Earticle

본 연구는 특허와 제휴 데이터를 바탕으로 세계 주요 기업들의 자율주행차 개발 관련 활동들의 특성을 살펴보았다. 무자율주행차에 관련된 440개의 특허와 120개의 제휴관계를 분석하여 현재 무인차의 개발활동의 중심에 있는 기업들은 구글, 포드, GM등임을 알 수 있었으며, 이들 중 구글은 인식, 정보, 센서, 데이터 등의 방면에 집중하고 있는 것으로 나타났고, 포드는 컨트롤과 판단에 GM은 주행에 관련된 기술에 집중하고 있음을 알 수 있었다. 또한 120개의 협력관계에 대한 네트워크 분석을 구글이 가장 높은 중심성을 보유하고 있고, GM, 포드, 닛산, 현대, 도요타 역시 상대적으로 높은 중심성을 가지고 있다는 것을 알 수 있었다. 마지막으로 클러스터 분석을 통해 중국의 무인차 개발은 2개의 진영(SAIC-GM, DFG-Ford)로 나누어져 한 진영은 서비스에 한 진영은 기술 생산 등에 집중한다는 것을 밝혀낼 수 있었고, 한국과 일본은 구조가 유사하나 일본이 오히려 더 광범위하고 넓은 관계를 구축하고 있다는 것을 알 수 있었다. 구글과 독일3사의 협력관계에서는 서로 크라이슬러와 Here같은 대안을 구축함으로써 의존도를 낮추려고 하는 점을 알 수 있었다.

Worldwide digitalization and convergence has led incremental and rapid change in landscape of automobile industry. Consequently, increasing numbers of ICT and auto companies are actively constructing alliances with various companies from different industry. For investigating the characteristics of firms’ strategic behaviors in autonomous car industry, we conducted data mining analysis and 2 social network analysis (degree centrality analysis, community analysis) by using 440 US patents data and 120 alliance data. Firstly, we found that Google is mostly focused on the information area, while Ford and GM are mostly on control and detection technology. Hyundai and Nissan are focused on most of the technologies. Secondly, with a frist network analysis (degree centrality) on alliance data, we found that Google has the highest degree centrality with other firms. GM, Ford, Nissan, Hyundai, Toyota also have the relatively high degrees of centrality. Finally, from the 2nd network analysis (community analysis) on alliance data, we found five significant alliance groups. Group 1 so called Google-German alliance, group 2 so called GM-China alliance, group 3 so called GM-Ford alliance, group 4 Korean alliance and group 5 Japanese alliance. Among those groups, Chinese-related alliances can be categorized into two competitive groups: GM-SOEs (State-Owned Enterprises) which focus on business model and Ford-private enterprises which focus on technology and manufacturing. In case of Korean and Japanese alliance, although their structure is similar, Japanese alliance is more active and international. Lastly, inside Google -German alliance, mutual competitive behavior was detected.

본 연구는 라즈베리파이 기반 자율주행 자동차를 활용하여 학생들이 객체 이미지 데이터를 어노테이션(Annotation)하고 컴퓨터 비 전 기반의 인공지능을 개발하는 인공지능 교육을 위한 캠프 프로그램을 제안하여 인공지능에 대한 올바른 인식과 함께 인공지능에 대 한 흥미와 이해도를 향상시키고자 한다. 본 교육 프로그램은 학생들이 직접 이미지 데이터를 생성하고 객체인식 모델을 활용해 자율자 동차에 적용해볼 수 있는 프로젝트 형태로 구성하였으며, 학생들의 수준을 고려하여 기계 학습 및 이미지 추론이 가능한 블록 코딩을 활용한다. 자율주행 자동차의 센서와 작동 원리를 개괄적으로 이해하고, 자율주행 자동차 제어에 필요한 기초적인 문법과 이미지 추론 방법을 익혀 자율주행 자동차를 주행하고자 한다.

This study proposes a camp program for artificial intelligence education, utilizing a Raspberry Pi-based autonomous driving car, to enhance students' interest and understanding of artificial intelligence along with a correct perception of AI. The program aims to involve students in annotating object image data and developing artificial intelligence based on computer vision. The educational camp program is designed in a project format, allowing students to directly generate image data and create object recognition models to be applied to autonomous vehicles. Block coding, capable of machine learning and image inference, is employed, taking into consideration the students' proficiency levels. The program covers a broad understanding of the sensors and operating principles of autonomous vehicles, and it aims to familiarize students with basic syntax and image inference methods necessary for controlling autonomous driving cars.

