< Previous우현구 자동차안전학회지:제14권,제1호,2022 (1)(2) (3)(4) (5) Fig. 10 Experimental setup for WAVE communication of vehicles 보 등과 시뮬레이터간의 코딩을 통하여 상호 접속 을 확인하였다. (5)전자파 내성시험을 수행하는 동안 제어실 모니터 로 차량 계기판의 통신 접속 상태를 모니터링하면 서 오동작 여부 확인하였다. Fig. 9는 제어실에 설치된 시뮬레이터의 모니터 화면으 로 일부 주파수에서 해당 장치가 내성시험용 전자파의 영 향으로 이동통신이 두절되는 현상이 관찰되었다. 4.3. WAVE 통신 장치 WAVE 단말장치는 차량과 차량 사이 또는 차량과 인프 라 사이의 통신에 사용되는 장치이다. 실험은 현재 개발 중인 통신 단말장치를 평가하였다. WAVE 통신 시뮬레이 터는 하이게인 안테나사의 HGA-WAVE -K-RSU 장치 와 인팩 사에서 개발 중인 5.8GHz 대역의 안테나를 사용 하였다. 전자파 평가 절차는 다음 항목들과 Fig. 10과 같 이 요약하였으며, 평가 절차는 ETCS 장치와 온스타 평가 방안과 유사하다. (1)제어실에 WAVE 통신용 시뮬레이터 장치를 설치 하였다. (2)시험실 내부의 구석에 WAVE 단말 안테나 설치하고, 케이블 박스를 통하여 시뮬레이터와 유선 연결하였다. (3)시험자동차와 내성시험용 안테나를 시험 규정에 따라 설치하였다. (4)자동차 계기판 위에 실험용 WAVE 단말기를 설치 하고 시뮬레이터와의 상호 통신 접속 상태를 확인 하였다. (5)전자파 내성 시험을 수행하면서 제어실 모니터를 통하여 신호의 오동작 여부를 확인하였다. Fig. 11과 같이 제어실의 모니터를 통하여 일부 주파수 대역에서 전자파 영향으로 WAVE 통신이 두절되는 현상 이 관찰되었다. Fig. 11 Experimental results for WAVE communication 5. 결 론 본 연구의 결과를 요약하면 다음과 같다. 1)현재 전자파 내성시험 기준에는 외부 통신망 기반 장치의 전자파 내성시험과 관련된 세부적인 평가조 건과 방법이 명시되어 있지 않은 실정이다. 2)외부 통신망 기반 장치의 해당 단말기를 구현할 수 있는 시뮬레이터의 설치를 통해 현재의 전자파 시 험실 내에서 상호 통신 환경을 구현하여 통신 장치 가 정상 작동하는 상태에서 전자파 내성 시험이 가 능하다는 것을 확인하였다. 3)실차에 대한 전자파 간이 내성실험을 하는 동안 ETCS, 이동통신 장치, WAVE 통신 장치 등 3가지 장치에서 일부 통신 두절 되는 현상이 관찰되어 향 후 자동차의 외부 통신장치에 대한 전자파 내성시 험이 필요함을 확인할 수 있었다. 4)첨단자동차의 외부 통신망에 대하여 기존 시험실 현장에서 범용적으로 적용 가능한 평가방안을 제시 하였으며, 이를 통해 해당 장치의 전자파 성능과 안 전성을 확보할 수 있을 것이다. 5)본 연구의 결과는 향후 전자파 시험과 관련한 국내외 규 격과 법규 제정 시 기초 자료로 활용할 수 있을 것이다.첨단자동차의 전자파 내성 실험 환경에 관한 연구: 외부통신 장치를 중심으로 자동차안전학회지:제14권,제1호,2022 후 기 본 연구 자료의 준비와 검토에 많은 도움을 주신 자동 차안전연구원의 김성범 박사님께 감사드립니다. 참고문헌 (1)홍인기, 이훈석, 심영대, 2015, “C-ITS와 스마트카 기술 동향 및 전망”, 정보통신기술진흥센터, 주간기 술동향. (2)국토해양부, 국토교통과학기술진흥원, 2018, “첨단자 동차 안전성 평가기술개발 최종보고서, R&D 16PTSI- C054118-08”, pp. 27~52. (3)Haesung Kim, Boojoong Yong, 2010, “Electro- Magnetic Susceptibility Tests for Large Vehicle”, Journal of Auto-Vehicle Safety Association, Vol. 2, No. 2, pp. 23~28. (4)Minwoo Kim, Hyungu Woo, 2016, “A Study on Narrowband Electromagnetic Interference in The