Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | 김선우 | - |
dc.contributor.author | 최동호 | - |
dc.date.accessioned | 2021-08-23T16:33:01Z | - |
dc.date.available | 2021-08-23T16:33:01Z | - |
dc.date.issued | 2021. 8 | - |
dc.identifier.uri | http://hanyang.dcollection.net/common/orgView/200000500138 | en_US |
dc.identifier.uri | https://repository.hanyang.ac.kr/handle/20.500.11754/164126 | - |
dc.description.abstract | Predicting the trajectories of surrounding vehicles is an important task to avoid or mitigate collision with traffic participants. However, trajectory prediction is a challenging problem due to the limited past information and the uncertainty in the future driving maneuver. Recently, trajectory prediction models using machine learning algorithms have been studied to address this problem. However, many studies have applied different feature values and algorithms. Gini Impurity is used to select the most appropriate features. Additionally, we compare several machine learning algorithms, including random forest (RF), support vector machine (SVM), long short term memory (LSTM), and Encoder-Decoder LSTM, to find the best algorithm to predict trajectories of surrounding vehicles. In this dissertation, we present a trajectory prediction method based on the random forest (RF) algorithm and the LSTM encoder-decoder architecture. An occupancy grid map is first defined for the region surrounding the target vehicle, and then the row and the column that will be occupied by the target vehicle at future time steps are determined using the RF algorithm and the LSTM encoder-decoder architecture, respectively. For the collection of training data, the test vehicle was equipped with camera and LiDAR sensors along with vehicular wireless communication devices, and the experiments were conducted under various driving scenarios. The vehicle test results demonstrate that the proposed method provides more robust trajectory prediction compared with existing trajectory prediction methods|주변 차량의 경로를 예측하는 것은 차량 간 충돌을 피하거나 줄이기 위해서 필수적인 작업이다. 전통적인 연구 방식으로 동역학을 기반으로 주변차량의 경로를 예측하는 것이다. 그러나 동역학 기반으로 주변 차량의 경로를 예측 하는 것은 제한된 주변 차량에 대한 정보와 운전자 성향에 따른 다양한 주 행 패턴으로 인해 한계가 존재한다. 최근, 이 문제를 해결하기 위해 기계 학 습 알고리즘을 사용한 경로 예측 모델이 연구되고 있다. 많은 연구에서 서 로 다른 특징값 (Features)과 기계학습 알고리즘을 적용해서 예측 정확도를 보이고 있다. 우리는 주변차량의 경로를 예측할 때 가장 적합한 특징값을 선정하기 위해 NGSIM 데이터셋을 분석하고, Gini Impurity를 이용했다. 또한 랜덤 포레스트 (Random Forest), 서포트 벡터 머신 (Support Vector Machine), 장단기 메모리 (Long Short Term Memory) 및 인코더-디코더 LSTM (Encoder-Decoder LSTM)와 같은 여러 머신 러닝 알고리즘을 비교하여 주변 차량의 경로를 예측하는 최상의 알고리즘을 정의했다. 또한 본 논문에서는 Grid 기반 주변차량 경로 예측 방법을 제시했다. 우선 목표 차량을 중 심으로 9개의 셀로 구성된 그리드 맵을 정의한 후, 일정 시간이 지난 후 주 변차량이 존재할 셀을 각각 RF 알고리즘과 인코더-디코더 LSTM을 사용하여 예측하는 것이다. 이러한 방법으로 주변차량의 경로를 예측할 경우, 횡방향 예측 정확도에 민감한 사전충돌경고 시스템을 개선할 수 있다. 우리는 학습 데이터 수집을 위해 테스트 차량에는 차량용 무선 통신 장치와 함께 카메라 및 LiDAR 센서를 장착하고 다양한 주행 시나리오에서 실험을 진행했다. 차 량 테스트 결과 우리가 제안한 Grid 기반 주변차량 경로 예측 방법이 기존 경로 예측 방법 보다 더 정확한 경로 예측 정확도를 보였다. | - |
dc.publisher | 한양대학교 | - |
dc.title | Machine Learning-Based Trajectory Prediction Algorithm of Surrounding Vehicles for Connected and Automated Vehicles | - |
dc.type | Theses | - |
dc.contributor.googleauthor | Dongho Choi | - |
dc.contributor.alternativeauthor | 최동호 | - |
dc.sector.campus | S | - |
dc.sector.daehak | 대학원 | - |
dc.sector.department | 융합전자공학과 | - |
dc.description.degree | Doctor | - |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.