최근 자율주행 자동차에 대한 관심이 높아짐에 따라 자율주행 자동차 관련 기술 개발에 대한 활발한 연구가 진행되고 있다. 이에 따라 자율주행 환경에서의 운전자 관점에 대한 연구도 조금씩 늘어나고 있는 추세이다. 그러나 일부 연구들은 자율주행 자동차에 대한 낙관적인 입장만을 보이고 있다. 하지만, 선행 연구에서는 실제 자율주행 자동차를 태우지 않았다는 한계가 있다. 따라서, 본 연구에서는 자율주행 자동차를 기반으로 인간과 차량 간 상호작용을 알아보고자 에스노그라피 접근을 통한 질적 연구를 진행하였다. 그 결과, 자율주행 환경에서 운전자의 경험에 영향을 미치는 8개의 불신 요소를 도출하였다. 결과적으로 본 연구는 기존 신뢰 모형을 통해 자율주행 맥락에 적용하여 확장하였다는 점과 결과를 바탕으로 자율주행 환경에서 불신을 낮추고 신뢰를 높여줄 디자인 가이드를 제시했다는 점에서 이론적 및 실용적 의의가 있다.

Recently technological drive on autonomous vehicle is on the rush. Along with the trend, researches on driver's perspective are increasing. However, previous studies have limitations in terms of study period and rich experience. In this paper, we conducted an ethnographically inspired fieldwork to observe human-autonomous car interaction. We had six participants to ride a prototype autonomous car on the real road for six days. After, we generated trust, distrust factors according to Lee & See's categorization of trust dimension: process, performance, and purpose. We derived eight distrust factors that saliently influences passenger's experience in autonomous vehicle. Our research broadens trust model into autonomous driving context based on real road field study and contributes to automotive community with design guidelines to increase trust toward autonomous vehicle.

현재 전 세계적으로 연구·개발 중인 자율주행차 Level 3에서 Level 5단계는 운전자의 인지-판단-제어과정을 차량에 탑재된 각종 센서로 대체하여, 운전과정의 대부분을 인공지능이 자율적으로 수행할 수 있도록 한다. 하지만 현재 자율주행차는 국가별로 상이한 자율주행차의 판단능력 최소기준을 만족할 경우, 임시운행 허가를 받아 도로주행이 가능하도록 하고 있다. 향후 자율주행차가 보급될 때 구매자들은 임시운행 허가의 한계로 위험상황 회피능력에 대한 신뢰도가 높지 않을 것으로 예상된다. 이에 본 연구에서는 드라이빙 시뮬레이터 기반으로 운전자의 위험상황 회피능력 비교·평가를 통해 자율주행차 판단능력 등급화 방안 제시 및 시나리오별 등급화가 가능한 평가지표를 도출하고자 하였다. 드라이빙 시뮬레이터 실험에는 성인 30명(남=25, 여=5명)이 참여하였다. 실험결과 분석은 K-평균 군집분석과 독립표본 T-검정을 진행하였으며, 이를 통해 자율주행차의 판단능력 등급 분류가 가능함과 등급 분류의 통계적 유의성을 확인할 수 있었다. 향후 자율주행차의 위험상황 회피능력에 대한 신뢰수준을 향상시키는데 크게 기여할 수 있을 것이다.

Autonomous vehicles at Levels 3 to 5, currently under global research and development, seek to replace the driver's perception, judgment, and control processes with various sensors integrated into the vehicle. This integration enables artificial intelligence to autonomously perform the majority of driving tasks. However, autonomous vehicles currently obtain temporary driving permits, allowing them to operate on roads if they meet minimum criteria for autonomous judgment abilities set by individual countries. When autonomous vehicles become more widespread in the future, it is anticipated that buyers may not have high confidence in the ability of these vehicles to avoid hazardous situations due to the limitations of temporary driving permits. In this study, we propose a method for grading the judgment abilities of autonomous vehicles based on a driving simulator experiment comparing and evaluating drivers' abilities to avoid hazardous situations. The goal is to derive evaluation criteria that allow for grading based on specific scenarios and to propose a framework for grading autonomous vehicles. Thirty adults (25 males and 5 females) participated in the driving simulator experiment. The analysis of the experimental results involved K-means cluster analysis and independent sample t-tests, confirming the possibility of classifying the judgment abilities of autonomous vehicles and the statistical significance of such classifications. Enhancing confidence in the risk-avoidance capabilities of autonomous vehicles in future hazardous situations could be a significant contribution of this research.

