태양광 패널은 태양의 광선을 이용하여 전력을 생성한다. 일반적으로 태양광 패널은 그림자가 없는 옥상 또는 개방된 평지에 설치된다. 그러나 이러한 태양광 패널은 비전문가가 시험하기가 어렵다. 따라서 우리는 RGB 카메라와 열화상 카메라를 탑재한 드론을 이용하여 결함이 있는 태양광 패널을 탐지하는 시스템을 제안한다. 드론은 항공 영상을 수집하는 데 사용된다. RGB 카메라는 직사각형 형태 및 패널의 표면 색상과 같은 태양광 패널의 특징을 바탕으로 태양광 패널의 위치를 찾도록 운용된다. 열화상 카메라는 태양광 패널에서 오류 지점을 검색하는 데 배치된다. 오류 지점은 태양광을 전기 에너지로 변환할 수 없으므로 태양광을 반사한다. 따라서 오류 지점의 온도는 일반 태양광 패널보다 높다. 제안된 시스템은 실제 가동 중인 태양광 발전소 2곳에서 시험되었다. 우리는 제안된 시스템이 전문 지식 없이도 적용 가능함을 확인하였다.

자율주행 기술은 안전성과 신뢰성을 보장하기 위해 인지, 의사결정 및 제어 알고리즘에 대한 엄격한 시험과 검증을 필요로 한다. 기존 시뮬레이터 및 시험 도구는 알고리즘 평가에 있어 중요한 역할을 수행하지만, 복잡하고 실시간인 시스템이 요구하는 수준을 충족시키기에는 어려움이 있다. 본 연구는 이러한 과제를 극복하기 위해 고급 시각화, 알고리즘 테스트, 재시뮬레이션 및 데이터 처리 기능을 제공하는 재시뮬레이션 기반 통합 분석 시스템을 제안한다. 제안된 시스템은 다양한 센서 데이터와 자차(ego) 차량 정보를 실시간으로 분석할 수 있는 포괄적인 시각화 모듈을 포함하며, 연구자에게 직관적인 통찰을 제공한다. 또한 시뮬레이터 특유의 의존성을 추상화하는 유연한 알고리즘 테스트 프레임워크를 포함함으로써, 다양한 시나리오에서 알고리즘의 원활한 통합과 평가를 가능하게 한다. 시스템은 또한 실제 또는 시뮬레이션된 센서 데이터에 기반한 반복적 시험을 통해 알고리즘 검증을 강화하는 견고한 재시뮬레이션 기능도 도입한다. 고주파 센서 데이터에 따른 계산 요구를 해결하기 위해, 시스템은 공유 메모리(shared memory)에 기반한 최적화된 데이터 처리 메커니즘을 사용하여 지연을 크게 감소시키고 확장성을 향상시킨다. 제안된 시스템은 기존 대안들이 직면한 핵심 과제를 극복함으로써, 자율주행 알고리즘의 시험 및 검증을 위한 견고하고 효율적이며 확장 가능한 해결책을 제공하며, 궁극적으로 안전하고 신뢰할 수 있는 자율주행차의 개발을 가속한다.

포트홀(pothole)은 깊이가 15mm 이상인 포트(pot) 형태의 함몰로 나타나는 전형적인 도로 손상이다. 대형 포트홀은 교통사고를 유발하므로 신속한 유지보수가 필요하다. 본 논문에서는 드론과 딥러닝을 이용한 항공 이미지 기반 포트홀 탐지 시스템을 제안한다. 드론은 교통 상황의 영향을 받지 않으므로, 도로를 주행하며 촬영하는 방식보다 더 빠르게 넓은 영역을 촬영할 수 있다. 제안된 시스템은 딥러닝을 사용하여 드론 이미지에서 포트홀을 탐지한다. 포트홀 탐지를 위해 Inception v3 모델에 기반한 딥러닝 분류 모델이 자체 구축한 항공 이미지 기반 포트홀 데이터 세트를 학습한다. 모델의 포트홀 탐지 성능을 평가하기 위해 약 5,496장의 이미지 데이터셋을 사용하여 재현율(recall)과 정밀도(precision)를 측정한다. 제안된 시스템은 개발된 딥러닝 모델을 활용하여 실제 환경에서 사용할 수 있는 웹 서비스 시스템으로 구현된다. 구현된 서비스 시스템을 실제 도로 유지보수에 적용한 결과, 기존 포트홀 탐지 방법보다 더 짧은 시간에 더 넓은 영역에서 포트홀을 탐지하고 도로 보수 담당자에게 정보를 제공할 수 있음을 보여준다.

