Earticle

자동차의 성능과 안전성 저하로 인한 문제를 최소화하기 위해 버스, 택시, 화물자동차의 운 행 가능 연령을 제한하는 ‘차령제한제도’가 1973년 시행되어, 노후 자동차의 운행 제한, 차량 조기 대체 촉진, 차량 고장에 의한 교통사고 감소 및 이용자의 서비스 만족도 증대에 기여하였 다. 하지만, 경기부양을 억제한다는 판단 하에 화물자동차 관련 차령제한제도는 1997년 8월에 폐지되었다. 최근 발생한 창원터널 사고 등 대형 화물자동차 교통사고의 주요 원인 중에 차량 노후화도 포함되는 것으로 밝혀짐으로써 화물자동차의 차령 관리에 관한 필요성이 대두되고 있다. 본 연구는 자동차검사 자료를 이용하여 사업용 화물자동차의 안전도 분석을 통해 화물 자동차 의 차령 관리가 필요한 시점을 도출하고자 한다.

In order to minimize problems related to the performance and safety of automobiles, the "Age Limit for Vehicles System" which restricts the age of buses, taxis, and trucks, was implemented in 1973. This contributed to the reduction of accidents and increase of user’s service satisfaction. However, the restriction system for trucks was abolished in August 1997 as it was deemed restrictive to economic growth. It is found that one of main causes of traffic accidents such as Changwon Tunnel accident occurred in recent years, is the aging of trucks. Thus, There is a growing need for the management of the age of trucks. In this study, the time when cargo vehicles need to be managed is suggested, by analyzing the safety of cargo vehicles using vehicles inspection data.

본 연구에서는 휴게시설 이용여부에 따른 개별차량의 운전지속시간을 산정하였으며, 개별 링크의 운전지속시간별 차량 수를 바탕으로 가중치를 적용한 장시간 운전에 따른 잠재적 사고 위험도를 나타내는 지표를 제안하였다. 이를 바탕으로 개별차량의 운전지속시간을 고려한 고 속도로 휴게시설의 적정위치를 산정하는 방법론을 제시하였다. 고속도로에서 수집된 DSRC 개 별 차량자료를 활용하여 경부고속도로를 대상으로 주중과 주말을 구분하여 운전지속시간을 고려한 휴게시설 적정위치를 산정하였다. 분석결과 주중과 주말의 위험지표가 높은 구간이 상 이한 것으로 나타났다. 주중의 경우 경부고속도로 부산방면 김천JC~금호JC 구간의 위험지표 가 높게 나타났으며, 주말의 경우 서울방면 안성JC~동탄JC 구간과 부산방면 안성IC~북천안IC 구간의 위험지표가 높게 나타났다. 본 연구는 개별차량단위의 비집계자료를 활용하여 링크단 위의 상세한 분석을 수행할 수 있는 틀을 제공하였다는 점에서 큰 의의를 가진다. 또한 휴게시 설 이용여부 분석을 통하여 개별차량의 행태를 반영한 합리적인 운전지속시간을 산정하였다 는 점에서 의의가 있다.

In this study, we calculated the driving duration of individual vehicles according to the availability of rest facility on highway, and suggested indicators indicating the potential risk of accidents caused by long-term driving with weights based on the number of vehicles by driving duration of individual links. Based on this, the methodology for estimating the appropriate location of the highway rest facility considering the driving duration of individual vehicles was presented. Using the DSRC individual vehicle data collected from the highways, the appropriate location of the rest facility was calculated by considering the driving duration by classifying weekdays and weekends for the Gyeongbu Expressway. The results showed that the weekly and weekend high risk indicators were different. In the case of weekdays, the risk indicators of Gimchun JC to Kumho JC for Busan were high, while for weekends, the risk indicators of Ansung JC to Dongtan JC for Seoul and Ansung IC to Bukchunan IC for Busan were high. This study has great significance in that it provides a framework for detailed analysis of link units by using non-aggregated data of individual vehicle units. In addition, it is significant that the reasonable driving duration reflecting the behavior of individual vehicles was calculated by analyzing the use of rest facilities.

