cut-in from the left lane scenarios. 91

FIGURE 3-13. Comparison of results for safe scenario. 92

FIGURE 3-14. Comparison of abstraction results for safe scenario 93

FIGURE 3-15. Comparison of collision avoidance results in safety-critical scenarios with collision. 94

FIGURE 3-16. Snapshot and PSM image at 85.6s 97

FIGURE 3-17. Comparison of collision avoidance results in highway data 98

FIGURE 4-1. The histograms refer to the number of papers published per year. 102

FIGURE 4-2. Kinematic vehicle model. 104

FIGURE 4-3. Dynamic vehicle model. 106

FIGURE 4-4. Definition of lateral error and heading error for controller. 108

FIGURE 4-5. Comparison of lateral controller results for simulation. 115

FIGURE 4-6. Cut-in from right scenario with Sangam ITS map data. 115

FIGURE 4-7. Results of MPC-based lateral controller. 116

FIGURE 4-8. Test vehicle configuration - CN7. 118

FIGURE 4-9. Results of the decision algorithm and monitoring system. 118

FIGURE 4-10. Results of decision algorithm and ODD. 119

FIGURE 4-11. Vehicle-in-the-loop simulation on the test vehicle. 121

FIGURE 4-12. Cut-in from left scenario with parameter space. 121

FIGURE 4-13. Test result with VILs platform. 122

FIGURE 4-14. Test site : Ajou motor college. 124

FIGURE 4-15. Sensor configuration for test vehicle. 125

FIGURE 4-16. Results of the position of ego vehicle, lateral error and wheel angle. 126

FIGURE 4-17. Results of control mode and detection flags. 127

초록보기

 본 논문에서는 충돌 회피 알고리즘 개발을 위한 위험 시나리오 생성 방법론과 충돌 회피를 위한 판단 및 제어 알고리즘을 제안한다. 먼저 위험 시나리오 생성을 위해서 사고 데이터를 기반으로 기본 시나리오를 정의하였으며, 기본 시나리오에 상수 공간을 반영하여 상세 시나리오를 생성한다. 기계학습 기법을 이용하여 생성된 상세 시나리오에서 사고가 일어나지 않는 시나리오들을 줄여내 감으로서 위험 시나리오들을 탐색하는 알고리즘을 제안한다. 탐색된 위험 시나리오들은 판단 및 제어 알고리즘을 설계하고 검증하는데 이용된다.

또한, 충돌 회피를 판단을 위해서 딥러닝 기반의 판단 알고리즘과 물리 기반의 알고리즘을 통합한 형태의 회피 전략 판단 알고리즘을 제안한다. 추상화를 통해서 물리 기반의 알고리즘의 출력을 CNN 의 입력으로 이용함으로써 서로 다른 알고리즘을 통합하였고, 최종적으로 충돌 위험이 있는 경우에 회피할 수 있는 전략을 선택한다. 마지막을 모델 예측 제어 및 동적 표면 제어 기법을 기반으로 횡방향 제어기를 설계하고 시뮬레이션과 실차 검증을 통해서 판단 및 제어 알고리즘들을 검증한다. 실차 검증은 취득된 실차 데이터뿐만 아니라, 시뮬레이터 데이터를 실도로 주행중 실시간으로 증강하는 VILS 기반의 검증을 진행한다. 더 나아가, 판단 및 제어 알고리즘을 산업용 프로세서에 탑재하여 실시간성 또한 검증한다.

이와 같은 자율주행기술 개발과 검증을 위한 개발 모형을 제안함으로써 ADAS 시스템과 자율주행차량의 성능검증에 큰 역할을 할 수 있을 것으로 기대된다. 더 나아가, 시나리오 생성을 통한 알고리즘 검증과 알고리즘 검증을 통한 새로운 시나리오 도출을 기대할 수 있으며, 이러한 순환적인 구조를 통해서 개발과 검증이 상호 보완이 가능한 관계로 나아갈 수 있는 방법론을 제시하고자 한다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기