Earticle

자율주행 시물레이터는 자율 주행을 시험하고 검증하는 일에 있어 현실에 비해 높은 비용 절감의 효과를 가 지고 오지만 높은 컴퓨터 연산량에 의해 많은 하드웨어 기기를 요구하게 된다. 게임을 이용하여 자율 주행에 필요한 학습 데이터를 획득하는 경우도 있다. 게임은 저비용 시뮬레이터로 활용되고 있지만 게임 외적인 특정 상황을 모의하기에도, 필요한 데이터 획득에도 제한적이다. 또 다른 방법으로 게임 엔진을 통한 가상 환경 모 의 연구가 수행되고 있다. 하지만 게임 엔진에서는 사용자가 직접 필요한 모델링을 해줘야 하기 때문에 개발 비용이 크게 작용된다. 특히, 3D LIDAR는 360도로 Ray를 쏴서 정밀 거리를 최소 10Hz 이내의 실시간 획득이 필요하다. 실시간으로 3D LIDAR 데이터를 획득하는 것은 GPU(Graphics Processing Unit) 사용량이 많은 작업 이기 때문에, 저비용 시뮬레이터를 위해서는 저비용 3D LIDAR 모의가 필요하다. 본 논문에서는 낮은 컴퓨터 연산을 사용하는 C++ 기반 3D LIDAR 모의 프레임 워크를 제안한다. 제안된 3D LIDAR는 다수의 언덕으로 이 루어진 비포장 Map에서 성능을 검증 하였으며, 성능 검증을 의해 본 논문에서 생성된 3D LIDAR로 간단한 LPP(Local Path Planning) 생성 방법도 소개한다. 제안된 3D LIDAR 프레임 워크는 저비용 실시간 모의가 필요 한 자율 주행 분야에 적극 활용되길 바란다.

Self-driving simulators have a higher cost-saving effect compared to reality in testing and verifying autonomous driving, but they require a lot of hardware devices due to high computer computation. In some cases, learning data necessary for autonomous driving may be obtained using a game. Games are used as low-cost simulators, but they are limited in simulating specific situations outside the game and obtaining necessary data. As another method, a simulation study of the virtual environment through a game engine is being conducted. However, in game engines, development costs are high because users have to model themselves. In particular, 3D LIDAR requires real-time acquisition of a precise distance of at least 10 Hz by shooting Ray at 360 degrees. Acquiring 3D LIDAR data in real time is a task that consumes a lot of graphics processing unit (GPU), so a low-cost 3D LIDAR simulator requires a low-cost 3D LIDAR simulation. In this paper, we propose a C++-based 3D LIDAR simulation framework using low computer operations. The proposed 3D LIDAR verified its performance in an unpaved map composed of many hills, and introduced a simple local path planning (LPP) generation method with 3D LIDAR generated in this paper by performance verification. We hope that the proposed 3D LIDAR framework will be actively used in autonomous driving fields that require low-cost real-time simulations.

As autonomous driving and connected car technology advance, various deep learning applications for autonomous vehicles and complex traffic situations are increasing. Autonomous vehicles must collect and process vast amounts of sensor data to support various deep learning applications, but vehicles have limited computing resources to perform complex deep learning operations. Therefore, edge computing is a promising solution to complement the limitations of autonomous vehicles. In this paper, we design edge computing for efficient task processing in an autonomous driving environment using a driving simulator. Also, we propose a task scheduling and offloading method which determines the target server to offload a task according to the characteristics of the task and the computing resources. The effectiveness of the proposed method is verified through experimental evaluation in an autonomous driving environment, supporting multiple deep learning services that we established by using a driving simulator.

