Hybrid Deep Learning-based Classification Model for Driver’s Driving Style Classifications

Abstract

본 학위논문에서는 운전자의 주행성향 분류를 위한 하이브리드 딥 러닝 모델 기법과 handcrafted features를 사용한 성능 향상에 대한 연구를 하였다. 본 연구에서는 컨볼루션 뉴럴 네트워크 (CNN) 로 구성한 학습 모델을 사용하였으며, 각 실험별로 데이터 타입에 맞춰 최소한의 모델 configuration을 수정하여 사용하였다. 입력 데이터로는 차량의 CAN 네트워크에서 추출한 시계열 데이터 중 운전자의 주행 성향과 관련된 신호만을 선정한 raw CAN 데이터를 사용하였다, 이 입력 데이터를 사용하여 각 실험별로 1) raw CAN 데이터와, 2) raw CAN 데이터를 변환한 FFT 스펙트럼 이미지 데이터, 그리고 3) 운전자의 주행성향을 잘 표현할 수 있는 CAN 데이터 기반의 주행성향 인덱스를 구하여 이를 기존의 CAN 데이터와 혼합한 combined data를 학습 데이터로 사용하였다. Raw CAN 데이터만 사용하는 모델에 비하여 FFT 스펙트럼을 트레이닝 데이터로 사용하였을 때 약 1%의 분류 정확도 향상이 있었으며, CAN 데이터와 주행성향 인덱스를 함께 사용하여 학습시켰을 때 7%의 분류 정확도 향상을 보였다. 이를 통해 handcrafted features를 추가한 하이브리드 모델을 활용하여 운전성향 분류 성능 개선이 가능함을 확인하였다.; In this thesis, I introduce a model for hybrid deep-learning techniques using handcrafted features to improve the performance of the classification of driving styles. In this paper, I used a convolutional neural network (CNN) with minimal changes to the model configuration for each experiment due to different data types. The input data is the data for a vehicle's controller area networks (CAN) related to an individual’s driving style. By using a raw CAN data as input data, training data for each model was converted to different types: (1) the raw CAN data; (2) FFT spectrograms converted from raw CAN data; and (3) combined data, which consists of a driving-style index calculated from CAN data and raw CAN data. The performance of the deep-learning model on given classification tasks using frequency domain spectrograms increased by 1%, and that of the model using combined data consisting of both handcrafted features and raw CAN data increased by 7%. The result shows the possibility of the performance improvement on the drivers’ driving style classification using the proposed hybrid deep learning model with handcrafted features.