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.
기존 항만 건설 시 화물차 전용 주차장이 고려되지 않았으며, 해양수산부의 ‘제2차 신항만건설기본계획(2019~2040)’에 따라 총 11 개의 새로운 항만이 건설될 예정이다. 따라서 화물차 전용 주차장 설계에 대한 연구가 필요한 실정이다. 현재 항만에서는 화물차 전용 주차 공간 부족으로 불법 주차가 발생하고 있으며, 이로 인해 교통사고 위험이 증가하고 있다. 기존 연구에서는 전체 항만을 대상으로 한 분류 방법이 제안되었으나, 신설 항만 설계 시 과소 또는 과대 설계 문제를 초래한다. 따라서 본 연구는 부두별로 4대 요소(안벽 길이, 야적장 면적, 접안 능력, 하역 능력)를 기반으로 분류하며, DWT와 TEU 단위를 고려하여 데이터를 분석하였다. 14개 국가 관리 항만의 총 380 부두 데이터를 조사하고, 이를 통해 그룹핑 작업을 통해 정규화 곡선으로 평균 ± 표준편차를 기준으로 항만 전체 부두 에 대한 분류를 실시하였다. 이를 통해 향후 연구결과를 통해 검증 후 최종 분류방법을 결정하여 새로운 항만분류법을 제안하고, 제안 된 방법론의 분류검증을 실시할 예정이다.
현재 국내의 차종 분류 기준은 그 조사목적과 조사지점에 따라 이원화되어 운영되고 있다. 고속국도와 지방도의 경우는 8종 분류 기준이 그리고 일반국도의 경우는 11종 분류 기준이 활용되고 있는데, 이러한 이원화된 분류 기준은 자료 활용의 효율성을 저하시키고 있는 실정이다. 본 연구는 이러한 이원화된 차종 분류 기준의 문제점을 해결하기 위해 통합된 차종 분류 기준을 제시하고 있다. 분류 기준은 차량 제원에 의한 기계식 조사에 초점을 맞추었으며, 현장 조사의 문제점을 완화하기 위해 인력식 조사에도 적용이 가능하도록 설정되었다. 제안된 차종 분류 기준은 차량의 다양화 및 대형화 추세를 반영하고, 기타 차종 분류 기준과의 호환성을 고려하고 있어 보다 합리적인 차종 분류 기준이라 할 수 있다.
본 연구의 목적은 1991년 위성 데이터와 2002년의 위성 데이터의 비교 분석을 통한 전남 완도의 난대림 식생 변화추이를 밝히는데 있다. 이를 위해 1991년 Landsat TM영상과 2002년 Landsat ETM 영상이 이용되었으며, 이미지 프로세싱은 ENVI를 이용하였다. GIS를 이용한 난대림 관리 시스템 개발은 Arc/Info와 ArcView를 이용하여 완성되었다. 영상 데이터의 촬영시기 차이와 TM 영상의 해상도(Resolution)가 정밀하지 못해 복잡한 지형특성을 지닌 곳에서는 정확한 변화추이를 파악하기는 불가능하였으나, 2002년 영상을 이용하여 분석된 완도의 상록활엽수림 면적은 약 2,027ha로 산출되었다. 상록활엽수림과 상록침엽수림은 11년 전에 비해 소폭으로 증가하였으나 낙엽활엽수림은 큰 폭으로 감소하였다. 식생분류를 위한 기준은 상록활엽수림, 상록침엽수림, 낙엽활엽수림, 기타로 구분하였으며 감독분류기법을 통해 식생이 분류되었다. 완도의 공간 데이터는 녹지자연도, 현존식생도, 산림토양도, 훼손유형도, 지형도, 토지소유현황도로 분류되었고, 이에 대한 속성 데이터 베이스는 Arc/Info와 ArcView를 이용하여 완성되었다. 데이터를 관리하고 필요한 정보를 색인 분석하는 사용자 GUI(Graphic User Interface)는 Avenue를 이용하여 개발되었다.
This paper presents a novel knitted data glove system for pattern classification of hand posture. Several experiments were conducted to confirm the performance of the knitted data glove. To find better sensor materials, the knitted data glove was fabricated with stainless-steel yarn and silver-plated yarn as representative conductive yarns, respectively. The result showed that the signal of the knitted data glove made of silver-plated yarn was more stable than that of stainless-steel yarn according as the measurement distance becomes longer. Also, the pattern classification was conducted for the performance verification of the data glove knitted using the silver-plated yarn. The average classification reached at 100% except for the pointing finger posture, and the overall classification accuracy of the knitted data glove was 98.3%. With these results, we expect that the knitted data glove is applied to various robot fields including the human-machine interface.