본 연구에서는 자율 주행을 위한 지능형 교통 시스템(ITS)을 최적화하는 데 있어 엣지 컴퓨팅의 혁신적인 잠재력 을 연구하였다. 방대한 양의 데이터를 로컬에서 실시간으로 처리하는 엣지 컴퓨팅의 능력은 신속한 의사 결정 및 향상된 안전 조치를 포함하여 자율주행차의 중요한 요구 사항을 해결하는 데 필수 요소이다. 엣지 컴퓨팅과 기존 ITS 인프라의 통합을 탐구하고, 현지화된 데이터 처리가 대기 시간을 크게 줄여 자율주행차의 반응성을 향상시키는 방법을 강조한다. 실시간 교통 관리, 충돌 방지 시스템 및 동적 경로 최적화를 지원하는 강력한 프레임워크를 집합적으로 형성하는 엣지 서버, 센서 및 V2X(Vehicle-to-Everything) 통신 기술의 배포를 검토한다. 또한 본 연구는 보안, 데이터 통합, 시스템 확장성 등 ITS에서 엣지 컴퓨팅을 구현하는 데 있어 가장 중요한 과제를 다루며 잠재적인 솔루션과 향후 연구 방향에 대한 통찰력을 제공한다. 이 논문은 완전 자율 주행이라는 비전을 실현하는 데 있어 엣지 컴퓨팅의 중추적인 역할을 강조 하고, 보다 안전하고 효율적이며 지속 가능한 교통 시스템을 달성하는 데 기여하는 논문이다.

In this scholarly investigation, the focus is placed on the transformative potential of edge computing in enhancing Intelligent Transportation Systems (ITS) for the facilitation of autonomous driving. The intrinsic capability of edge computing to process voluminous datasets locally and in a real-time manner is identified as paramount in meeting the exigent requirements of autonomous vehicles, encompassing expedited decision-making processes and the bolstering of safety protocols. This inquiry delves into the synergy between edge computing and extant ITS infrastructures, elucidating the manner in which localized data processing can substantially diminish latency, thereby augmenting the responsiveness of autonomous vehicles. Further, the study scrutinizes the deployment of edge servers, an array of sensors, and Vehicle-to-Everything (V2X) communication technologies, positing these elements as constituents of a robust framework designed to support instantaneous traffic management, collision avoidance mechanisms, and the dynamic optimization of vehicular routes. Moreover, this research addresses the principal challenges encountered in the incorporation of edge computing within ITS, including issues related to security, the integration of data, and the scalability of systems. It proffers insights into viable solutions and delineates directions for future scholarly inquiry.

본 연구는 자율주행 도로교통의 민간 인프라 구축을 위한 발전 방안을 제시한다. 고정밀 디지털 인프라, V2X 통신 인프라, 통합 관제 시스템, 보안 관리 시스템을 중심으로 기술 요구사항을 분석하고, 이를 효과적으로 구현하기 위한 민관협력 방안을 도출하였다. 또한 체계적인 실증사업과 검증체계를 통해 자율주행 인프라의 안전성과 신뢰성을 확보하고 자 하였다. 민간 참여 활성화를 위해 규제 샌드박스 확대, 금융 지원 강화, 전문인력 양성 등의 정책적 제언을 제시하였다.

This study presents development strategies for private infrastructure in autonomous driving road transportation. We analyze technical requirements focusing on high-precision digital infrastructure, V2X communication infrastructure, integrated control systems, and security management systems, while proposing public-private partnership approaches for their effective implementation. The study also suggests systematic demonstration projects and verification systems to ensure infrastructure safety and reliability. Policy recommendations include expanding regulatory sandboxes, strengthening financial support, and developing professional workforce to promote private sector participation.

본 연구는 무인자동차 시스템이 상용화에 가까워짐에 따라 소비자들이 느끼게 되는 다양한 요인들 중에서 자율주행 에 대한 기술수용정도를 파악하기 위해 기술수용모델(TAM)을 활용하여 사후행동에 미치는 영향을 파악하고자 하였다. 기 존 기술수용모델이 제시한 지각된 사용 이용성의 매개효과와 더불어 본 연구에서는 지각된 신뢰(perceived trust)를 제안하 여 사후행동에 대한 매개효과를 가설로 제시하였다. 분석방법은 구조방정식을 활용한 경로분석을 활용하였으며, 분석에 사 용된 표본은 160명의 응답 중 149개의 유효한 자료를 이용하였다. 매개효과에 대한 가설검증으로 총효과, 직접효과, 간접효 과를 확인하였으며, 비모수 bootstrapping 분석을 추가적으로 실시해 가설검증을 실시하였다. 모든 가설은 유의미하였으며 부분적인 간접효과가 있는 것으로 확인되어 매개효과가 있다는 것을 발견하였다.