Cabin of Vehicle”, Journal of Auto-Vehicle Safety Association, Vol. 8, No. 2, pp. 30~36. (5)Sunmin Gwon, Hyungu Woo, 2016, “A Study on Electromagnetic Interference of Electric Vehicles with Variations of Charging Device Inlet Location”, Transactions of the Korean Society of Automotive Engineers, Vol. 24, No. 6, pp. 694~701. (6)Sungbum Kim, Hyungu Woo, 2018, “A Study on Electromagnetic Emission of HEV’s Gasoline and Electric Mode”, Journal of Auto-Vehicle Safety Association, Vol. 10, No. 1, pp. 12~19. (7)Hyungu Woo, Boojoong Yong, 2019, “A Study on Electromagnetic Compatibility and Safety Standards for Motorcycles”, Journal of Auto-Vehicle Safety Association, Vol. 11, No. 1, pp. 17~22. (8)Sungbum Kim, 2019, Experimental Analyses on the Electromagnetic Environments of Advanced Vehicles, Ph. D. Dissertation, Kyungil Univ., Gyeongsan. (9)Sungbum Kim, Jiil Ryu, Hyungu Woo, Boojoong Yong, 2019, “Electromagnetic Immunity Test Environments of Advanced Vehicles with Radar Sensor Systems”, Journal of Auto-Vehicle Safety Association, Vol. 11, No. 4, pp. 50~56. (10)Hyungu Woo, Boojoong Yong, 2020, “Electromagnetic Immunity Test Environments of Advanced Vehicles with Camera Sensor Systems”, Journal of Auto- Vehicle Safety Association, submitted. (11)IEC, 1975, “CISPR 12 - Limits and methods of measurement of radio interference characteristics of ignition systems of motor vehicles and other devices”, First Edition. (12)United Nations Economic Commission for Europe, UN Regulation No. 10 Revision 5, Oct. 2014, “Uniform provisions concerning the approval of vehicles with regard to electromagnetic compatibility”, p. 84. (13)국토교통부고시 제2021-694호, 2021, “자동차 및 자동차부품의 성능과 기준 시행세칙 [별표 1] 제41 호 전자파적합성시험.”◎ 논 문 http://dx.doi.org/10.22680/kasa2022.14.1.020 ROS 기반 자율주행 알고리즘 성능 검증을 위한 시뮬레이션 환경 개발 곽지섭 * ·이경수 **,† Development of Simulation Environment for Autonomous Driving Algorithm Validation based on ROS † 자율주행로봇 운영 체제평가 시나리오 가상 센서거동 계획 ABSTRACT This paper presents a development of simulation environment for validation of