자율주행택시, 자율주행셔틀과 같은 새로운 교통서비스들에 대한 연구들이 전 세계적으로 여러 도시들을 대상으로 진행 중이지만 대부분 현재 통행 수요는 출발시간이 고정적이라고 가정하고 기존 교통수단과 새로운 교통수단의 도입 효과 를 분석한다. 본 연구는 자율주행기반 교통서비스 운영에서 통근자의 출발시간 조정에 따른 교통체계의 영향을 행위자기반 모형으로 분석하였다. 통행시간 선택에 대해 다양한 시나리오를 설정하였고 자율차를 수용할 수 있는 도로용량의 영향도 분석하였다. 분석결과 통근자가 원하는 출발시간에서 집에서의 활동종료시간과 출발시간이 상당히 조정된 후 시스템적으로 안정적인 통근통행이 완료되었으며, 또한 도로용량의 감소는 과도한 스케줄 조정에도 불구하고, 많은 통행자들이 9시 이전에 통근하기 어려운 것으로 나타났다. 이와 같은 결과를 통해 현재와 다른 교통운영과 교통가격정책이 필요성을 정책적 제언으로 제시하였다

The purpose of this study is to analyze the effect of commuter's departure time on transportation system in future traffic system operated autonomous vehicle using agent based model. Various scenarios have been set up, such as when all passenger choose a similar departure time, or if the passenger chooses a different departure time. Also, this study tried to analyze the effect of road capacity. It was found that although many of the scenarios had been completed in a stable manner, many commuters were significantly coordinated at the desired departure time. In particular, in the case of a reduction in road capacity or in certain scenarios, it has been shown that, despite excessive schedule adjustments, many passengers are unable to commute before 9 o'clock. As a result, it is suggested that traffic management and pricing policies are different from current ones in the era of autonomous car operation.

최근 자율주행차 기술의 급속한 발전으로 다양한 교통 상황에서 자율주행차의 안전성 확보 가 중요한 과제로 떠오르고 있다. 본 연구는 자율주행차(autonomous vehicle)의 안전성 평가를 위한 시나리오 개발을 목적으로 하며 비자율주행차와 자전거, 보행자, 동물 간의 교통사고 데 이터를 기반으로 도로 유형, 구간 유형, 객체 유형별로 구체적인 상황 시나리오를 구축하였다. 경찰청 교통사고 데이터에 글로 기록된 교통사고 경위 자료에 TF-IDF 기법을 적용하여 도출된 주요 키워드를 바탕으로 다양한 주행환경에서 발생할 수 있는 교통사고 유형을 시나리오로 제 시하였다. 이는 자율주행차의 주행 성능과 안전성을 개선하는 데 기여할 것으로 기대된다.

The rapid advances in autonomous vehicle technology have highlighted the importance of ensuring safety across various traffic situations. This study developed scenarios for evaluating the safety of autonomous vehicles by constructing specific scenarios based on traffic accident data involving non-AV, bicycles, pedestrians, and animals, categorized by road type, segment type, and object type. The scenarios were developed using the text extracted from the accident descriptions recorded in police traffic accident data, and analyzed using the TF-IDF technique. These scenarios are expected to help improve the driving performance and safety of autonomous vehicles across diverse driving environments.

Path tracking of unmanned vehicle is a basis of autonomous driving and navigation. For the path tracking, it is very important to find the exact position of a vehicle. GPS is used to get the position of vehicle and a direction sensor and a velocity sensor is used to compensate the position error of GPS. To detect path lines in a road image, the bird's eye view transform is employed, which makes it easy to design a lateral control algorithm simply than from the perspective view of image. Because the driving speed of vehicle should be decreased at a curved lane and crossroads, so we suggest the speed control algorithm used GPS and image data. The control algorithm is simulated and experimented from the basis of expert driver's knowledge data. In the experiments, the results show that bird's eye view transform are good for the steering control and a speed control algorithm also shows a stability in real driving.

In this study an ANFIS-based trajectory tracking motion control algorithm is proposed for autonomous garage and parallel parking of a model car. The ANFIS controller is trained off-line using data set which obtained by Mandani fuzzy inference system and thereby the processing time decreases almost in half. The controller with a steering delay compensator is tuned through simulations performed under MATLAB/Simulink environment. Experiments are carried out with the model car for garage and parallel parking. The experimental results show that the trajectory tracking performance is satisfactory under various initial and road conditions

GNSS 수신기는 자율주행 자동차에 장착되어 항법 장치를 이루는 필수 요소이다. 하지만 의도적인 재밍 신호가 발생하였을 경우, GNSS 수신기 추정 위치 값의 성능 저하로 인해 사고 위험에 노출될 우려가 있다. 이를 방지하기 위한 연구가 필요하며, 그에 따라 재밍 발생 장치가 구비되어야 한다. 그러나 재밍에 관련한 법 조항에 따라 이를 불법으로 규정하고 있다. 본 논문 에서는 법 조항을 준수하고, 주위 GNSS 센서에 영향을 주지 않는 차량 내 재밍 발생 장치를 구현한다. GNSS 알고리즘의 성능 평가를 위해 드라이빙 시뮬레이션을 활용하며, 간섭 환경에 서 발생하는 자율주행 차량의 오작동 및 GNSS 센서에서 출력된 데이터 오차를 분석한다.