The purpose of this study is to investigate the effect of technology acceptance model (TAM) on behavioral intention in order to grasp the degree of technology acceptance on autonomous driving among the various factors that consumers perceive as unmanned vehicle system becomes commercialized. In addition to the mediating effect of perceived usefulness proposed by the existing TAM, this study proposed the perceived trust (PT) and hypothesized its mediating effect on behavioral intention to use the self-driving. Path anlaysis is adopted to investigate our hypothesis using the structural equation model. The sample used for the analysis was 149 valid data among 160 responses. The effects of total effect, direct effect, and indirect effect were confirmed by hypothesis test on mediating effect. Non-parametric bootstrapping analysis was also performed to confirm the robustness. All the hypotheses were significant and we found a partial indirect effect, which implies that mediation effect of PT on behavioral intention.

본 논문은 레벨 5(L5) 완전 자율주행 기술을 출발점으로 삼아, 강인공지능을형사책임 주체로 인정하기 위한 이론적 타당성과 제도 구축 방안에 대해 체계적으로 고찰하였다. 자율주행이 모든 상황에서 스스로 의사를 결정하는 단계로 발전함에 따라, 알고리즘 블랙박스와 딥러닝을 기반으로 강인공지능이 스스로 생성한 위험은 기존 형법상의 인과관계를 실질적으로 단절시킨다. 이처럼기술이 고도로 발전함에 따라, 책임 주체가 부재한 상황에서, 개입 능력이 없는 탑승자나 규범 준수 의무를 다한 제조사에게 무리하게 기존의 귀책 방식을적용한다면, 이는 책임주의 원칙에 위배되고 객관적 결과책임을 묻게 되는 법리적 모순에 빠지게 된다. 이러한 귀책의 공백을 메우기 위해, 본 논문에서는기존 형법의 인간 생물학적 중심주의에서 벗어나 형사책임의 존재론적 기초를실질적인 규범 반응 능력으로 전환할 것을 주장한다. 특정 운행 영역 내에서강인공지능은 이미 형법이 요구하는 사물 변별 및 행위 통제 능력을 갖추고있으므로, 이에 독립적인 형사책임 주체 지위를 부여하는 것은 위험을 방지하고 귀책 체계의 붕괴를 막기 위한 필연적 선택이다. 이러한 이론적 기초에서, 본 논문은 디지털 주체의 특성에 부합하는 형벌 체계를 새롭게 재구성하여 디지털 사형, 자격 강등, 샌드박스 강제 재학습 등 맞춤형 처벌 방안의 적용을제안하였다. 이 체계는 시스템의 기본 코드 논리에서 재범 능력을 효과적으로박탈할 수 있을 뿐만 아니라, 형벌의 재사회화 기능 및 일반예방 목적에도 부합한다. 결과적으로 이는 디지털 시대 자율주행 산업의 건전한 발전과 법익 보호를 위한 탄탄한 법리적 기반을 제공할 것이다.

Taking Level 5 (L5) fully autonomous driving technology as a starting point, this paper systematically explores the theoretical justification and institutional design for treating strong artificial intelligence (AI) as a subject of criminal liability. As autonomous driving evolves toward full-scenario independent decision-making, the self-generated risks of strong AI—driven by algorithmic black boxes and deep learning—substantially sever the causal links in traditional criminal law. Facing the absence of a liable subject caused by this technological shift, forcibly applying traditional rules to punish passengers who cannot intervene or manufacturers who have met compliance standards would create a legal dilemma. It would violate the principle of culpability and lead to liability without subjective fault. To fill this liability gap, this paper argues for breaking away from the human-centric biological focus of traditional criminal law. Instead, it shifts the foundational basis of criminal liability to a substantive “ability to respond to legal norms.” Within specific operational domains, strong AI entities already possess the ability to recognize and control their actions in a criminal law sense. Therefore, granting them an independent status as subjects of criminal liability is a necessary choice to prevent risks and avoid the collapse of the liability system. Building on this theoretical foundation, this paper innovatively reconstructs a penal system tailored to the characteristics of digital subjects. It proposes exclusivepunishment measures such as the “digital death penalty,” “qualification downgrade,” and “mandatory sandbox retraining.” This system not only effectively removes the capacity to re-offend at the foundational code level, but also aligns with the resocialization function and general prevention goals of criminal punishment. Ultimately, it provides solid jurisprudential support for the healthy development of the autonomous driving industry and the protection of legal interests in the digital age.