autonomous driving (AD) algorithm based on Robot Operating System (ROS). ROS is one of the commonly-used frameworks utilized to control autonomous vehicles. For the evaluation of AD algorithm, a 3D autonomous driving simulator has been developed based on LGSVL. Two additional sensors are implemented in the simulation vehicle. First, Lidar sensor is mounted on the ego vehicle for real-time driving environment perception. Second, GPS sensor is equipped to estimate ego vehicle’s position. With the vehicle sensor configuration in the simulation, the AD algorithm can predict the local environment and determine control commands with motion planning. The simulation environment has been evaluated with lane changing and keeping scenarios. The simulation results show that the proposed 3D simulator can successfully imitate the operation of a real-world vehicle. * 서울대학교 기계공학부, 석박통합과정 ** 서울대학교 기계공학부, 교수 † 교신저자: kyi@snu.ac.kr E-mail: kjs675252@snu.ac.kr 1. 서 론 최근 자동차 산업에서는 자율주행 연구가 활발히 이뤄 지고 있다. 구글, 테슬라, 현대자동차 등 여러 기업들이 세 계 곳곳에서 자율주행 자동차의 상용화를 위해 기술을 개 발하고 있으며, 고도의 주행 보조 시스템을 탑재한 차량이 시중에 유통되고 있다. SAE International 에서는 자율주 행차량의 발전단계를 6단계로 정의했으며, 운전자가 주행 의 모든 것을 통제하고 책임지는 0단계부터, 차량의 자체 주행 시스템으로만 주행이 이뤄지는 5단계까지 나눠진다. 현재 상용 차량에 탑재된 주행 보조 시스템은 완벽한 자율 주행이 불가능하기 때문에 비상시에는 운전자의 개입을 전제로 한다. 따라서 운전자가 필요하지 않은 5단계 완전 자율주행 목표를 달성하기 위해 해당 연구에 대한 개발이 활발하게 진행중이며, 이에 대한 알고리즘의 성능을 검증하고 분석 하기 위해서는 실차 환경에서의 점검이 필수적이다. 하지 만, 카메라, 라이다, GPS를 비롯한 다양한 센서가 탑재된 자율주행 차량을 제작하기 위해서는 상당한 비용을 필요 로 하며, 차량을 포함한 실차 실험을 위한 환경을 조성하 고 실험을 진행하는 것 또한 많은 시간과 인력이 소요된 다. 따라서 실차 실험 환경을 모방할 수 있는 시뮬레이션 환경이 조성된다면 가상 환경으로 실차 실험을 대체할 수 있으며, 시뮬레이션 환경을 통해 검증된 알고리즘에 대해 자동차안전학회지: 제14권, 제1호, pp. 20∼25, 2022 논문접수일: 2021.5.3, 논문수정일: 2021.11.29, 게재확정일: 2022.2.23ROS 기반 자율주행 알고리즘 성능 검증을 위한 시뮬레이션 환경 개발 자동차안전학회지:제14권,제1호,2022 Fig. 1 Sensor configuration of simulation vehicle ‘JAGUAR 2015 XE’ Fig. 2 Lidar sensor data from LGSVL simulator 서만 실차 실험을 진행한다면 막대한 비용과 시간을 절감 하는 효과를 가져다 줄 것이다. 또한 새롭게 개발한 알고 리즘은 안전성이 검증되지 않은 상태이므로 이를 바로 차 량에 적용하여 실험을 진행할 경우에는 실험자와 운전자 의 안전을 위협할 수 있기 때문에 시뮬레이션 환경에서 새로운 알고리즘을 적용하는 것이 안전성 측면에서 우수 하다. 