연구개발개요 |
○ 선제적 사고예방을 위한 교통안전 인지 정보 활용: - 인지되는 사고 위험성과 실제 사고 빈도와의 불일치는 향후 발생할 수 있는 잠재적 사고 위험을 보여주는 신호로서, 생활권 도로 교통사고 예방을 위한 선제적 대응을 위해서 위험인지 지도를 개발하고 이를 실제 사고 빈도와 체계적으로 비교 분석하여 보행자 사고를 선제적으로 예방하고자 함.○ VR(Virtual Reality)과 deep learning을 활용한 3차원 도시공간정보 분석:- 생활권 도로는 보행자와 주행 중인 차량이외에, 주차된 차량, 간판, 가로수, 도로 시설물 등 다양한 도시의 물적 요소가 혼재되어 있는 환경이기 때문에, 사고예방을 위해서는 보행자 및 운전자의 시각적 노출에 대한 체계적 분석이 필요함. 도시의 3차원적 물적구조와 이용행태를 분석하기 위하여 가상현실 및 딥러닝 기반 실험연구를 수행함. ○ 생활권도로 유형별 VR 기반 보행 시뮬레이터 및 딥러닝 기반 보행 안전 지도를 마련하여 생활권도로의 선제적 교통사고 예방을 위한 평가 및 분석시스템을 개발하고자 함.
|
연구내용 및 범위 |
○ VR기반 보행시뮬레이터 및 분석용 소프트웨어 제작- 본 연구에서 개발하고자 하는 ‘완전몰입형?반응형(full immersive and interactive) VR 기반 보행시뮬레이터’를 활용할 경우, 평가자가 가상현실 속 대상지를 직접 거닐면서 주변의 비고정 경관요소(차량, 사람, 빛, 소리 등)와 상호작용하며 현장감 넘치는 평가를 할 수 있음.- 지역적 특수성, 기능 등을 고려하여 생활권도로를 유형화하고, 각 유형에 맞는 예비연구 대상지 선정함. 선정된 예비연구 생활권도로를 대상으로 360도 카메라를 이용하여 촬영하고, 건축물높이, 입면설계, 청각 정보 등을 추가로 수집하여 합성·편집. - 편집된 자료를 이용하여 체험 가능한 형태의 3D 시뮬레이션 구현. Head Mounted Display, Kinect Senso, VR Treadmills를 결합한 완전 몰입형 VR 개발함. 본 연구에서 개발하는 소프트웨어는 피실험자의 모든 행태특성(보행동선, 보행속도, 머무르는 시간, 초점변화 및 시간 등을 실시간으로 계측하여 기록함. ○ RCNN 딥러닝 알고리즘- 딥러닝의 Convolution Neural Network (CNN) 알고리즘은 computer vision 분야에서 이미지 분석을 위하여 사용되는 방법론임. 그러나 CNN 알고리즘의 입력데이터는 픽셀 데이터의 신호 강도로서, 데이터 분류 기준이 블랙박스 모델이기 때문에 보행자 안전을 위한 구체적 가이드라인을 제시하기 위한 목적으로 활용성의 한계가 분명하다는 문제가 있음. - 반면 최근 제안된 R(region)-CNN 알고리즘은 기존 CNN 모델을 독립된 region으로 구분하여 분석하는 방법론으로 기존 CNN 모델의 한계였던 object detection이 가능한 알고리즘임. 본 연구에서는 R-CNN 기법 적용하여, 기존의 상업가로 물리적 환경 요소를 추출하고, 이 자료를 이용하여 교통사고 위험 인지지도를 개발함. - 생활권도로의 물리적 환경의 평가 항목을 선정하고, Google API를 통해 street view image database 구축함. 초기에 구축된 street view image는 다양한 각도와 perspectives를 갖는 이미지들로 구성되어 있기 때문에, 생활권도로 분석 목적에 맞는 기준을 설정하고 적합한 이미지를 선정하는 작업을 수행함. - 딥러닝 알고리즘을 이용하여 생활권도로의 주요 물리적 요소를 추출함. 기존의 알고리즘은 각 요소별 면적을 계산하는 방식이나, 이러한 접근은 도시의 물리적 요소간 상호작용을 고려하지 못하기 때문에, 각 요소의 공간적 조합방식(composition)을 분석하여 물리적 요소를 정의함.○ 생활권도로 설계요소에 따른 사고위험 인지 분석- 제작된 VR 기반 보행 시뮬레이터를 이용하여 각 생활권 도로 유형에 대한 사고 위험 인지 분석을 수행함. 신뢰성있는 사고 위험 인지의 수준을 파악하기 위하여, 각 유형별 최소 10인 이상의 피 실험자를 모집하여 실험을 수행함. - 딥러닝 모델링을 통하여 교통사고 위험의 인지 결정요인을 도출하고, 각 결정요인에 대한 설계적 변경이 보행자의 위험인지에 어떠한 영향을 미치는 지 분석한다. 또한 차량 및 보행자 밀도에 의한 보행자 위험인지 영향을 파악함. - 위험인지지도 개발 결과와 VR 기반 보행 시뮬레이터 실험결과를 종합하여 생활권도로 보행자 안전을 위한 설계·운영측면의 가이드라인을 제시함. ○ 교통사고 위험인지지도- 인지된 사고 위험과 실제 사고 빈도의 불일치는 교통안전에 대하여 중요한 두 가지 시사점을 제시한다. 첫째, 인지되는 위험도가 낮고 실제 사고 빈도가 높은 지점은 교통안전에 대한 낮은 주의력 (awareness)이 사고의 주요 원인이 되며, 불일치 문제가 지속되는 상황에서는 같은 지점에서 사고 빈도가 증가할 가능성이 높으므로, 안전 문제에 대한 주의력을 환기할 수 있는 교통 안전 시설물 설치가 필요한 지점임. 둘째, 인지되는 위험도가 높고 실제 사고 빈도가 낮은 지점은 위험에 대한 인지로 인하여 보행자의 행태 변화가 이루어진 지점으로서, 과거 사고 빈도의 자료만으로 판단하게 되면 향후 사고 위험성이 과소평가될 수 있음 (Schneider et al., 2004). - 본 연구에서는 딥러닝 기법을 통해 추출된 물리적 요소를 이용하여 음이항 또는 포아종 통계모델을 구축함. 통계모델의 parameter와 Kernel 모델을 이용하여 일단의 생활권도로에 대한 위험인지 예측 지도를 구축함. 실제 사고 빈도와의 공간적 비교를 통하여 2가지 유형의 공간적 불일치 지점을 정의하고, 각 유형에 적합한 공간설계 가이드라인을 제시함.
|