本文以L5级完全自动驾驶技术为切入点，系统探讨强人工智能刑事责 任主体的理论证成与制度建构. 随着自动驾驶向全场景自主决策演进，强 人工智能基于算法黑箱与深度学习生成的自生风险，实质性切断了传统 刑法的因果关系. 面对技术演进带来的责任主体缺失，如果强行沿用传统 归责路径追究无干预能力的乘客或已尽合规义务的制造商，会陷入违背 责任主义与客观归罪的法理困境. 为填补归责空白，本文主张打破传统刑 法的人类生物学中心主义，将刑事责任的本体论基础转向实质的规范响 应能力. 强人工智能实体在特定运行域内已具备刑法意义上的辨认与控制 能力，赋予其独立的刑事责任主体地位，是防范风险、避免归责体系崩 塌的必然选择. 在此理论基础之上，本文创新性地重构了契合数字主体特 征的刑罚体系，提出适用“数字死刑”、“资格减等”以及“沙盒强制重训”等 专属惩罚路径. 该体系不仅能在底层代码逻辑上有效剥夺再犯能力，也 契合了刑罚的再社会化机能与一般预防目的，从而为数字时代自动驾驶 产业的良性运行与法益保护提供了坚实的法理支撑.

본 논문은 레벨 5(L5) 완전 자율주행 기술을 출발점으로 삼아, 강인공지능을형사책임 주체로 인정하기 위한 이론적 타당성과 제도 구축 방안에 대해 체계적으로 고찰하였다. 자율주행이 모든 상황에서 스스로 의사를 결정하는 단계로 발전함에 따라, 알고리즘 블랙박스와 딥러닝을 기반으로 강인공지능이 스스로 생성한 위험은 기존 형법상의 인과관계를 실질적으로 단절시킨다. 이처럼기술이 고도로 발전함에 따라, 책임 주체가 부재한 상황에서, 개입 능력이 없는 탑승자나 규범 준수 의무를 다한 제조사에게 무리하게 기존의 귀책 방식을적용한다면, 이는 책임주의 원칙에 위배되고 객관적 결과책임을 묻게 되는 법리적 모순에 빠지게 된다. 이러한 귀책의 공백을 메우기 위해, 본 논문에서는기존 형법의 인간 생물학적 중심주의에서 벗어나 형사책임의 존재론적 기초를실질적인 규범 반응 능력으로 전환할 것을 주장한다. 특정 운행 영역 내에서강인공지능은 이미 형법이 요구하는 사물 변별 및 행위 통제 능력을 갖추고있으므로, 이에 독립적인 형사책임 주체 지위를 부여하는 것은 위험을 방지하고 귀책 체계의 붕괴를 막기 위한 필연적 선택이다. 이러한 이론적 기초에서, 본 논문은 디지털 주체의 특성에 부합하는 형벌 체계를 새롭게 재구성하여 디지털 사형, 자격 강등, 샌드박스 강제 재학습 등 맞춤형 처벌 방안의 적용을제안하였다. 이 체계는 시스템의 기본 코드 논리에서 재범 능력을 효과적으로박탈할 수 있을 뿐만 아니라, 형벌의 재사회화 기능 및 일반예방 목적에도 부합한다. 결과적으로 이는 디지털 시대 자율주행 산업의 건전한 발전과 법익 보호를 위한 탄탄한 법리적 기반을 제공할 것이다.

Taking Level 5 (L5) fully autonomous driving technology as a starting point, this paper systematically explores the theoretical justification and institutional design for treating strong artificial intelligence (AI) as a subject of criminal liability. As autonomous driving evolves toward full-scenario independent decision-making, the self-generated risks of strong AI—driven by algorithmic black boxes and deep learning—substantially sever the causal links in traditional criminal law. Facing the absence of a liable subject caused by this technological shift, forcibly applying traditional rules to punish passengers who cannot intervene or manufacturers who have met compliance standards would create a legal dilemma. It would violate the principle of culpability and lead to liability without subjective fault. To fill this liability gap, this paper argues for breaking away from the humancentric biological focus of traditional criminal law. Instead, it shifts the foundational basis of criminal liability to a substantive “ability to respond to legal norms.” Within specific operational domains, strong AI entities already possess the ability to recognize and control their actions in a criminal law sense. Therefore, granting them an independent status as subjects of criminal liability is a necessary choice to prevent risks and avoid the collapse of the liability system. Building on this theoretical foundation, this paper innovatively reconstructs a penal system tailored to the characteristicsof digital subjects. It proposes exclusive punishment measures such as the “digital death penalty,” “qualification downgrade,” and “mandatory sandbox retraining.” This system not only effectively removes the capacity to re-offend at the foundational code level, but also aligns with the resocialization function and general prevention goals of criminal punishment. Ultimately, it provides solid jurisprudential support for the healthy development of the autonomous driving industry and the protection of legal interests in the digital age.