본 논문에서 검증한 알고리즘에 활용된 로봇 운영 체제 (ROS)는 로봇 프로그래밍에 널리 사용되는 미들웨어 플 랫폼이며 오픈소스로 제공된다. (1) ROS는 노드간의 메시 지 통신을 통해 데이터를 주고받는다. 오픈소스로 제공되 기 때문에 범용성이 높으며, 데이터를 가시화하기에 편리 하다. 하지만 Carsim, Carmaker와 같은 차량 시뮬레이터 는 차량 센서들을 자유롭게 구성하는 것에 제약이 있으며, 차량의 정교한 동역학적 특성에 중점을 둔 시뮬레이터이 다. 또한 ROS와의 연동에 있어서도 어려움이 있다. 따라 서 이를 해결하기 위한 새로운 플랫폼을 도입하여 시뮬레 이션 환경을 구축하였으며, 본 논문에서는 LGSVL을 사용 하였다. LGSVL은 LG전자 북미R&D 센터의 이름을 따라 이름 이 붙여진 차량 시뮬레이터이며 Unity를 연동해서 사용하 는 3D 차량 시뮬레이터이다. (2) 이를 통해 자율주행 차량 의 센서 구성을 자유롭게 설정할 수 있으며, 차량의 상태 변수 뿐만 아니라 차량 센서의 데이터 출력을 가시화하고 분석할 수 있다. 본 논문에서는 LGSVL을 이용하여 ROS 기반 자율주행 알고리즘의 시뮬레이션 환경을 통합개발 하고, 주행 시나리오에 대한 시뮬레이션을 통해 자율주행 알고리즘의 성능을 검증하였다. 또한 이를 실제 차량 실험 과 비교하여 시뮬레이션 환경이 실제 차량 주행 환경을 성공적으로 모방하는지에 대해 분석하였다. 2. 자율주행 차량 2.1. 자율주행 차량 구성 본 논문에서는 LGSVL에서 기본예제로 제공하는 ‘JAGUAR 2015 XE’ 중형세단 차량을 시뮬레이션 차량 모델로 선정 하였으며 Fig. 1에 나타나 있다. 주변 도로 상황을 인지하기 위해 라이다 센서를 사용하였으며, 차체 상단에 VLP-16 모델을 탑재했다. 라이다 센서의 경우 매개 변수 설정을 통해 고성능 다채널 라이다를 모델링 할 수 있지만, 실차 환경과 유사한 시 뮬레이션 환경을 구성하기 위해 실차에 서 사용된 동일한 모델을 채택하였다. Fig. 2는 라이다 센 서 데이터가 출력되는 모습이며, 이를 이용하여 실시간으 로 주변 환경 정보를 인지할 수 있다. 추가로 GPS와 IMU 센서를 사용하여 차량의 현재 위치, 속도, 요각을 측정하도록 하였다. 이는 차량 시스템이 주변 환경을 인지하고 향후 거동을 계획하기 위하여 사용된다. 2.2. 자율주행 차량 모델링 2.2.1. 차량 알고리즘 구성 본 논문에서 활용된 자율주행 알고리즘의 구조는 Fig. 3 과 같다. 해당 알고리즘은 두 개의 모듈로 구성되어 있는데, 인지 모듈과 판단 모듈이 각각에 해당한다. 먼저 인지 알고 리즘은 Lee(2020)에 의해 제안된 Geometric model-free approach and static obstacle map based moving object detection and tracking 알고리즘으로서 라이다 센서 데이곽지섭·이경수 자동차안전학회지:제14권,제1호,2022 Fig. 3 Autonomous driving algorithm architecture 터와 자차량의 속도, 요각 정보를 바탕으로 정지 물체와 운동 물체를 추정하며 Extended Kalman filter와 Particle Filter를 이용하여 이를 업데이트 한다. (3) 다음으로 판단 알고리즘은 Chae(2018)에 의해 제안된 Probabilistic prediction based lane change 알고리즘으 로서 인지 알고리즘에 의한 인지 데이터와 자차량의 상태 정보를 이용해 차량의 거동 계획을 확률적 예측을 통해 결정한다. (4) 2.2.2. 차량 동역학 모델 자율주행 알고리즘은 시간에 따라 변하는 주행 환경에 즉각적으로 반응해야 하므로 실시간으로 동작해야 한다. 즉 알고리즘의 계산 복잡도를 줄이는 것이 중요하다. 따라서 차량의 동역학 모델은 종 방향 동역학 모델과 횡 방향 동역 학 모델로 구분되어 있다. 종 방향 동역학 모델은 차량의 종 방향 가속도를 계산하기 위해 설계되었다. 