건국대학교산학협력단

운영체제 Ubuntu server 12.04 LTS(64bit) 표 8. 위험상황예측 분석 시스템 환경

사고 데이터 1,421(0.27%) 160,174(23.5%)

비사고 데이터 522,710(99.73%) 522,710(76.5%) 표 9. 오버샘플링 전/후 학습데이터 수

ü 군집 분석 : 데이터의 특성을 더 상세하게 적용하기 위하여 군집분석을 통하여 오버샘플링 된 데이터를 K-means 알고리즘을 활용하여 여러 군집으로 나눈다.

군집 군집 내 학습데이터 수 군집 내 사고 데이터 수

군집 #0 75,799 18,580(24.51%)

군집 #1 92,188 20,822(22.59%)

군집 #2 83,996 20,665(24.60%)

군집 #3 88,091 18,740(21.27%)

군집 #4 94,238 20,181(21.41%)

군집 #5 86,044 20,984(24.39%)

군집 #6 81,945 19,060(23.26%)

군집 #7 80,583 21,142(26.24%)

합계 682,884 160,174(100.00%)

- 영상 정보를 이용하기 때문에 차량에 추가적으로 카메라와 서버와 통신할 수 있는 전송 모듈이 장착되어야 한다.

- 차량이 주행 중일 때, 사각지대에서 돌발적으로 발생한 장애물의 경우 인접한 위치에 있는 차량 에게서 서버로 전송되어진 정보를 이용하여 사각지대에서의 위험 요소를 감지한다.

- 차량이 교차로에 진입할 때, 해당 교차로를 향하여 주행 중인 차량들에 대한 정보를 수집하여 교 차로에서의 충돌 위험을 파악하여, 해당 차량들에게 경고신호를 전달한다.

- 차량으로부터 전달받은 위치정보의 오차값은 차량에 장착된 카메라를 이용한 실시간 영상분석을 이용하여 feed-back 한다.

그림 78. 클라우드 맵 기반 사고 예측 시스템 구성

각 자동차는 UC Framework을 통해 데이터를 상호 교환한다. Cloud Server는 자동차로부터 온 정보와 기존 DB Server에 가지고 있는 정보를 이용하여 위험 예측 알고리즘으로 상황을 판단한다.

이 알고리즘으로 얻어진 위험 예측 결과는 해당하는 자동차에 전달되어 각 자동차들의 안전한 주행 을 돕는다.

- 구현 및 실험결과

클라우드 맵 기반 위험상황 판단 시스템은 그 실효성을 판단하기 위하여 5M * 3M 크기의 제작 된 맵을 사용하였다. 실험에 사용된 레고 자동차는 Cloud-Robotics를 이용하여 무인 자율주행이 가능하도록 구현하여 사용하였다.

각각의 자동차는 영상처리를 이용하여 무인주행을 하도록 하였다. 각 차량의 클라우드 서버는 영 상처리를 이용하여 차량의의 이동정보를 서버로 전달한다. 차량의 정확한 위치를 전달하는 것은 중 요하기 때문에, 교차로 표시를 이용하여 차량의 현 위치를 feed-back한다. 간략화 하여 제작된 도 로이기 때문에, 각각의 자동차는 차선 이외의 다른 것은 장애물로 간주하도록 설계되었다. 클라우드 맵 기반 위험상황 판단 시스템의 실효성을 판단하기 위해 총 두 가지의 진행하였다.

첫 번째 실험은 해당 차량이 인접한 차량이 감자한 위험정보를 이용하여 서버로부터 위험 경고를 받는 실험이다. 서버가 해당 차량에서 보이지 않는 곳에 위치해 있는 장애물과 충돌 위험이 있음을 파악하여 해당 차량에게 경보신호를 보낸다. 돌발 위험요소에 관한 정보는 인접한 위치에 있는 다

두 번째 실험은 교차로에 진입하는 차량들의 위치정보와 이동정보를 이용하여 충돌 위험을 감지하는지 확인하는 실험이다. 차량이 교차로에 진입할 때 사각지대에서 해당 교차로를 향해 진입하는 차량에 대한 정보를 서버를 통해 공유하여 충돌위험이 있는 각 차량에게 위험을 알 린다.

그림 79. 충돌 위험 감지 실험 개략도

위의 위 그림의 왼쪽 그림은 CAR1과 CAR2가 도로를 주행하는 과정에서 CAR1의 우측 앞쪽에 장애물이 있으나, CAR2는 CAR1에 가려 장애물이 있음을 인지하지 못하고 있는 상황이다. CAR1 은 장애물을 피하기 위해 좌측으로 움직이면서 CAR2가 장애물이 있음을 늦게 파악하여 장애물과 의 충돌의 예상되는 상황이다. 이러한 충돌 위험을 방지하기 위해 CAR1에서 감지한 위험 정보와 위치정보를 서버에 전달한다. 서버에서는 CAR1으로부터 전달받은 정보를 바탕으로 위험정보를 CAR1과 인접한곳에 위치하는 CAR2에게 전달하여 CAR2가 보이지 않는 곳에 위치하는 장애물에 대해 인지할 수 있도록 한다. 이를 통해 CAR2는 보이지 않는 장애물을 피하여 안전하게 주행을 할 수 있었다.

위 그림의 오른쪽 그림은 두 번째 실험 그림이다. 교차로에 접근 중인 CAR1, CAR2와 CAR3 각 각의 위치 정보와 이동 정보를 클라우드 서버가 분석하여 DB서버로 전달한다. 서버는 사각지대에 서 교차로로 진입하고 있어 추돌 위험이 있음을 파악하여 교차로에 진입하는 차량들이 추돌을 피 할 수 있도록 각 차량에게 위험을 알린다.

그림 80 무인자동차를 이용한 교차로 위험 예측 실험

위 그림의 첫 번째 사진은 교차로 진입 상황에서 남측에서 진입하는 차량을 보고 동측에서 진입하 던 자동차가 멈춘 그림이고, 나머지 사진은 남측에서 진입한 차량이 교차로를 완전히 빠져나간 뒤 동측에서 대기하던 차량이 교차로를 지나는 모습이다.