최근 드론 산업의 발달에 따라 드론에 관한 관심이 커지고 있으며 그로 인해, 드론으로 촬영한 항공 영상 내 물체를 검출하고 파악하는 연구가 활발히 진행 중이다. 그 중, 도로에서 운전자를 위협하는 포트홀, 크랙의 면적과 위험도 측정을 자동화하기 위해 항공 영상 내 물체를 검출하고 해당 물체의 영역을 측정하는 연구가 진행되고 있다. 드론에서 촬영한 영상의 고도정보와 영상의 메타데이터를 이용하여 픽셀 당 단위 면적을 얻을 수 있다. 이를 통해 위험물 면적 계산이 가능하며 더욱 정확한 위험도 판단을 위해 정확한 면적 계산이 필요하다. 본 논문에서는 Mask R-CNN을 통해 물체의 마스크를 추출하고 외곽선 검출 알고리즘을 이용하여 마스크 내 외곽선을 검출한 후, 최근접 이웃 알고리즘을 통해 연결된 외곽선을 만들어 정확한 물체의 영역을 추출하는 방법을 제안한다. 기존 외곽선 검출 알고리즘 및 최근접 이웃 알고리즘을 평가하여 Mask R-CNN으로 검출된 마스크 영역보다 제안방법이 정확한 면적을 추출하는 것을 확인하였다.

태양광 패널은 태양의 광선을 이용하여 전력을 생성한다. 일반적으로 태양광 패널은 그림자가 없는 옥상 또는 개방된 평지에 설치된다. 그러나 이러한 태양광 패널은 비전문가가 시험하기가 어렵다. 따라서 우리는 RGB 카메라와 열화상 카메라를 탑재한 드론을 이용하여 결함이 있는 태양광 패널을 탐지하는 시스템을 제안한다. 드론은 항공 영상을 수집하는 데 사용된다. RGB 카메라는 직사각형 형태 및 패널의 표면 색상과 같은 태양광 패널의 특징을 바탕으로 태양광 패널의 위치를 찾도록 운용된다. 열화상 카메라는 태양광 패널에서 오류 지점을 검색하는 데 배치된다. 오류 지점은 태양광을 전기 에너지로 변환할 수 없으므로 태양광을 반사한다. 따라서 오류 지점의 온도는 일반 태양광 패널보다 높다. 제안된 시스템은 실제 가동 중인 태양광 발전소 2곳에서 시험되었다. 우리는 제안된 시스템이 전문 지식 없이도 적용 가능함을 확인하였다.

자율주행 기술은 안전성과 신뢰성을 보장하기 위해 인지, 의사결정 및 제어 알고리즘에 대한 엄격한 시험과 검증을 필요로 한다. 기존 시뮬레이터 및 시험 도구는 알고리즘 평가에 있어 중요한 역할을 수행하지만, 복잡하고 실시간인 시스템이 요구하는 수준을 충족시키기에는 어려움이 있다. 본 연구는 이러한 과제를 극복하기 위해 고급 시각화, 알고리즘 테스트, 재시뮬레이션 및 데이터 처리 기능을 제공하는 재시뮬레이션 기반 통합 분석 시스템을 제안한다. 제안된 시스템은 다양한 센서 데이터와 자차(ego) 차량 정보를 실시간으로 분석할 수 있는 포괄적인 시각화 모듈을 포함하며, 연구자에게 직관적인 통찰을 제공한다. 또한 시뮬레이터 특유의 의존성을 추상화하는 유연한 알고리즘 테스트 프레임워크를 포함함으로써, 다양한 시나리오에서 알고리즘의 원활한 통합과 평가를 가능하게 한다. 시스템은 또한 실제 또는 시뮬레이션된 센서 데이터에 기반한 반복적 시험을 통해 알고리즘 검증을 강화하는 견고한 재시뮬레이션 기능도 도입한다. 고주파 센서 데이터에 따른 계산 요구를 해결하기 위해, 시스템은 공유 메모리(shared memory)에 기반한 최적화된 데이터 처리 메커니즘을 사용하여 지연을 크게 감소시키고 확장성을 향상시킨다. 제안된 시스템은 기존 대안들이 직면한 핵심 과제를 극복함으로써, 자율주행 알고리즘의 시험 및 검증을 위한 견고하고 효율적이며 확장 가능한 해결책을 제공하며, 궁극적으로 안전하고 신뢰할 수 있는 자율주행차의 개발을 가속한다.

포트홀(pothole)은 깊이가 15mm 이상인 포트(pot) 형태의 함몰로 나타나는 전형적인 도로 손상이다. 대형 포트홀은 교통사고를 유발하므로 신속한 유지보수가 필요하다. 본 논문에서는 드론과 딥러닝을 이용한 항공 이미지 기반 포트홀 탐지 시스템을 제안한다. 드론은 교통 상황의 영향을 받지 않으므로, 도로를 주행하며 촬영하는 방식보다 더 빠르게 넓은 영역을 촬영할 수 있다. 제안된 시스템은 딥러닝을 사용하여 드론 이미지에서 포트홀을 탐지한다. 포트홀 탐지를 위해 Inception v3 모델에 기반한 딥러닝 분류 모델이 자체 구축한 항공 이미지 기반 포트홀 데이터 세트를 학습한다. 모델의 포트홀 탐지 성능을 평가하기 위해 약 5,496장의 이미지 데이터셋을 사용하여 재현율(recall)과 정밀도(precision)를 측정한다. 제안된 시스템은 개발된 딥러닝 모델을 활용하여 실제 환경에서 사용할 수 있는 웹 서비스 시스템으로 구현된다. 구현된 서비스 시스템을 실제 도로 유지보수에 적용한 결과, 기존 포트홀 탐지 방법보다 더 짧은 시간에 더 넓은 영역에서 포트홀을 탐지하고 도로 보수 담당자에게 정보를 제공할 수 있음을 보여준다.