SAE 기준 3단계의 자율주행자동차에서는 필요 시 운전의 주체가 시스템에서 운전자로 또 는 그 반대로 이전되는 제어권 전환(take-over)이 발생하게 된다. 이때 안전한 제어권 전환을 위해서는 다양한 도로환경에서 여러 계층의 운전자들이 안전하게 제어권 전환을 완료하는 데 필요한 시간을 설정하는 것이 중요하다. 본 연구에서는 자율주행자동차의 제어권 전환의 안전 성을 확보하기 위해 제어권 전환 소요시간 및 안정화 특성을 분석하였다. 이를 위해 드라이빙 시뮬레이터를 활용하였으며, 고속도로와 유사한 상황을 설정하여 실험을 진행하였다. 다양한 성별 및 나이를 가진 50명의 운전자가 실험에 참가하였고, 각 피실험자별로 교통량과 기하구 조의 변화를 주어서 다양한 상황에 따른 제어권 전환 소요시간 변화와 안정화 특성을 측정하 였다. 실험 결과, 제어권 전환 소요시간은 평균 2.3초였으며 표준편차는 0.1초로 분석되었다. 또한 안정화 특성 분석 결과, 고속도로 교통량 차이에 따른 제어권 전환 안정화 시간은 차이는 없었으며, 곡선반경의 변화에 따라서는 유의미한 차이가 있는 것으로 나타났다.

Take-overs occur in autonomous vehicles at levels 3 and 4 based on SAE. For safe take-over, it is necessary to set the time required for diverse drivers to complete take-over in various road conditions. In this study, take-over time and stabilization characteristics were measured to secure safety of take-over in autonomous vehicle. To this end, a virtual driving simulator was used to set up situations similar to those on real expressways. Fifty drivers with various sexes and ages participated in the experiment where changes in traffic volume and geometry were applied to measure change in takeover time and stabilization characteristics according to various road conditions. Experimental results show that the average take-over time was 2.3 seconds and the standard deviation was 0.1 second. As a result of analysis of stabilization characteristics, there was no difference in take-over stabilization time due to the difference of traffic volume, and there was a significant difference by curvature changes.

여러 대도시에서 교통 혼잡 문제를 해결하기 위해 정확한 교통 흐름을 예측하는 다양한 연 구가 진행되었다. 대부분의 연구가 과거의 교통 흐름 패턴이 미래에도 반복될 것이라는 가정 하에 예측 모델을 개발하였으나 교통사고 등과 같은 뜻하지 않은 비반복적 교통 패턴을 예측 하는 데에는 신뢰성이 낮게 나타났다. 이런 문제를 해결하기 위한 대안으로 지능형 교통 시스 템(ITS)을 통해 얻은 빅데이터와 인공지능을 접목한 교통 흐름 예측 연구가 진행되어 왔다. 하 지만 시계열 분석에 일반적으로 사용되는 알고리즘인 RNN의 경우, 단기 예측에 최적화되어 장기 예측 정확도가 낮다는 단점을 가지고 있다. 이런 문제를 해결하기 위해 본 논문에서는 기온과 강수량 등의 기상 정보 외에도 각종 외부 요인들을 고려하여 장기적 시점에서 교통 혼 잡도를 예측하는 '심층 인공 신경망 모델'을 제안하였다. TOPIS 자료를 이용한 사례 연구 결과 서울시 주요 도로 링크의 교통 혼잡도를 90%에 가까운 정확도로 예측이 가능하였다. 추후 교 통사고나 도로 공사와 같은 도로에 영향을 미치는 이벤트 데이터를 추가로 확보할 수 있다면 정확도는 더욱 높아질 것으로 예상된다.

Various studies have been conducted to solve traffic congestions in many metropolitan cities through accurate traffic flow prediction. Most studies are based on the assumption that past traffic patterns repeat in the future. Models based on such an assumption fall short in case irregular traffic patterns abruptly occur. Instead, the approaches such as predicting traffic pattern through big data analytics and artificial intelligence have emerged. Specifically, deep learning algorithms such as RNN have been prevalent for tackling the problems of predicting temporal traffic flow as a time series. However, these algorithms do not perform well in terms of long-term prediction. In this paper, we take into account various external factors that may affect the traffic flows. We model the correlation between the multi-dimensional context information with temporal traffic speed pattern using deep neural networks. Our model trained with the traffic data from TOPIS system by Seoul, Korea can predict traffic speed on a specific date with the accuracy reaching nearly 90%. We expect that the accuracy can be improved further by taking into account additional factors such as accidents and constructions for the prediction.

보행자 교통사고의 경우 사고 발생 시 사망사고로 연결되는 위험성이 있다. 국내 지능형 교통시스템(ITS)은 질 좋은 교통 인프라를 구축하고 있음에도 불구하고, 거의 교통정보 수집에 만 이용되고 있어, 위험상황 발생 시 지능적인 위험 요소 분류가 이루어지지 않고 있다. 본 연 구에서 제안하는 시스템의 주요 구성 요소인 CNN 기반의 보행자 탐지 분류 모델의 경우 제한 적인 환경에서 설치 운영되는 것을 가정하여 임베디드 시스템 기반으로 구현되었다. 기존 YOLO의 인공신경망 모델을 개선하여 My-Tiny-Model3라는 새로운 모델을 생성하였고, 20,000 번의 반복 학습 기준으로 평균 정확도 86.29%와 21.1 fps의 실시간 탐지 속도 결과를 보였다. 그리고, 이러한 탐지 시스템을 기반으로 하여 ITS 체계와 연계 가능한 시스템 구현 및 프로토 콜 연동 시나리오를 구성하였다. 본 연구를 통해 기존 ITS 체계와 연동하는 보행자 사고 방지 시스템을 구현한다면, 새로운 인프라 구축비용을 절감하고 보행자 교통사고 발생률을 줄이는 데 도움이 될 것이다. 또한, 기존의 시스템 감시인력 소요에 따른 비용 또한 줄일 수 있을 것으로 기대된다.

