Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
공격적 운전 탐지를 위해 CNN-BiLSTM과 어텐션 메커니즘을 결합한 CBANet 프레임워크를 제안합니다. 데이터 불균형과 차량 역학 표현 문제를 해결하기 위해 엔지니어링된 특징과 SMOTE 기반 오버샘플링을 사용합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기공격적 운전 (Aggressive driving)은 교통사고의 주요 원인이며 도로 안전에 심각한 위협을 가합니다. 딥러닝 (Deep learning) 방법론이 차량 센서 데이터로부터 위험한 운전 행동을 탐지하는 데 유망한 결과를 보여주었음에도 불구하고, 실제 환경에서의 성능은 심각한 데이터 불균형 (Data imbalance), 운전자 간의 큰 변동성, 그리고 물리적으로 해석 가능한 차량 역학 (Vehicle dynamics) 표현의 부족으로 인해 제한되는 경우가 많습니다. 본 논문에서는 다변량 차량 역학 신호를 사용하여 공격적 운전을 탐지하기 위한 강화된 딥러닝 프레임워크를 제안합니다. 제안된 접근 방식은 단순히 원시 측정값 (Raw measurements)에만 의존하는 대신, 조향 (Steering), 가속 (Acceleration), 그리고 제동 (Braking) 행동을 포착하는 엔지니어링된 동적 특징 (Engineered dynamic features)을 구축합니다. 자연스러운 주행 데이터 (Naturalistic driving data)에서 공격적 이벤트가 극도로 희귀하다는 점을 해결하기 위해, 우리는 제어된 SMOTE 기반 오버샘플링 (Oversampling)과 클래스 가중치 손실 공식 (Class-weighted loss formulation)을 결합한 안정적인 학습 전략을 도입하고, 불균형 처리를 위한 Focal loss 변형들을 평가합니다. 또한, 실제 응용 분야에서 미탐지 (Missed detections)와 오경보 (False alarms)의 비대칭적 위험을 더 잘 반영하기 위해 클래스별 임계값 보정 (Class-specific threshold calibration)에 기반한 안전 지향적 결정 전략을 채택합니다. 제안된 프레임워크는 새로 수집된 자연스러운 주행 데이터셋을 통해 평가됩니다. 광범위한 실험을 통해 제안된 방법이 실용적인 계산 효율성을 유지하면서도 소수 클래스 재현율 (Minority-class recall) 및 안전 임계 F-score (Safety-critical F-score) 지표에서 상당한 개선을 보이며 표준 딥러닝 베이스라인 (Baselines)을 일관되게 능가함을 보여줍니다. Code: \url {https://github.com/halhamdan/CBANet}