本文以L5级完全自动驾驶技术为切入点，系统探讨强人工智能刑事责 任主体的理论证成与制度建构. 随着自动驾驶向全场景自主决策演进，强 人工智能基于算法黑箱与深度学习生成的自生风险，实质性切断了传统 刑法的因果关系. 面对技术演进带来的责任主体缺失，如果强行沿用传统 归责路径追究无干预能力的乘客或已尽合规义务的制造商，会陷入违背 责任主义与客观归罪的法理困境. 为填补归责空白，本文主张打破传统刑 法的人类生物学中心主义，将刑事责任的本体论基础转向实质的规范响 应能力. 强人工智能实体在特定运行域内已具备刑法意义上的辨认与控制 能力，赋予其独立的刑事责任主体地位，是防范风险、避免归责体系崩 塌的必然选择. 在此理论基础之上，本文创新性地重构了契合数字主体特 征的刑罚体系，提出适用“数字死刑”、“资格减等”以及“沙盒强制重训”等 专属惩罚路径. 该体系不仅能在底层代码逻辑上有效剥夺再犯能力，也 契合了刑罚的再社会化机能与一般预防目的，从而为数字时代自动驾驶 产业的良性运行与法益保护提供了坚实的法理支撑.

In recent years, technological competition in the automobile sector is accelerating. This study analyzes the status of patents from a global perspective of three promising future items that Korea has selected as core technologies in the field of autonomous driving,. And the technological cooperation ecosystem was identified through network analysis centered on scientific metrology. As a result of the analysis, it was confirmed that the growth of individual technologies has been strengthened in recent years, and although key source technologies have been largely preempted in major global countries, a close cooperative ecosystem between institutions, companies, and universities in major countries has not yet been formed. Specifically, the US and Japan have the technological leadership, while China is rapidly rising, and Korea is chasing after it as a latecomer. Therefore, it is necessary to continuously strengthen technological cooperation such as R&D of core technology to overcome technological limitations and strengthening of infrastructure construction, attracting excellent foreign talents and international exchanges. This analysis is meaningful in that it explores the global status of Korea's technology and the possibility of technological cooperation from various perspectives in the future from the viewpoint of preoccupation of future technology, rather than grasping the trend of a specific technology.

자율주행 및 첨단 운전자 보조 시스템에서 주변 차량의 차선변경 의도 조기 인식은 선제적 주행 판단을 위해 중요하다. 본 논문에서는 기존 IMM의 확률적 구조와 해석 가능성을 유지하면서 주행 맥락 적응성을 향상시키는 Dual Neural-Calibrated IMM (DNC-IMM)을 제안한다. 제안 방법은 목표 차량 운동, 주변 차량과의 거리 및 상대 속도 등 주행 맥락 정보를 신경망으로 인코딩하여 전이 확률 행렬과 측정 가능도를 보정한다. 최종 의도는 이를 통해 산출된 IMM 모드 사후 확률로부터 판단되며, highD 데이터셋 실험에서 차선 경계 통과 이전의 차선변경 의도를 안정적으로 인식함을 확인하였다.

Early recognition of a lane-change intention is essential for proactive decision-making in autonomous driving and advanced driver assistance systems. This paper proposes a Dual Neural-Calibrated Interacting Multiple Model (DNC-IMM) that improves driving context adaptability while preserving the probabilistic structure and interpretability of conventional IMM. The proposed method encodes driving context information, including target vehicle motion and surrounding vehicle gaps and relative velocities, through a neural network to calibrate the transition probability matrix and the measurement likelihood. The final intention is determined from the calibrated IMM mode posterior, and experiments on the highD dataset confirm that the proposed method can reliably recognize lane-change intentions before lane crossing.