In the case of a pedestrian traffic accident, it has a large-scale danger directly connected by a fatal accident at the time of the accident. The domestic ITS is not used for intelligent risk classification because it is used only for collecting traffic information despite of the construction of good quality traffic infrastructure. The CNN based pedestrian detection classification model, which is a major component of the proposed system, is implemented on an embedded system assuming that it is installed and operated in a restricted environment. A new model was created by improving YOLO's artificial neural network, and the real-time detection speed result of average accuracy 86.29% and 21.1 fps was shown with 20,000 iterative learning. And we constructed a protocol interworking scenario and implementation of a system that can connect with the ITS. If a pedestrian accident prevention system connected with ITS will be implemented through this study, it will help to reduce the cost of constructing a new infrastructure and reduce the incidence of traffic accidents for pedestrians, and we can also reduce the cost for system monitoring.

의미론적 분할 형태로 합성곱 신경망을 구성하여 도로노면의 파손을 탐지하는 연구가 진행 되고 있다. 이러한 합성곱 신경망 형태의 모델을 생성하기 위해서는 입력 이미지와 이에 상응 한 레이블된 이미지 데이터셋으로 수집해야 하고, 이러한 과정에서는 굉장히 많은 시간과 비 용이 발생하게 된다. 본 논문에서는 이러한 작업을 완화하기 위하여 수도 레이블링을 활용한 준지도 학습 기반의 도로노면 파손 탐지 기술을 제안하고자 한다. 레이블된 데이터셋과 레이 블되지 않은 데이터셋을 적절하게 혼합하여 도로노면 파손을 탐지하는 모델을 업데이트하고, 이를 레이블된 데이터셋만을 활용한 기존 모델과 성능을 비교한다. 주관적인 성능결과, 민감도 부분에서는 조금 저하된 성능을 보였지만, 정밀도 부분에서는 대폭 성능 향상이 있었으며, 최 종적으로 F1-score 또한 높은 수치로 평가되었다

By using convolutional neural networks (CNNs) based on semantic segmentation, road surface damage detection has being studied. In order to generate the CNN model, it is essential to collect the input and the corresponding labeled images. Unfortunately, such collecting pairs of the dataset requires a great deal of time and costs. In this paper, we proposed a road surface damage detection technique based on semi-supervised learning using pseudo labels to mitigate such problem. The model is updated by properly mixing labeled and unlabeled datasets, and compares the performance against existing model using only labeled dataset. As a subjective result, it was confirmed that the recall was slightly degraded, but the precision was considerably improved. In addition, the F1-score was also evaluated as a high value.

최근 들어 센서 및 통신기술의 발달로 국내외 연구자들은 장비나 시스템의 상태정보를 수 집하여 진단 및 예측 기법을 통한 유지보수를 결정하는 방법론에 대해 연구를 활발히 진행하 고 있다. 본 연구에서는 이러한 연구 문헌 고찰을 통해 현시점의 차량부품 상태를 바탕으로 미래 시점까지의 차량부품 상태변화 추이를 예측하여 유지보수 의사결정을 수행하는 시스템 프레임워크를 제시하였다. 또한, 유지보수 활동에 따른 전과 후의 차량부품 상태변화 추적을 통해서 상태 진단 및 예측 데이터 조정이 가능하도록 구성하였다. 향후 본 연구 결과의 적용을 통해 대중버스를 이용하는 시민들의 안전과 차량의 상태기반 유지보수 체계 활성화에 조금이 나마 기여할 수 있기를 기대한다.

Recently, with the development of sensor and communication technology, researchers at home and abroad have actively conducted research on methodologies for determining maintenance through diagnosis and prediction techniques by collecting information on the status of equipment or systems. Based on the status of vehicle parts at this point in time, this study presented a system framework for making maintenance decisions by predicting the change in vehicle part status to a future date based on the current state of vehicle parts. In addition, condition diagnosis and predictive data adjustment was configured through tracking the status of vehicle parts before and after maintenance activities. We hope that the application of the results of this study will contribute a little to the safety of citizens using public buses and to the activation of the condition-based maintenance system of vehicles.