차량 추종자료의 파동해석을 통한 운전행태 특성 연구
A Study on Driving Behavior Using Spectral Analysis of Car Following Data
- 주제(키워드) driving behavior , spectral analysis , car following
- 발행기관 아주대학교
- 지도교수 오세창
- 발행년도 2015
- 학위수여년월 2015. 2
- 학위명 박사
- 학과 및 전공 일반대학원 건설교통공학과
- 파일정보 hwp, pdf
- 실제URI http://www.dcollection.net/handler/ajou/000000019043
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
자율주행차량과 운전자가 주행하는 차량이 혼재된 상황에서 자율주행차량이 효율적이고 안전하게 주행할 수 있는 알고리즘 개발을 위하여 주변 차량들의 운전행태 특성을 파악할 수 있는 운전행태 지수를 개발하였다. 이때 자율주행차량에 요구되는 운전행태 정보는 운전자 모집단 특성이 아닌 개별차량의 특성이기 때문에 파동해석 기법을 활용하여 추종관계인 두 차량의 상대속도 파동으로부터 개별 운전행태 특성을 분석할 수 있는 방법론을 개발하였다. 운전행태 특성 분석을 위하여 반응시간, 자극순응지수, 운전성향지수 3가지 지표를 개발하였는데, 반응시간은 선행차량의 자극이 발생한 시점부터 후행차량이 자극을 인지하고 차량을 조작하기까지 소요된 시간을 의미하고, 자극순응지수는 선행차량 속도변화 자극에 대한 후행차량 반응 크기의 유사성을 의미하며, 운전성향지수는 선행차량과 충돌을 유발할 수 있는 후행차량 운전자의 위험운전 성향을 의미한다. 각 지수를 산출하기 위하여 비주기성 불규칙 파동해석기법을 적용하였는데, 선행차량 및 후행차량 속도 파동의 푸리에 변환을 통해 상호상관함수와 상호 스펙트럼을 산출하고 상호상관계수 최댓값을 탐색함으로써 후행차량의 반응시간과 자극순응지수를 도출하는 방법론을 개발하였고, 상대속도 파동을 푸리에 변환으로 개별 고조파로 분리하고 각 고조파의 파워 스펙트럼 밀도를 산출하여 운전자의 충돌 위험성을 나타내는 주파수 영역의 고조파 비율을 분석하여 운전성향지수를 산출하는 방법론을 개발하였다. 방법론 적용을 위하여 서울외곽순환고속도로 중동 나들목 600m 구간에서 총 10일간 영상자료를 수집하였고, 자료가공을 통해 개별차량의 주행궤적 추적 자료를 생성하였다. 현장 자료를 파동해석 방법론에 적용한 결과, 자극순응지수는 후행차량의 평균 속도가 빠를수록 증가하였고, 반응시간은 선행차량과의 공간 차두간격이 짧고, 후행차량 평균 속도가 빠를수록 짧아지는 특징이 있는 것으로 분석되었다. 운전성향지수는 0.017Hz 이상 주파수 영역의 고조파 PSD 비율에서 위험운전 성향을 나타내는 특성이 존재하며, 이 고조파들의 PSD 비율이 증가할수록 aTTC가 짧아져 선행차량과 충돌위험성이 증가하는 것으로 분석되었다. 운전행태 특성 지수 검증을 위하여 다른 시간대에 수집된 자료를 이용하여 운전성향지수를 산출한 결과에서도 0.017Hz 이상 주파수 영역의 고조파 PSD 비율이 위험운전 성향과 높은 상관관계가 존재하는 것으로 분석되었다. 개발된 운전행태특성 지수는 개발 중인 자율주행차량 및 첨단운전지원시스템(ADAS)의 주행판단 알고리즘에 적용하여 추종상황, 차로변경상황 등 다양한 상황에서의 주행판단 및 차량제어 의사결정과정에 활용될 수 있을 것이다. 또한 이 연구에 적용된 파동운동 해석기법을 충격파, 대기행렬 등의 다른 교통류 현상 해석에 적용할 수 있고, 개별 운전행태 특성 분석 기법을 사용자기반 보험(UBI)에 적용하여 운전자의 위험운전성향 분석에 활용할 수 있고, 운전면허시험 및 갱신에 적용하면 운전적합성 평가에 활용할 수 있을 것이다. 단, 운전행태 특성 지수 산출을 위해 10초 이상 관측된 자료가 필요한 점은 향후 연구를 통해 10초 미만 또는 실시간 자료를 이용하는 경우에도 지수를 산출할 수 있는 방안을 개발하여 보완될 필요가 있다.
more초록/요약
Autonomous vehicles have to equip a decision and control algorithm for safe driving, especially where autonomous vehicles and human-driven vehicles are mixed in traffic flow. One of important role of the algorithm is making a decision which vehicle has risky driving behavior so as to take actions like following it, overtaking it or changing the lane. This thesis develops methodology to analyze individual vehicle's driving behaviors that can apply to the decision and control algorithm of autonomous vehicle. The methodology is designed in the form of index to represent driving behaviors using spectral analysis of speed waves in car-following. This thesis introduces driving behavior indexes as reaction time, stimulus -adaption index and driving-riskiness index to analyze individual driving behaviors. Reaction time means a duration from driver perceive a certain stimulus to react it. Stimulus-adaption index means a similarity of response of following vehicle to stimulus of lead vehicle. Driving-riskiness index represents risky driving behavior of following vehicle that can induce rear-end crash with lead vehicle. These indexes are derived from aperiodic wave analysis method. Cross-correlation function is produced by Fourier transform of lead vehicle and following vehicle's speed waves. Stimulus-adaption index is calculated as a maximum cross-correlation coefficient between the speed waves and reaction time is calculated as a seeking time to find maximum cross-correlation coefficient. To find driving-riskiness index, relative speed wave of lead and following vehicle is divided into harmonics by discrete Fourier transform. Correlation analysis between power spectrum density(PSD) of each harmonics and adjusted Time-to-Collision is conducted to find a certain frequency domain that contains risky driving behavior. Finally, driving-riskiness index is defined as a power spectrum density ratio of the frequency domain correlated with risky driving. The methodology applied to field data had collected at Joong-dong IC area of Seoul Ring Road. Individual vehicle's trajectories were processed from the data collected from 9 consecutive video cameras with about 600m of detecting area. The result of calculating indexes using the trajectory data shows that stimulus-adaption index increase when average travel speed is getting high and reaction time decrease when average travel speed increase and distance headway decrease. Driving-riskiness indexes were derived from harmonic's PSD ratio of over 0.017Hz frequency domain and verification result also shows that PSD ratio of over 0.017Hz has high correlation with risky driving behavior. These driving behavior indexes can be applied to decision and control algorithm of autonomous vehicle and Advanced Driver Assistance System (ADAS) with analyzing driving behavior of adjacent vehicles. With appling the indexes, more efficient and safe decision making and vehicle control will be possible. Appling spectral analysis introduced through the thesis to analysis traffic flow phenomenon makes possible to produce various information of traffic flow that couldn't be found before as well. Individual driver's behavior analyzed by the methodology also can be used to evaluate driver's riskiness that apply to User-Based Insurance(UBI), driver's licence test and so on.
more목차
제1장 서 론
제2장 문헌 검토
제3장 추종관계 파동 해석 방법론
제4장 자료의 수집 및 처리
제5장 파동해석을 통한 운전행태 특성 분석
제6장 결론 및 향후 연구
참 고 문 헌
Abstract
부 록