입력 지연이 고려된 종 방향 모델의 상태 공간 모델링은 식 (1)과 같다. 0100 ..001,0 001/1/ lonlonlonlonlon lonlon aa xAxBu stAB (1) 여기서 T lon xpva 는 상태변수이며 각각의 성분 은 위치, 속도, 가속도를 의미한다. londes ua 은 시스템의 입력에 해당하며, a 는 종 방향 가속도의 액추에이터 지 연을 의미한다. 횡 방향 동역학 모델은 bicycle model과 차선 중심으로 부터의 error dynamics을 결합하여 설계되었다. 횡 방향 모델의 상태 공간 모델링은 식 (2)와 같다. 22 2222 00 2222 00.., 0100 00 latlatlatlatlatlat frffrr ffrrffrr lat zz xAxBuF CCClCl mvmv ClClClCl stA IIv vv 2 0 02 , 0 0 0 f x ff latlat x z C mv Cl BF v I (2)ROS 기반 자율주행 알고리즘 성능 검증을 위한 시뮬레이션 환경 개발 자동차안전학회지:제14권,제1호,2022 (a) (b) Fig. 4 (a) 3D shalun map (b) 2D high definition map of shalun (a) Yaw error (b) Lateral error Fig. 5 Simulation result 1: lane keeping 이 때 T laty xee 는 상태변수이며 는 횡 방향 슬립 각, 는 무게중심에 대한 회전속도, e 는 경로 중심선에 대한 방향 오차, y e 는 경로 중심선에 대한 횡 방향 오차다. latf u 은 시스템의 입력에 해당하며, 목표 조향각이다. 는 도로의 곡률을 뜻하며, , fr CC 은 각각 전, 후륜의 코너링 강성이다. , fr ll 은 각각 차량의 무 게중심으로부터 전, 후륜 축까지의 거리를 뜻한다. z I 는 차량 중심에 대한 요 회전 관성이다. 3. 시뮬레이션 환경 구성 3.1. 고정밀 지도 모델링 시뮬레이션 차량에 적용된 자율주행 알고리즘은 고정 밀 지도(HD map)를 기반으로 동작한다. 따라서 LGSVL 에서 제공하는 3D 그래픽 맵을 2D 고정밀 지도로 변환하 였다. 이를 위해 두가지 프로그램을 사용하였다. 첫째는 Unity로서 3D 및 2D 비디오 게임의 개발 환경을 제공하 는 게임 엔진이다. 둘째는 지리 정보 체계 응용 프로그램 의 일종인 QGIS이며, 이는 데이터 시각화, 편집, 분석을 제공하는 크로스 플랫폼으로서 오픈 소스이다. 시뮬레이션 환경을 구축하기 위한 예제로 LGSVL에서 제공하는 Shalun맵을 채택하였다. 맵의 구성은 Fig. 4(a) 의 모습과 같으며 원형교차로를 포함한 다양한 형태의 평 면 교차로가 구현되어 있어 다양한 시나리오에 대한 시뮬 레이션이 가능하다. Unity는 ZXY 왼손 좌표계를 사용하므로 3D 지도의 좌 표 정보를 XYZ 오른손 좌표계로 전환하여 2D 지도로 추 출하였다. 추출한 2D 지도를 QGIS에서 편집하여 차선, 정 지선에 대한 고정밀 지도를 각각 제작하였다. 최종적으로 제작된 2D 고정밀 지도는 Fig. 4(b)와 같다. 3.2. 성능 검증 시나리오 차량 주행은 차선유지와 차선변경으로 이뤄지므로 자율 주행 알고리즘의 성능을 평가하기 위해 차선변경과 차선유 지를 포함한 세가지 시나리오를 개발하였다. 첫째는 직선 차로 구간에서의 차선유지, 둘째는 직선 차로 구간에서의 차선변경, 셋째는 직선 및 곡선 차로 구간을 포함한 코스주 행 시나리오다. 3번째 시나리오에 대해서는 실차 실험과 데 이터를 비교하였으며 개발한 시뮬레이션 환경이 실제 환 경을 성공적으로 모방하는지에 대해 분석하였다. 실차 실 험에서 사용된 차량은 VLP-16 라이다를 장착하였다. 4. 시뮬레이션 결과 4.1. 차선 유지 시나리오 차선유지 시나리오는 목표 속도 30kph로 진행되었으며 Fig. 5(a)~(b)는 차량 상태변수에 대한 정보이다. 