차선 검출은 자율주행에 필요한 도로 구조 정보를 제공하는 핵심 인지 기술이다. 그러나 저조도 환경에서는 차선 마킹의 대비가 감소하고 노이즈 및 반사광이 증가하여 검출 안정성이 저하된다. 기존 저조도 영상 보정 기법은 주로 시각적 품질 개선에 초점을 맞추기 때문에 보정된 영상이 차선 검출에 유리한 입력이 된다고 보장할 수 없다. 본 논문에서는 이러한 한계를 해결하기 위해 저조도 차선 검출을 위한 task-aware ZeroDCE-CLRNet 프레임워크를 제안한다. 제안 프레임워크는 영상 향상 모듈과 차선 검출 모듈을 하나의 미분 가능한 계산 그래프로 연결함으로써, 검출 손실이 영상 향상 모듈까지 역전파되어 차선 검출에 유리한 방향으로 학습되도록 한다. 또한 task-aware 학습을 안정화하기 위해 손실항으로 lane-aware constraint를 설계하였다. CULane 기반 저조도 입력 실험에서 제안 프레임워크는 F1@50을 0.7151에서 0.7713으로 향상시켜 성능 저하분의 68.4%에 해당하는 개선을 달성하였다.

Lane detection is a key perception task for autonomous driving because it provides information on the road_structure, but low-light environments reduce lane-marking contrast and increase noise and reflections, degrading detection reliability. Existing low-light enhancement methods mainly improve visual quality, so enhanced images do not necessarily provide suitable inputs for lane detection. This paper proposes a task-aware ZeroDCE-CLRNet framework for low-light lane detection. The proposed framework connects the image enhancement module and the lane detector module within a single differentiable computation graph, allowing the detection loss to be backpropagated to the enhancement module for lane-detection-oriented learning. In addition, a lane-aware constraint is designed as an auxiliary loss term to stabilize task-aware learning. Experiments on CULane-based low-light inputs showed that the proposed framework improves the F1@50 from 0.7151 to 0.7713, corresponding to 68.4% of the degradation gap.

In this paper, to secure the accuracy and real-time performance of the perception stage in autonomous driving, frame alignment was performed using a homography transformation technique. an efficient dataset was constructed based on normalized bounding box formats by applying the YOLOv5 architecture as an object recognition model. The trained PyTorch model was optimized for the EN675 NPU accelerator environment, enabling stable real-time detection and tracking of six major road objects(up to 32 objects per frame) across four channels of full HD camera inputs. This study is expected to provide high computational efficiency and reliability for edge devices in real-time autonomous driving applications.

악천후 환경은 자율주행 객체 탐지 성능을 크게 저하시키는 주요 요인 중 하나이며, 이를 보완하기 위한 실제 악천후 데이터 수집과 정밀 라벨링에는 많은 시간과 비용이 소요된다. 이에 따라 맑은 날씨의 참조 이미지를 다양한 악천후 조건으로 변환하는 생성 기반 데이터 증강 기법이 주목받고 있다. 본 연구에서는 ACDC 기반 참조 주행 이미지를 입력으로 사용하여 비, 눈, 안개, 야간 조건의 악천후 이미지를 생성하고, Stable Diffusion, SDXL Img2Img, InstructPix2Pix, FLUX 2 4B의 성능을 비교 분석 하였다. 실험은 동일한 입력 이미지와 동일한 프롬프트 조건에서 수행되었으며, 정량 평가는 PSNR, SSIM, CLIP image similarity, CLIP text similarity를 사용하고, 정성 평가는 모델별 생성 결과 비교를 통해 수행하였다. 실험 결과, SDXL Img2Img는 평균 PSNR 24.5289, SSIM 0.9723으로 가장 높은 구조 보존 성능을 보였으며, Stable Diffusion은 이와 유사한 안 정적 특성을 나타냈다. InstructPix2Pix는 보다 직접적인 속성 편집 경향을 보였고, FLUX 2 4B는 CLIP text similarity 31.8468로 가장 높은 프롬프트 반영 능력을 보였으나 구조 보존 성능은 가장 낮았다. 이러한 결과는 악천후 데이터 생성 모델 이 구조 보존과 프롬프트 반영 능력 사이에서 서로 다른 trade-off를 가진다는 점을 보여주며, ITS 환경에서 합성 데이터를 활 용할 때 목적에 따라 적절한 생성 모델을 선택할 필요가 있음을 시사한다.

