PURPOSES : In this study, the importance of various goals, accomplishment, composition, and operation factors of autonomous driving living labs was identified, and implications for establishing strategies to expand the performance of autonomous driving living labs are presented based on their analyzed activation factors. METHODS : We set the factors for accomplishing autonomous living labs to promote technology development and commercialization, create an autonomous living ecosystem, secure the sustainability of living labs, resolve social issues related to urban transportation, and perform factor analyses. To identify the determining factors affecting performance, we performed a multiple regression analysis based on the scores of the composition and operation factors of autonomous living lab environments. RESULTS : Among the accomplishments of autonomous driving living labs, it was found that performance activation and physical environmental factors are important for the promotion of technology development and commercialization; performance activation and promotion and communication factors are important for sustainability related to ecosystem creation; and performance activation and physical environmental factors are important for sustainability related to operational experience acquisition. Additionally, operational factors related to the developer are important for the direct resolution of urban transportation problems, and promotion and communication and performance activation factors are important for the indirect resolution of urban transportation problems. CONCLUSIONS : The findings of this study clarify that activation factors differ depending on accomplishments or goals, providing basic data for establishing accomplishment-based strategies.
PURPOSES : For autonomous vehicles, abnormal situations, such as sudden changes in driving speed and sudden stops, may occur when they leave the operational design domain. This may adversely affect the overall traffic flow by affecting not only autonomous vehicles but also the driving environment of manual vehicles. Therefore, to minimize the traffic problems and adverse effects that may occur in mixed traffic situations involving manual and autonomous vehicles, an autonomous vehicle driving support system based on traffic operation optimization is required. The main purpose of this study was to build a big-data-classification system by specifying data classification to support the self-driving of Lv.4 autonomous vehicles and matching it with spatio-temporal data. METHODS : The research methodology is explained through a review of related literature, and a traffic management index and big-dataclassification system were built. After collecting and mapping the ITS history traffic information data of an actual Living Lab city, the data were classified using the traffic management indexing method. An AI-based model was used to automatically classify traffic management indices for real-time driving support of Lv.4 autonomous vehicles. RESULTS : By evaluating the AI-based model performance using the test data from the Living Lab city, it was confirmed that the data indexing accuracy was more than 98% for the KNN, Random Forest, LightGBM, and CatBoost algorithms, but not for Logistics Regression. The data were severely unbalanced, and it was necessary to classify very low probability nonconformities; therefore, precision is also important. All four algorithms showed similarly good performances in terms of accuracy. CONCLUSIONS : This paper presents a method for efficient data classification by developing a traffic management index to easily fuse and analyze traffic data collected from various institutions and big data collected from autonomous vehicles. Additionally, EdgeRSU is presented to support the driving of Lv.4 autonomous vehicles in mixed autonomous and manual vehicles traffic situations. Finally, a database was established by classifying data automatically indexed through AI-based models to quickly collect and use data in real-time in large quantities.
자율주행에 관한 관심은 전 세계적으로 증가하고 있으며, 글로벌 자동차 제조사들과 기술기업들이 자율주행 분야에 대한 투자를 늘 리고 있어 향후 자동차 산업과 교통체계 전반에 큰 변화가 전망된다. 이처럼 자율주행 관련 연구와 개발은 끊임없이 진보하고 있으며, 관련 연구 수행은 계속해서 이루어질 것으로 보인다. 연구 수행에 있어 동향 파악은 필수 요소이며, 본 연구에서는 국내 자율주행 연 구 동향을 분석하고자 한다. 연구 동향을 분석한 다양한 분야의 선행연구 검토 결과, 각각 연구 목적에 맞는 다양한 데이터베이스를 이용하여 데이터를 수집하였으며 연구 주제어 혹은 초록을 분석데이터로 활용하였음을 확인하였다. 자율주행 연구 동향에 대해 분석 한 선행연구 검토 결과, 기존 연구들은 분야를 구분하지 않고 연구를 수집·분석하였음을 확인하였다. 자율주행은 도로, 교통, 자동차, 기계, 컴퓨터, 전자, 전기 등 다양한 분야를 포함하고 있기에 분야별 연구 동향 분석이 필요하다. 이에 본 연구에서는 도로·교통 분야 의 동향 분석을 위해 최근 5년간(2019년~2023년) 국내 도로·교통 분야 등재 학술지에 게재된 학술 논문을 대상으로 연구 동향을 분석 하였으며, 보다 많은 텍스트 데이터를 활용하기 위해 주제어가 아닌 초록을 활용하였다. 키워드 출현 빈도 분석을 통해 주요 키워드를 도출하였으며, 토픽 모델링을 통해 주요 연구주제를 도출하였다. 본 연구에서 수행한 자율주행 연구 동향 파악은 도로·교통 분야에서 향후 수행될 자율주행 연구 방향 수립에 시사점을 제공할 것이라 기대된다.