차량은 곽지섭·이경수 자동차안전학회지:제14권,제1호,2022 (a) Longitudinal velocity (b) Yaw error (c) Lateral error Fig. 7 Simulation result 3: Course driving Table 1 Vehicle lateral state variable of each test Test 1Test 2 Test 3 SimulationReal vehicle max() y em 0.0120.0550.1850.223 min() y em -0.012-0.035-0.095-0.078 max(deg)e 0.3852.4515.2354.973 min(deg)e 0.281-2.371-8.807-8.381 성공적으로 등속도를 유지하였으며 횡방향 거동에 대한 오차를 나타내는 , y ee 또한 작은 값을 유지하였다. 4.2. 차선 변경 시나리오 차선 유지 시나리오는 목표 속도 30kph로 진행되었으 며 Fig. 6(a)~(c)는 차량 상태변수에 대한 정보이다. 차량 의 목표 속도는 경로의 곡률에 의해 결정되는데, Fig. 6(a) 에 따르면 차선을 변경하는 과정에서 초기 속도 30kph보 다 작은 속도로 주행하였음을 확인할 수 있다. Fig. 6(c)에 서 경로 중심에 대한 횡방향 오차는 5cm 내외로 나타났으 며 충분한 성능을 보여주었다. (a) Longitudinal velocity (b) Yaw error (c) Lateral error Fig. 6 Simulation result 2: lane change 4.3. 코스 주행 시나리오 코스 주행 시나리오는 목표 속도 35kph로 진행되었으 며 Fig. 7(a)~(c)는 차량 상태변수에 대한 정보이다. Fig. 7(a)에서 볼 수 있듯이 자율주행 알고리즘은 곡선 주로에 서 경로의 곡률에 의해 차량의 거동계획을 결정하고, 차량 의 속도를 10kph 부근으로 제한하였다. 해당 시나리오에 포함된 곡선 경로는 반경 12m이며 Fig. 7(c)에 따르면 이 구간에서 y e 의 최대값은 0.2m로 나타났다. Fig. 7(b)에서 볼 수 있듯이 e 의 최대값은 10 deg로 나타났다. 시뮬레이션이 실차 환경을 성공적으로 모방하는지에 대 해 분석하기 위해 해당 시나리오에 대한 실차 실험을 병행 하였다. 실차 실험 또한 목표 속도 35kph로 진행되었으며 곡선 주로의 곡률 또한 12m로 동일하게 설정하였다. Fig. 8(a)~(c)는 차량 상태변수에 대한 정보이다. Table 1은 각각의 시뮬레이션과 실차 실험 데이터를 정리한 결과이 다. 코스 주행 시나리오에 대한 시뮬레이션 결과가 차량 실험 결과와 유사함을 확인할 수 있다. ROS 기반 자율주행 알고리즘 성능 검증을 위한 시뮬레이션 환경 개발 자동차안전학회지:제14권,제1호,2022 (a) Longitudinal velocity (b) Yaw error (c) Lateral error Fig. 8 Vehicle test result: Course driving 5. 결 론 본 논문은 ROS 기반의 자율주행 알고리즘 성능 검증을 위한 시뮬레이션 환경을 개발하였다. 이를 위해 LGSVL을 채택하였으며, 이는 메시지 통신을 기반으로 센서 데이터 를 주고받는 ROS 기반 자율주행 알고리즘을 분석하기 위 함이다. 시뮬레이션 차량 모델에는 라이다, GPS, IMU 센 서가 탑재되었으며 이를 통해 차량 알고리즘은 가상환경 속에서의 주행환경과 차량의 운동 상태를 파악한다. 인지 정보를 바탕으로 차량 알고리즘은 차량의 거동 계획을 수 립하며 이를 위한 제어 입력이 계산된다. 제어 입력은 시 뮬레이터 차량에 인가되며, 시뮬레이터 차량은 실시간으 로 변화하는 주변 환경에 대한 센서 정보를 차량 알고리즘 에 전송한다. 일련의 순환 과정을 반복하며 시뮬레이터와 차량 알고리즘은 closed-loop 시스템을 구성하게 된다. 이는 3가지 시나리오에 대해서 그 성능이 검증되었으며, 실제 차량 실험 데이터와의 비교를 통해 시뮬레이션 환경 이 실제 차량 환경을 성공적으로 모델링한다는 것을 확인 하였다. 본 연구는 향후 다양한 시나리오에 대한 차량 시뮬레이 션을 가능하게 할 것으로 기대된다. 실제 상황에서 구현하 기 힘든 위험상황을 구현하거나 기상조건을 자유롭게 설 정하며 시간과 공간의 제약 없이 자율주행 알고리즘의 성 능을 분석할 수 있고 이는 자율주행 차량의 인지 성능과 이에 따른 판단 및 제어 성능을 향상시키는 데에 기여할 것이다. 