선박은 운항 중 다른 선박과 조우하며, 정해진 규정에 따라 대응해야 한다. 그러나 이러한 기준은 큰 원칙만 있을 뿐 구체적인 수치는 제시하지 않고 있다. 그러므로 큰 원칙에 따라 선박운항자의 판단에 따라 선박은 대응한다. 선박운항자는 자신이 승선한 선박의 상황에 맞춰 대응하기 때문에 일반 상선운항자와 소형선박운항자의 이격거리에 대한 인식은 다를 수가 있다. 본 연구는 일반 상선운항자 와 소형선박 운항자의 횡단 관계 시 이격거리에 대한 인식차이를 분석하고자 했다. 이를 위해 해상교통조사를 수행하고 선박운항자 대상 설문조사를 수행했다. 해상교통조사 결과, 가덕수도를 통항하는 선박은 선수방향에 약 300m의 이격거리를 통항하고 있었으며, 설문조사 결과 소형선박운항자의 안전거리가 일반 상선운항자의 위험거리보다 짧은 것으로 나타났다. 이를 통해 선박크기별로 적정 이격거리는 차이가 있어야 하며, 선박 길이와 관계없이 타선박과 일정한 이격거리가 필요함을 확인했다.

목 적: 시각손상을 유발하였을 시, 광학 확대경과 휴대용 전자확대경을 사용시 근거리 사물을 인식하는데 걸리는 시간에 대해서 평가하고자 한다. 방 법: 15명의 참여자에게 영수증 내에 있는 여러 가지 정보와 사진의 정보를 파악하는데 걸리는 시간을 측정하였다. 3가지 시각 손상 조건을 구현하였으며, 이는 시력저하, 백내장 그리고 시야협착이었다. 이런 시각 손상 조건하에서 광학확대경과 전자확대경에 대한 사물인식 시간을 측정하였다. 결 과: 본 연구에 참여한 참여자는 21세부터 26세로 평균나이는 22.73±1.28이다 근거리 정보를 인식과 사진의 정보를 파악하는데 걸린 시간은 광학확대경과 휴대용 확대경간 유의한 차이가 없었다. 시각 손상 조건을 서로 비교하였을 때, 시력저하 조건과 백내장 조건은 유의한 차이가 없었으나, 시력저하와 시야협착 그리고 백내장 조건과 시야협착 조건간에는 유의한 차이를 보였다. 결 론: 근거리 사물의 정보를 인식하는데 있어서, 광학 확대경과 휴대용 전자확대경은 비슷한 정도의 효율성을 보여주었다. 하지만 시야협착이 있는 경우에는 다른 시야 손상에 비해 정보인식 시간이 다소 오래 걸렸다. 따라서, 시야협착이 있는 경우에는 시야 확장에 도움이 되는 보조기기의 처방을 통하여, 읽기 능력 향상을 도와주는것을 고려하여야 할 것이다.

A map of complex environment can be generated using a robot carrying sensors. However, representation of environments directly using the integration of sensor data tells only spatial existence. In order to execute high-level applications, robots need semantic knowledge of the environments. This research investigates the design of a system for recognizing objects in 3D point clouds of urban environments. The proposed system is decomposed into five steps: sequential LIDAR scan, point classification, ground detection and elimination, segmentation, and object classification. This method could classify the various objects in urban environment, such as cars, trees, buildings, posts, etc. The simple methods minimizing time-consuming process are developed to guarantee real-time performance and to perform data classification on-the-fly as data is being acquired. To evaluate performance of the proposed methods, computation time and recognition rate are analyzed. Experimental results demonstrate that the proposed algorithm has efficiency in fast understanding the semantic knowledge of a dynamic urban environment.