자율주행 자동차의 안전성 향상을 위한 딥러닝 기반 교통사고 가능성 예측 모델
Deep Learning-Based Traffic Accident Prediction Model for Enhancing the Safety of Autonomous Vehicles
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 자율주행 기술이 고도화됨에 따라 자율주행 자동차를 연구하는 기업과 기관에서는 실제 도로 환경에서 자율주행 택시서비스를 제공하며 상용화를 추진하고 있다. 그러나 자율주행 중 발생하는 충돌사고와 같은 안전성 문제와 그에 따르는 법적및 사회적 책임과 관련된 문제들이 해결되지 않은 한계점이 존재한다. 따라서 자율주행의 안전성 확보를 위해 자율주행 차량이주행 중 발생할 수 있는 교통사고를 사전에 학습하고, 이를 예측하여 대처할 수 있는 교통사고 가능성 예측 연구가 활발히진행되고 있다. 이러한 연구들은 주로 딥러닝을 이용하여 차량 주행 영상을 분석하여 교통사고 여부를 판별함으로써 교통사고가능성을 사전에 예측하는 데 중점을 두고 있다. 그러나 기존 딥러닝 기반의 교통사고 가능성 예측 연구는 일반적으로 교통사고예측 정확도가 낮다는 문제점이 존재한다. 본 논문에서는 교통사고 가능성을 미리 예측하여 자율주행 자동차가 사고에 대처하게 함으로써 안전성을 향상시킬 수 있는딥러닝 기반 교통사고 가능성 예측 모델을 제안한다. 제안하는 모델은 영상 내 객체를 실시간으로 탐지하는 데 효과적인 신경망인YOLO와 시간의 흐름에 따라 복잡하게 변화하는 데이터를 분석하는 데 효과적인 신경망인 액체 신경망(LNN)을 결합한다. 이를 통해 현재 주행 중인 자동차의 블랙박스 영상에서 객체를 탐지하고, 탐지된 객체의 시간에 따른 움직임을 분석함으로써교통사고 가능성을 예측한다. 아울러 제안하는 모델을 하이퍼파라미터 조정과 모델 구조 최적화를 통해 모델의 성능을 향상시켰다. 평균 정밀도 측면에서의 성능 비교를 통해, 제안하는 모델이 기존 모델에 비해 약 24% 더 높은 평균 정밀도를 보였다.
Abstract
With the recent advancement in autonomous driving technology, companies and institutions researching autonomous vehicles are working towards commercialization by providing autonomous taxi services in real road environments. However, there are still unresolved challenges related to safety issues, such as collision accidents occurring during autonomous driving, as well as legal and social responsibilities associated with these incidents. Therefore, in order to ensure the safety of autonomous driving, research on predicting the likelihood of traffic accidents during autonomous vehicle operation has been actively conducted. These studies primarily focus on using deep learning to analyze vehicle driving footage to predict potential traffic accidents in advance. However, existing deep learning-based traffic accident prediction studies have faced issues with low accuracy in accident prediction. In this paper, we propose a deep learning-based traffic accident prediction model to enhance the safety of autonomous vehicles by predicting the likelihood of traffic accidents in advance, allowing autonomous vehicles to take preventive measures. The proposed model combines YOLO, an effective neural network for real-time object detection within video frames, with a liquid neural network(LNN) which is suitable for analyzing data that evolves in complex ways over time. By detecting objects in real-time from the dashcam footage of a currently driving vehicle and analyzing the temporal movements of these detected objects, the model aims to predict the likelihood of traffic accidents. Furthermore, we enhanced the model's performance through hyperparameter tuning and model structure optimization Through performance comparison on average precision, the proposed model shows about 24% higher average precision than the existing model.