회전교차로 충돌 예측의 성능 개선을 위한 절차적 도로 생성 및 데이터 선별 연구
Procedural Road Generation and Effective Information Gain-based Data Selection for Collision Prediction at Roundabouts
- 주제(키워드) Collision prediction , Safety analysis , Parameter distributions , Data augmentation , Data selection
- 발행기관 아주대학교 일반대학원
- 지도교수 송봉섭
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 D.N.A.플러스융합학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036641
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구에서는 딥러닝 기반 차량 간 충돌 예측 모델이 회전교차로와 같은 복잡한 도로 기하 환경에서 보이는 성능 한계를 개선하기 위한 데이터 증강 및 증강 데이터 선별 방법을 통합하였다. 이러한 복잡한 도로 기하 환경은 실 세계 주행 데이터에서 극히 드물게 나타나 학습 데이터가 도로 유형에 따라 롱테일（long-tailed） 분포를 이루며, 그 결과 비전 센서의 도로 기하 인지 불확실성에서 기인한 오경보（false positive, FP）가 잔존한다. 이러한 불균형은 기존 학습 데이터 내부의 선별만으로는 해소되지 않는다. 먼저 실 도로 주행 데이터 분포의 한계를 보완하기 위한 데이터 증강 방법을 제안한다. 안전 분석을 통해 보강이 필요한 오경보 원인을 식별한 뒤, 학습 데이터에 부재한 회전교차로 시나리오를 절차적 도로 생성으로 직접 생성하고 실 도로 오경보에서 관측된 차량 거동 표본을 결합하여 롱테일 증강 데이터셋을 구축한다. 이를 통해 재조합 기반 증강 기법이 생성하지 못하는 복잡한 도로 기하 데이터를 확보한다. 다음으로 생성된 증강 데이터를 무분별하게 사용할 때 발생하는 성능 저하를 방지하기 위한 정량적 데이터 선별 방법을 제안한다. 증강 데이터가 원본 분포에 더하는 정보의 풍부함과 분포 이동 사이의 균형을 유효 정보 이득 （effective information gain, EIG）으로 정량화하고, 결합 EIG가 목표값에 수렴 하도록 증강 데이터를 선별하여 학습에 추가한다. 이를 통해 모델 구조의 변형 없이 학습 데이터 보강만으로 롱테일 도로 유형 중 회전교차로 상황을 개선하기 위한 데이터 선별 방법을 제안한다. 실도로 및 가상 주행 데이터에 대한 정량 평가 결과, 제안 기법은 기준 모델 대비 정확도를 97.0%에서 97.6%로 향상시키고 실도로 잔존 오경보를 10건에서 3건으로 70% 저감하여 비교 증강 기법 중 최저 오경보율（전체 평가 데이터 기준 FPR 3.65%→2.31%）을 달성 하였으며, 이 과정에서 본 연구가 표적으로 한 회전교차로 도로 기하 기인 오경보는 평가 데이터 기준 3건에서 0건으로 해소되었다. 다만 미검출은 43건에서 68건（FNR 1.66%→2.62%）으로 증가하여 오경보 저감과 상충 관계에 있다.
more목차
1. 서론 1
1.1 연구 배경 1
1.2 연구 동향 3
1.3 문제 정의 7
2. 충돌 예측을 위한 회전교차로 시나리오 생성 14
2.1 학습 데이터 선정 14
2.2 충돌 예측 모델의 안전 분석 21
2.3 시나리오 선정 24
2.4 도로망 생성 27
2.5 차량 파라미터 분포 추정 및 샘플링 33
3. 목표 EIG 기반 증강 데이터 선별 37
3.1 Effective Information Gain 37
3.2 증강 데이터 분류 40
3.3 증강 데이터 선별 43
3.4 검증 및 평가 49
4. 결론 59
5. 참고 문헌 62