본 논문은 교차로 내 사각지대에서 발생할 수 있는 돌발사고를 예방하기 위해, 인프라-차량 간 통신(I2V, Infra-to-Vehicle)을 활용한 위험 탐지 및 경고 모델을 제안한다. 교차로 인프라에 설치된 고정형 LiDAR와 광각 카메라를 통해 운전자의 시야에서 벗어난 객체(보행자, 자전거, 이륜차 등)를 인식하고, 탐지 확률 모델을 이용해 비가시 영역을 보정하였다. 탐지된 객체의 거리와 속도를 기반으로 충돌예상시간(Time-To-Collision, TTC)과 제 동거리(Braking Distance)를 산출하고, 이를 종합하여 위험도를 정량화하였다. 산출된 위험도는 ROS 2 기반 I2V 통신으로 차량에 전송되어, 운전자에게 시각 및 청각적 경고를 제공한다. 실험 결과, 제안된 모델은 단일 센서 대 비 18% 향상된 탐지율(96.8%)과 평균 통신 지연 147 ms 이하의 실시간 성능을 보였으며, 운전자 반응시간이 24.6% 단축되어 교차로 안전성 향상에 효과적임을 확인하였다. 본 연구는 C-ITS 기반 교차로 안전 인프라 구축 및 자율주행 지원 기술의 실증적 기반을 제시한다.

This paper proposes a risk detection and warning model utilizing Infra-to-Vehicle (I2V) communication to prevent unexpected accidents occurring in intersection blind spots. Fixed LiDAR and wide-angle cameras installed at the infrastructure detect objects invisible to drivers—such as pedestrians, bicycles, and motorcycles—and compensate for non-line-of-sight (NLOS) areas using a detection probability model. Based on the distance and speed of detected objects, the system calculates Time-To-Collision (TTC) and Braking Distance to quantify the risk level. The calculated risk information is transmitted to vehicles in real time through ROS 2-based I2V communication, providing both visual and auditory alerts to drivers. Experimental results show that the proposed model improved detection accuracy by 18% (96.8%) compared to single-sensor methods and achieved a communication delay under 147 ms, while driver reaction time was reduced by 24.6%. These results demonstrate that the proposed system effectively enhances intersection safety and provides a practical foundation for developing C-ITS-based infrastructure for autonomous driving support.

자율주행차는 카메라 기반의 시각인지 소프트웨어를 통해서 스스로 주변을 판단하며 주행 하지만, 저조도·저대비 환경에서는 객체 탐지 오류가 자주 발생한다. 본 논문은 자율주행에서 도로 파손 객체를 중심으로 저조도·저대비 조건에서 시각 오인지 원인을 분석하였고, 이 문제 를 줄이는 이미지 전처리 필터를 제안하였다. 시각 오인지 원인 분석은 이미지의 픽셀 밝기 데이터를 이용하여, 정탐지와 미탐지 이미지 셋을 분류한 후 각 세트별 픽셀 히스토그램 분석 을 거쳐 8개 인덱스로 특징을 분석하였다. 특징 분석 이후, 저조도·저대비 이미지의 시각 오인 지 문제를 줄이기 위해 전처리 필터를 설계하여 성능을 비교하였다. 그 결과, 제안 필터를 적용 하였을 경우, 미탐지율은 필터 도입 전과 비교했을 때 50% 개선된 결과를 얻었다. 본 논문은 이미지 픽셀 밝기 데이터 기반 전처리 필터를 사용한다면 자율주행차 시각인지 기반 도로파손 미탐지 성능을 실질적으로 개선할 수 있다는 결과를 확인했다.

Autonomous vehicles rely on camera-based visual perception systems to make driving decisions, yet low-light and low-contrast conditions often lead to object detection errors. This study investigates the causes of visual misperception in detecting road surface damage and proposes an image preprocessing filter to mitigate these issues. Pixel brightness data were used to classify images into correctly detected and undetected sets, followed by histogram-based feature analysis across eight indices to identify key factors contributing to detection failures. Based on these findings, a brightness-adjustment preprocessing filter was developed and evaluated. Experiments show that the proposed filter reduces the miss-detection rate by about 50% compared to the baseline. These results demonstrate that pixel brightness-based preprocessing can significantly improve autonomous vehicle perception of road damage under adverse lighting conditions.