지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 임세준
- 발행연도
- 2020
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자율주행에 대한 연구가 활발하게 진행됨에 따라, 이에 대한 평가도 중요해지고 있다. 또한 시간과 비용의 문제로 실차가 아닌 시뮬레이션 환경에서 평가가 주로 진행되고 있다. 특히 cut-in 상황과 같이 유연한 대처를 필요로 하는 주행 환경에서 시뮬레이션 기반 자율주행 평가의 신뢰도를 높이기 위해서는 rule-based 기반이 아닌 실제 운전자와 같은 운전자 모델이 주변 차량으로 배치되어야 한다. 실제 운전자를 모사하는 운전자 모델은 딥러닝 기반 방법이 좋은 성능을 보이지만 방대한 양의 실제 주행 데이터가 필요하다. 따라서 본 연구에서는 적은 양의 실 주행 데이터를 가상 주행 데이터로 보충하여 cut-in 상황에서 유연하게 대처하여 실 운전자를 모사하는 운전자 모사 모델을 GAN(Generative Adversarial Networks) 기반으로 개발한다. 실 주행 데이터는 PreScan 시뮬레이터와 Driving Cockpit을 이용하여 수집한, cut-in 상황에서 실 운전자들의 주행 데이터이다. 가상 주행 데이터는 교통 시뮬레이터인 Vissim의 rule-based 운전자 모델이 cut-in 상황에서 주행 했던 데이터이다. 본 연구의 운전자 모델 학습은 GAIL(Generative Adversarial Imatation Learning)을 이용한 사전학습과 GAN을 이용한 본 학습으로 진행된다.
평가를 위한 비교 운전자 모델은 실 주행 데이터만을 이용한 GAN 운전자 모델을 사용하였고, 정량적 지표를 이용하여 본 연구의 운전자 모델이 실 운전자와 유사하게 주행함을 검증한다.
평가를 위한 비교 운전자 모델은 실 주행 데이터만을 이용한 GAN 운전자 모델을 사용하였고, 정량적 지표를 이용하여 본 연구의 운전자 모델이 실 운전자와 유사하게 주행함을 검증한다.
목차
제 1장 서론 11.1 연구의 배경 및 필요성 11.2 연구 동향 31.3 연구 목표 141.4 논문 구성 15제 2장 운전자 모사 모델 생성을 위한 cut-in 주행 데이터 수집 162.1 Cut-in 주행 데이터 개요 162.2 실 운전자 cut-in 주행 데이터 수집 162.3 가상 cut-in 주행 데이터 수집 222.4 수집 데이터 정보 23제 3장 Cut-in 운전자 모사 모델 개발 263.1 운전자 모사 모델 전체 구조 263.2 운전자 모사 모델 generator 및 discriminator 구조 273.3 운전자 모사 모델 학습 방법 30제 4장 Cut-in 운전자 모사 모델 성능 평가 344.1 평가 방법 및 지표 344.2 비교 운전자 모델 394.3 결과 분석 40제 5장 결론 495.1 연구 결론 및 기대 효과 495.2 향후 과제 50참고 문헌 51Abstract 55
최근 본 자료
댓글(0)
0