딥러닝 기반 자율주행 위험 예측 모델 개발: 87.91% 정확도 달성!

황시웨이, 양천하오, 후추안 연구팀은 CNN-Bi-LSTM-TPA 네트워크와 준지도 학습 전략을 활용한 운전자 주관적 위험 인지 예측 모델을 개발하여 87.91%의 높은 정확도를 달성했습니다. 이 연구는 자율주행 시스템의 안전성 향상과 운전자 신뢰도 향상에 크게 기여할 것으로 기대됩니다.

자율주행 시대의 안전, 주관적 위험 인지 예측으로 한 단계 더 높이다!

자율주행 자동차 시대가 도래하면서 운전자의 자율주행 시스템에 대한 위험 인지는 매우 중요한 요소가 되었습니다. 기존의 방법으로는 운전자의 주관적인 위험 인지를 정확하게 평가하기 어려웠습니다. 하지만 최근 황시웨이, 양천하오, 후추안 연구팀이 발표한 논문, "운전자의 지각된 위험 예측: 준지도 학습 전략 기반 모델" 에서는 이 문제에 대한 획기적인 해결책을 제시했습니다.

핵심 내용: 주관적 위험 인지 예측 모델 개발

연구팀은 운전자의 주관적 위험 인지를 동적으로 변화하는 비등방성 및 감쇠 메커니즘으로 보고, 이를 예측하는 새로운 모델을 개발했습니다. 20명의 참가자를 대상으로 다양한 자율주행 시나리오를 경험하게 한 후 실시간 주관적 위험 등급을 기록하여 데이터를 확보했습니다.

혁신적인 접근 방식: CNN-Bi-LSTM-TPA 네트워크와 준지도 학습 전략

데이터 분석에는 합성곱 신경망(CNN), 양방향 장단기 메모리 네트워크(Bi-LSTM), 시간 패턴 어텐션(TPA) 를 결합한 새로운 네트워크를 사용했습니다. 특히, 주관적인 위험 평가의 불확실성으로 인한 데이터 노이즈를 줄이기 위해 준지도 학습 전략을 적용했습니다. 이를 통해 기존 최첨단 위험 모델 대비 20.12% 향상된 예측 정확도(87.91%) 를 달성했습니다. 다양한 LSTM 구조 중에서도 CNN-Bi-LSTM-TPA 네트워크가 가장 높은 정확도를 보였습니다.

의미와 미래 전망

이 연구는 운전자의 주관적 위험 인지를 효과적으로 평가하는 방법을 제시하여, 자율주행 시스템의 안전성 향상과 운전자의 신뢰도 향상에 크게 기여할 것으로 기대됩니다. 향후 자율주행 기술 개발 및 안전 기준 마련에 중요한 역할을 할 것으로 예상됩니다. 더 나아가, 이 모델은 다양한 주행 환경 및 상황에서 운전자의 위험 인지 예측에 활용될 수 있으며, 더욱 안전하고 편리한 자율주행 경험을 제공하는데 기여할 것입니다.

참고: 이 기사는 황시웨이, 양천하오, 후추안 연구팀의 논문을 바탕으로 작성되었습니다.