검색 상세

딥러닝 기반 터널내 UWB 차량 측위 및 이상 주행 패턴 감지 알고리즘

Deep Learning based In-Tunnel UWB Vehicle Localization and Abnormal Driving Pattern Detection Algorithms

  • 이경보 (아주대학교 일반대학원)

초록/요약

본 논문은 GPS 수신이 어려운 터널 환경과 같은 음영 지역에서 차량의 실시간 위치를 정밀하게 추정하고, 급감속과 같은 이상행동을 감지하기 위한 경량 프레임워크를 제안 한다. 시스템은 초광대역(UWB) 채널임펄스응답(CIR)과 관성센서(IMU)를 활용하여 단일 앵커 기반으로도 위치 및 방향 인식이 가능하도록 설계되었다. 먼저, CIR의주파수적특성을분석하여비가시선(NLOS)환경을자동식별하고, 이를 보정하여 거리 측정 정확도를 개선하였다. IMU 센서를 통해 차량의 주행 방향을 정· 역방향으로 분류하였으며, 칼만 필터를 기반으로 거리 및 방향 정보를 융합하여 터널 내 차량의 상대 위치를 추정하였다. 실험은 실제 고속도로 터널 환경에서 진행되었으며, 전진 및 후진 상황에 따른 CIR 데이터를 수집하였다. 그 결과, IMU 기반 방향 인식 정확도는 97.7%에 달하였다. 또한, CIR의시간-주파수분석결과에서도플러주파수이동(DFS)을추출하고, CNN, GRU, 1D-CNN을 병렬로 구성한 딥러닝 모델을 통해 차량의 감속 상태를 급감속과 완 만감속으로 분류하였다. 클래스 불균형 문제를 해결하기 위해 데이터 증강을 수행하였 으며, 최종적으로 DFS를 포함한 모델은 98.10%의 분류 정확도를 달성하였다. 본 논문은 단일 앵커 기반의 차량 측위 기법과 딥러닝 기반 이상행동 인식 모델을 통합하여, GPS가 불가한 환경에서도 실시간 교통안전 대응이 가능함을 입증하였다. 프 레임워크는 향후 자율주행 차량의 사고 예방, 고속도로 관리 등 다양한 분야에 적용될 수 있다. 주제어: UWB, CIR, DFS, 터널 측위, 감속 인식 – iii –

more

목차

I. 서론 1
1.1 연구 동기 1
1.2 연구 범위 및 방법 3
1.3 논문의 기여도 4
II. 기술적 배경 및 데이터 기반 분석 6
2.1 초광대역(UWB) 통신 기술 6
2.1.1 UWB 개요 및 특성 6
2.1.2 IEEE 802.15.4a/z 표준 및 주요 응용 7
2.1.3 UWB의 측위 정밀도 및 거리 측정 활용 9
2.1.4 CIR 및 Doppler 특성 10
2.2 IMU 및 센서 융합 기반 측위 기술 13
2.2.1 IMU 개요 13
2.2.2 센서 융합 기법 (칼만 필터, 보완 필터 등) 15
2.2.3 GPS 차단 환경에서의 IMU 활용 사례 16
2.3 UWB 기반 거리 측정 및 차량 측위 기법 17
2.3.1 ToF 및 TWR 17
2.3.2 TDOA 기반 거리 측정 18
2.3.3 측위 과정에서의 오차 요인 19
2.4 CIR 기반 움직임 및 행위 인식 20
2.4.1 CIR 기반 동작 인식 특징 20
2.4.2 CIR 해석을 위한 딥러닝 기반 접근법 21
III. 터널 환경에서의 IMU 기반 방향 인식을 활용한 단일 앵커 UWB 차량 측위 기법 22
3.1 연구 배경 22
3.2 관련 연구 25
3.2.1 NLOS 식별 기법 25
3.2.2 UWB 거리 측정 프로토콜 25
3.2.3 차량 측위 알고리즘 26
3.2.4 센서 융합 필터 26
3.3 시스템 설계 28
3.3.1 터널 내 차량 측위 기법 28
3.3.2 UWB CIR 신호 처리 31
3.3.3 차량 측위 로직 32
3.3.4 터널 진입 및 초기 위치 설정 33
3.3.5 NLOS 감지 및 보정 절차 35
3.3.6 IMU 기반 전/후진 진행 방향 추정 36
3.3.7 칼만 필터 기반 융합 36
3.4 실 터널 환경에서의 테스트 베드 구축 및 성능 평가 39
3.4.1 시험 환경 및 데이터 수집 39
3.4.2 CIR 특징 패턴 분석 40
3.4.3 거리 추정 오차 분석 41
3.4.4 NLOS 탐지 모델 성능 비교 및 특징 기반 거리 보정 43
3.4.5 IMU 보정을 통한 방향 정렬 45
3.4.6 칼만 필터 기반 차량 측위 46
3.5 소결론 49
IV. 도플러주파수변이와 UWB CIR특성을결합한차량감속인식용딥러닝 프레임워크 50
4.1 연구배경 51
4.2 관련 연구 54
4.2.1 IMU 및 오도메트리를 활용한 사고 감지 54
4.2.2 사고 감지를 위한 UWB 기술 55
4.2.3 주파수 영역 기반 UWB CIR 감속 분석 56
4.3 UWB CIR 기반 감속 분류의 검증 58
4.3.1 데이터셋 구성 및 수집 방식 59
4.3.2 감속 유형에 따른 UWB CIR 신호 변화 분석 62
4.3.3 가설 검증: UWB CIR을 이용한 감속 유형 구분 66
4.4 제안 기법 68
4.4.1 UWB CIR 기반 감속 분석 68
4.4.2 DFS 추출 69
4.4.3 감속 분류를 위한 병렬 딥러닝 모델 72
4.5 데이터셋 검증 및 모델 평가 77
4.5.1 실험 환경 설정 77
4.5.2 모델 학습 및 평가 79
4.5.3 모델 성능 비교 81
4.6 소결론 83
V. 결론 및 향후 연구방안 84
참 고 문 헌 86
Abstract 94

more
반출 Meta View 목록