후 기 본 연구는 국토교통부/국토교통과학기술진흥원의 지 원으로 수행되었음(과제번호 21AMDP-C162182-01). 참고문헌 (1)A. Hussein, F. García and C. Olaverri-Monreal, 2018, “ROS and Unity Based Framework for Intelligent Vehicles Control and Simulation”, 2018 IEEE International Conference on Vehicular Electronics and Safety (ICVES), Madrid, Spain, pp. 1~6. (2)G. Rong et al., 2020, “LGSVL Simulator: A High Fidelity Simulator for Autonomous Driving”, 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC), Rhodes, Greece, pp. 1~6. (3)H. Lee, J. Yoon, Y. Jeong and K. Yi, “Moving Object Detection and Tracking Based on Interaction of Static Obstacle Map and Geometric Model- Free Approach for Urban Autonomous Driving”, in IEEE Transactions on Intelligent Transportation Systems. (4)H. Chae, Y. Jeong, S. Kim, H. Lee, J. Park and K. Yi, 2018, “Design and Vehicle Implementation of Autonomous Lane Change Algorithm based on Probabilistic Prediction”, 2018 21st International Conference on Intelligent Transportation Systems (ITSC), Maui, HI, USA, pp. 2845~2852.◎ 논 문 http://dx.doi.org/10.22680/kasa2022.14.1.026 VIMS와 DTG 데이터를 이용한 창원시 시내버스 머신러닝 분석 연구 박지양 * ·정재환 ** ·윤진수 *** ·김성철 **** ·김지연 ***** 이호상 ****** ·류익희 ******* ·권영문 ******** A Study on the Analysis of Bus Machine Learning in Changwon City Using VIMS and DTG Data 자동차검사관리시스템운행기록데이터기계학습시내버스 상관성 분석 ABSTRACT Changwon City has the second highest accident rate with 79.6 according to the city bus accident rate. In fact, 250,000 people use the city bus a day in Changwon, The number of accidents is increasing gradually. In addition, a recent fire accident occurred in the engine room of a city bus (CNG) in Changwon, which has gradually expanded the public’s anxiety. In the case of business vehicles, the government conducts inspections with a short inspection cycle for the purpose of periodic safety inspections, etc., but it is not in the monitoring stage. In the case of city buses, the operation records are monitored using Digital Tacho Graph (DTG). As such, driving records, methods, etc. are continuously monitored, but inspections