자율주행차 상용화 시대를 가속화하기 위해 실제 도로에서 다양한 실증 프로젝트를 수행중이다. 그러나, 자율주행차와 비자율주행차 가 혼재된 혼합교통류 환경에서 발생할 수 있는 다양한 문제의 원인을 파악하고 선제적인 안전대책을 강구하는 노력은 미비한 실정이 다. 특히, 기존 비자율주행차 측면의 주행안전성을 고려하여 설계된 도로 시설 특성으로 인해 자율주행차의 주행안전성이 저하될 수 있다. 또한 기존 비자율주행차의 주행안전성을 저해함과 동시에 자율주행차의 주행안전성도 저해하는 도로 시설 특성이 존재할 가능 성이 있다. 본 연구에서는 상암 자율주행차 시범운행지구에서 수집된 automated vehicle data (AVD)를 활용하여 자율주행차와 비자율주 행차의 주행안전성을 평가하고 도로 시설 특성 측면의 영향요인을 도출하였다. 주행모드별 주행안전성 평가를 위해 autonomous emergency braking system (AEBS) 위험 이벤트 기반의 driving risk index (DRI)를 개발하였다. 구간별 DRI가 발생하지 않은 구간을 very good으로 정의하고 발생한 구간을 25 percentile로 구분하여 good, moderate, poor, very poor 등급으로 정의하여 총 5개의 등급으로 구분 하였다. 또한, 현장조사을 수행함으로써 구간별 포함되어 있는 도로 시설 특성을 수집하였다. 주행모드별 주행안전성에 영향을 미치는 도로 시설 특성을 도출하기 위해 이항로지스틱 회귀분석을 수행하였다. 종속 변수의 경우 DRI 기반 안전등급 중 poor 이상 등급을 1, 그 외의 등급을 0으로 정의하였으며, 독립변수의 경우 현장조사를 통해 수집된 교차로 유형, 차로 수, 차로 폭, 추가차로 유무, 차량 진행방향, 불법주정차 유무, 버스정류장 유무, 자전거 차로 유무에 대해 명목형 변수로 설정하였다. 도출된 주행모드별 주행안전성 영 향 요인을 검토하고 향후 자율주행차 시대에 대비하여 선제적으로 개선이 요구되는 도로 시설 특성을 도출하고 도로 운영성 및 효율 성, 안전성 측면의 개선 방향을 제시하였다.
자율주행차량을 상용화하기 위한 노력이 계속되고 있으며, 완전 자율주행 교통 환경이 조성되기 전까지 자율주행차량과 일반 차량 이 혼재된 혼합교통류가 형성될 것이라 예상된다. 이러한 혼합교통류에서 자율주행차량과 일반 차량은 주행 행태가 다르므로 기존에 는 발생하지 않았던 사고 위험상황을 유발할 수 있으며, 따라서 자율주행차량의 도입에 따른 사고 위험상황을 사전에 파악하고 이에 대한 안전관리 전략을 마련할 필요가 있다. 이러한 안전관리 전략 수립의 첫 단계로 자율주행차량 도입 시 자율주행차량이 사고위험 상황에 처할 수 있는 취약 구간과 취약 상황을 정의해야 한다. 기존 연구의 경우 자율주행 취약 구간 및 취약 상황 정의를 위해 전문 가 설문 조사 방법을 사용하였으며, 자율주행차량 데이터 구득에 어려움이 있어 주로 시뮬레이션 분석을 진행하였다. 본 연구에서는 더 실질적이고 구체적인 자율주행 취약 구간과 취약 상황을 정의하기 위해 두 가지 출처의 데이터를 활용하였으며, 다양한 방법론을 적용하여 과학적이고 다각적인 분석 결과를 도출하였다. 세종시 자율주행 실증구간에서 수집할 수 있는 자율주행차량 주행 궤적 데이 터를 활용해서는 사고위험 판단 안전 지표를 기준으로 사고 취약 구간 및 상황을 정의하였으며, 캘리포니아 DMV 자율주행차량 사고 데이터를 활용해서 연관규칙 기법과 토픽 모델링을 적용해 자율주행 사고에 영향을 미친 주요 요인들과 요인들 간의 연관성을 분석하 였다. 최종적으로는 세종시 자율주행차량 데이터 분석 결과와 캘리포니아 DMV 사고보고서 결과를 종합하여 종합적인 자율주행 취약 구간 및 상황을 정의하였다. 향후 본 연구에서 정의한 자율주행 취약 구간과 취약 상황 및 본 연구의 방법론을 활용하여 미래 교통 시스템의 안전 관리 전략을 마련할 수 있으며, 도로 운영자와 관리자의 의사결정을 도울 수 있을 것으로 기대한다.