A GNSS receiver installed in autonomous vehicles is the most essential device for its navigation. However, if an intentional jamming signal is generated, there is a risk of exposure to an accident risk due to deterioration of the GNSS sensor's performance. Research is required to prevent this, and accordingly, a jamming generating device must be provided. However, according to the provisions of the law related to jamming, this is illegal. In this paper, we implement an in-vehicle jamming device that complies with the provisions of the law and does not affect the surrounding GNSS sensors. Driving simulation is used to evaluate the performance of the GNSS algorithm, and the malfunction of autonomous vehicles occurring in the interference environment and data errors output from the GNSS sensor are analyzed.

CNN (Convolutional Neural Network), a type of deep learning algorithm, is a type of artificial neural network used to analyze visual images. In deep learning, it is classified as a deep neural network and is most commonly used for visual image analysis. Accordingly, an AI autonomous driving model was constructed through real-time image processing, and a crosswalk image of a road was used as an obstacle. In this paper, we proposed a low-cost model that can actually implement autonomous driving based on the CNN model. The most well-known deep neural network technique for autonomous driving is investigated and an end-to-end model is applied. In particular, it was shown that training and self-driving on a simulated road is possible through a practical approach to realizing lane detection and keeping

인공지능이 다양한 분야에 도입되면서 모빌리티 산업에도 새로운 활기를 불어넣고 있다 그 중에서도 스 마트 모빌리티는 삶의 질을 높이고 새로운 산업을 창출할 수 있는 분야로 떠오르고 있다. 스마트 모빌리티의 핵 심 기술로 자율주행자동차를 들 수 있으며, 모형자동차를 이용한 자율주행 알고리즘 연구에 박차를 가하고 있다. 하지만, 자율주행의 원리와 개념을 처음부터 끝까지 연구하면서 적용할 수 있는 플랫폼은 많이 제공되고 있지 않은게 현실이다. 본 연구에서는 대표적인 소형 마이크로컴퓨터인 라즈베리파이4를 이용한 자율주행자동차의 동 작 원리와 nVidia CNN을 이용한 딥러닝 모델을 적용한 자율주행자동차를 개발하였다. 자율주행자동차는 2채널 DC모터가 라즈베리파이의 GPIO 핀에 연결되어 있으며, 마우스를 이용하여 조향각을 구한 후 좌우측 모터의 속 도를 조정하여 트랙을 자율주행하는 과정을 보여주었다. 이때 저장된 이미지를 코랩에 업로드하여 T4 GPU를 이용하여 모델을 생성하였다. 생성된 모델은 다시 라즈베리파이에 전송되어 자율주행을 수행하도록 하였다. 다양 한 주행특성을 살펴볼 수 있는 트랙을 제작하여 이미지를 학습하고 자율주행을 테스트한 결과 어느 단계에서도 트랙을 이탈하지 않고 모든 경로를 자율주행하는 결과를 얻었다.

As artificial intelligence continues to be adopted across various industries, it is bringing new vitality to the mobility sector. Among these advancements, smart mobility has emerged as a promising field capable of improving quality of life and creating new industries. Autonomous vehicles are considered a core technology of smart mobility, driving research into autonomous driving algorithms using model vehicles. However, platforms that allow researchers to study and apply the principles and concepts of autonomous driving from start to finish are still limited. In this study, we developed an autonomous vehicle using the Raspberry Pi 4, a representative microcomputer, and applied a deep learning model based on Nvidia's CNN. The autonomous vehicle utilizes a 2-channel DC motor connected to the GPIO pins of the Raspberry Pi. Steering angles are calculated using a mouse, and the speed of the left and right motors is adjusted accordingly to demonstrate autonomous driving on a track. Images captured during the process were uploaded to Google Colab, where a T4 GPU was used to generate the model. The resulting model was then transferred back to the Raspberry Pi to perform autonomous driving. A track was designed to allow the examination of various driving characteristics, and the model was trained using the captured images to test autonomous driving. The results showed that the vehicle successfully completed all routes without deviating from the track at any point.

본 논문은 에이전트빌더를 통해 자동차 자율 운행을 위한 자동 주행 에이전트, 위치 파악 에이전트, 상태 점검 에이전트가 협동하는 멀티 에이전트를 구현하였다. 멀티에이전트의 협동 및 제어를 위해서 에이전트빌더에 내에 메타 제어기의 구성을 보여 주었으며, 현실에서의 자동차 주행 시 일반적으로 생기는 환경변수를 고려하고 일정 지역을 통하여 자율 주행에 대한 가능성을 찾았다.