are conducted every six months to ascertain the safety and performance of automobiles. It is difficult to identify real-time information on automobile safety. Therefore, in this study, individual automobile management solutions are presented through machine learning techniques of inspection results based on driving records or habits by linking DTG data and Vehicle Inspection Management System (VIMS) data for city buses in Changwon from 2019 to 2020. * 한국교통안전공단 첨단안전연구처, 과장 ** 한국교통안전공단 첨단안전연구처, 팀장 *** 한국교통안전공단 빅데이터센터, 선임연구원 **** THE IMC, 소장 ***** THE IMC, 선임연구원 ****** 한국교통안전공단 첨단안전연구처, 처장 ******* 한국교통안전공단 자동차검사본부, 본부장 ******** 한국교통안전공단 첨단안전연구처, 과장 E-mail: pjy2049@kotsa.or.kr 1. 서 론 국내적으로 시내버스사고는 매우 많이 일어나고 있다. 특히 경상남도 창원시에는 Fig. 1과 같이 사고율이 무려 79.6%로 전국 지역별 시내버스 사고 중 2위를 차지하고 있다. (1) 실제로 창원시 시내버스 이용자는 하루 25만 명 이 이용하고 있고 연도별 사고도 점차적으로 증가 하고 있다. (2) 최근에는 창원시 시내버스 엔진룸에서 화재도 발생하고 전기버스에서도 화재가 발생했다. (3) 이에 따라 자동차안전학회지: 제14권, 제1호, pp. 26∼31, 2022 논문접수일: 2021.5.31, 게재확정일: 2021.12.20VIMS와 DTG 데이터를 이용한 창원시 시내버스 머신러닝 분석 연구 자동차안전학회지:제14권,제1호,2022 Fig. 2 Vehicle inspection results Fig. 3 Vehicle specifications informationFig. 1 Local city bus accident rate 국민의 불안감이 점차적으로 증가하는 것을 확인 할 수 있다. 시내버스에 대한 운수업체에서도 지속적인 관리 등 점 검을 하고 있으나, 아직 많이 부족한 실정이다. 따라서 버 스 등 자동차 검사 부적합 및 결함여부를 사전에 미리 발 견하고 사고가 일어나기 전에 미리 점검을 받도록 하는 시스템 개발이 필요 하다. 미국과 영국 등은 전체 교통사고의 2%가 자동차 결함 으로 발생하는 것으로 나타난다. (4) 전체에서 차지하는 비 중은 낮지만, 불특정 다수를 수송하는 대중교통의 경우 대 형사고로 이어질 가능이 매우 높다. 차량결함 여부 판단을 위한 사고기록장치(EDR)의 도입 여부 등을 검토하고 있 으나 이는 사후 대처방안으로 사고 예방을 하기 위한 사전 대처방안 마련이 필요하다. 본 연구는 경상남도 창원시 시내버스 중 일부업체에 대 해서 자동차 안전과 관련이 있는2019년부터 2020년 검 사결과데이터(Vehicle Inspection Management System, VIMS) 5) 와 자동차 운행 습관 등의 정보를 제공할 수 있는 운행기록데이터(Digital Tacho Graph, DTG)의 데이터 (6) 를 표준화 하고 이에 따른 예측에 우수한 랜덤포레스트 알고리즘을 이용하여 머신러닝 분석을 진행할 것이다. 2. 데이터 보유항목 2.1. VIMS VIMS 자료의 경우 매우 많은 자동차에 대한 정보를 가 지고 있으나, 대표적으로 전조등, 배출가스, ABS 측정결 과, 육안검사, 사진정보 등이 있다. Fig. 2 (7) 와 같이 자동 차 검사를 받을 경우 얻게되는 검사결과표에 해당하는 내 용은 전부 데이터화 되고 있고, 보유 관리를 하고 있다. 또한 Fig. 3과 같이 자동차에 대한 기본적인 제원정보 또 한 관리를 하고 있다.Next >