PURPOSES : This study is to develop an comprehensive validation methodology for autonomous mobility-on-demand system with level 4 automated driving system. METHODS : The proposed method includes the quantitative techniques for validating both automated driving system and center system using each optimal indicators. In addition, a novel method for validating the whole system applying multi-criteria decision methodology is suggested. RESULTS : The relative weights for the vehicle system was higher than the center systems. Moreover, the relative weights of failure rate for validating the vehicle system was the highest, in addition to, a relative weight for accuracy of dynamic routing algorithm within center system was the highest. CONCLUSIONS : The proposed methodology will be applicable to validate the autonomous mobility on demand system quantitatively considering the relative weights for each systems.
Level 3 driving, which enters full-fledged autonomous driving, is becoming more common. And research on autonomous driving is growing rapidly. Therefore, there is a need for a hardware platform to implement autonomous driving, but the actual vehicle price is too high and the implementation conditions are very limited, so its usability is inevitably reduced. In this study, by providing an easy-to-access hardware platform for anyone to support autonomous driving research, compatibility with software platforms can be increased. As a result of this study, it is possible to conduct hardware platform and software platform education at the same time. Through this, trial and error due to errors in each of the two platforms can be reduced. In addition, various sensors, such as camera sensors and LiDAR sensors, were installed on the hardware platform, and a hardware platform capable of testing autonomous driving for education and R&D was conducted not only outdoors but also indoors with little external environmental impact.
PURPOSES : This study aimed to develop data conversion of NGII HD maps to OpenDRIVE format for virtual road implementation for autonomous-driving verification.
METHODS : A method of defining the reference line of OpenDRIVE on the centerline of an NGII HD map is proposed. According to the construction characteristics of the NGII HD map, the optimal conversion method through parametric cubic polynomials was used in the form of piecewise and clamped cubic polynomials.
RESULTS : The study focused on curved roads that may cause problems when converting HD map data into OpenDRIVE formats. As a result of data conversion, a reference line was defined to precisely follow the alignment of NGII HD maps drawn based on MMS data, and a lively virtual road was reproduced through road lane width and lane expression.
CONCLUSIONS : A virtual road in the same environment as a real road, which is one of the important factors in verifying autonomous driving technology through virtual driving simulation, was constructed. The piecewise-polynomial normal was 0.008 m on average, and as a result of calculating the distance between the endpoint coordinates of the road object and the endpoint coordinates of the converted road object on the NGII HD map, the difference between the two points was 0.163 m on average. The clamped cubic polynomials normal was observed to be an average of 0.170 m.
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.
PURPOSES : Accidents involving autonomous vehicle continue to occur. However, research on autonomous vehicle monitoring has been insufficient. The purpose of this study is to develop monitoring indicators from the perspective of vehicles and road infrastructure for the safe driving of autonomous vehicles. In addition, the purpose is to monitor autonomous vehicles and road environments using the monitoring indicators developed, as well as to analyze the characteristics of road sections where autonomous vehicles exhibit abnormalities.
METHODS : Data from Pangyo Zero Shuttle, an autonomous vehicle, were used in this study. Infrastructure data installed in Pangyo Zero City were used. The data were collected from June 2019 to July 2019, during the normal driving period of the zero shuttle. The five monitoring indicators were developed by combining the vehicle operation information table collected from the V2X device of the zero shuttle and the road environment monitoring detail table collected from the infrastructure data with the road section table. In addition, an analysis of road characteristics with frequent errors is performed for each monitoring indicator.
RESULTS : The three monitoring indicators from the perspective of the vehicle allowed monitoring of the sensor error, sensor communication error, and yaw rate error of the autonomous vehicle's timing and road section. In addition, the two monitoring indicators from the infrastructure perspective enabled the monitoring of events and road surface conditions on roads where autonomous vehicles drive. As a result of analyzing the road characteristics that frequently caused errors by monitoring indicators, sensor errors frequently occurred in the section waiting to enter the left-turn lane. Sensor communication errors are left-turn standby and have occurred frequently on road sections where U-turns are allowed. Finally, yaw rate error occurred frequently in sections of roads where there were no induction lines or where changes to lanes occurred frequently.
CONCLUSIONS : The five monitoring indicators developed in this study allowed the monitoring of autonomous vehicles and roads. The results of this study are expected to help the safe driving of autonomous vehicles and contribute to the detection of autonomous driving abnormalities and the provision of real-time road condition information through further analysis.
This research uses a practical attempt to explore further determinants of consumer behaviour needs to be considered in modern TAM’s. Based on This study applies a qualitative and a quantitative method. On the one hand, qualitative data was collected with the World Café approach and on the other hand, the quantitative data was collected by an online-survey, resulting in an effective sample of 126 respondents. The findings show that consumers attitude towards self-driving cars is positive and negative. Those descriptive variables for the context of autonomous driving have to be identified as a first step. Conclusively, implications and future research topics are presented.