최근 드론 산업의 발달에 따라 드론에 관한 관심이 커지고 있으며 그로 인해, 드론으로 촬영한 항공 영상 내 물체를 검출하고 파악하는 연구가 활발히 진행 중이다. 그 중, 도로에서 운전자를 위협하는 포트홀, 크랙의 면적과 위험도 측정을 자동화하기 위해 항공 영상 내 물체를 검출하고 해당 물체의 영역을 측정하는 연구가 진행되고 있다. 드론에서 촬영한 영상의 고도정보와 영상의 메타데이터를 이용하여 픽셀 당 단위 면적을 얻을 수 있다. 이를 통해 위험물 면적 계산이 가능하며 더욱 정확한 위험도 판단을 위해 정확한 면적 계산이 필요하다. 본 논문에서는 Mask R-CNN을 통해 물체의 마스크를 추출하고 외곽선 검출 알고리즘을 이용하여 마스크 내 외곽선을 검출한 후, 최근접 이웃 알고리즘을 통해 연결된 외곽선을 만들어 정확한 물체의 영역을 추출하는 방법을 제안한다. 기존 외곽선 검출 알고리즘 및 최근접 이웃 알고리즘을 평가하여 Mask R-CNN으로 검출된 마스크 영역보다 제안방법이 정확한 면적을 추출하는 것을 확인하였다.

지능형 교통시스템(ITS)은 가변 속도 제한(VSL) 시스템에서 볼 수 있듯이 정보기술과 교통시스템의 융합을 의미한다. VSL 시스템은 교통 상황에 따라 속도 제한을 제어하므로, 교통 네트워크의 안전성과 효율성을 향상시킬 수 있다. 다수의 연구자들이 여러 지점에서 교통 데이터를 기록한 실시간 교통 정보를 기반으로 하는 실시간 VSL(RVSL) 알고리즘을 연구해 왔다. 그러나 이러한 방법은 VSL 시작 지점(VSS)의 부정확한 선택, 잘못된 VSL 계산, 그리고 변화하는 교통 상황에 신속히 대응하지 못한다는 문제를 겪을 수 있다. VSL 시스템이 불안정하면 고속도로에서의 혼잡이 더 심해진다. 본 연구에서는 기존 RVSL 알고리즘의 한계를 해결하기 위해 향상된 VSL 알고리즘(EVSL)을 제안한다. EVSL은 예비 VSL 시작 지점(pVSS)을 선택하여 가속을 통해 혼잡을 종료할 것으로 기대하며, 선택된 pVSS를 사용하여 각 혼잡 구간에 대한 최종 VSS를 할당한다. 이를 통해 선택된 VSS에 근거하여 혼잡 구역에 진입한 차량을 제어한다. 제안된 VSL의 성능을 평가하기 위해 VSS 안정성 평가, 속도 제어 안정성 평가, 통행시간, 충격파(shockwave)라는 네 가지 지표를 사용하였으며, 이들 모두 표준 RVSL 알고리즘에 비해 향상되었다. 또한 EVSL 알고리즘은 도로 안전에 핵심적인 안정적인 VSL 성능을 보였다.

신호교통제어(TSC)는 지능형 교통 시스템의 한 부분으로, 교통 혼잡과 배출가스를 줄이기 위해 활용된다. 최근에는 인공지능과 강화학습을 이용한 동적 신호교통제어 시스템이 이러한 목표를 달성하기 위해 연구되어 왔다. TSC 알고리즘의 검증은 이상적으로 실제 환경에서 수행되어야 하지만, 안전 문제로 인해 교통 시뮬레이션 도구가 널리 사용되고 있다. 그러나 기존 시뮬레이션 도구는 실시간 결과 분석에 한계가 있어, 교통 상황에 따라 각 알고리즘의 강점과 약점을 분석하기 어렵다. 본 논문에서는 이러한 시뮬레이션 환경의 문제점을 개선하기 위해, TSC 알고리즘을 위한 실시간 분석 시뮬레이션 시스템 RTASS를 제안하며, 이를 통해 알고리즘의 실시간 비교와 결과 분석이 가능해진다. RTASS의 타당성을 검증하기 위해 실제 교차로 데이터로 실험을 수행하였다. 그 결과, 실제 교차로 데이터와 시뮬레이션의 교통량을 비교했을 때 평균 오차율이 2% 이내로 유지됨을 확인하였다. 또한 RTASS를 사용하여 각 TSC 알고리즘의 성능을 평가하고, 두 가지 기존 방법과 두 가지 제안된 TSC 방법을 비교함으로써 결과를 검증하였다. 제안된 시뮬레이션 시스템을 통해 교통 분석 및 알고리즘에 대한 실시간 비교가 가능함을 확인하였다.

본 연구에서는 아스팔트 포장 도로에서 정밀한 포트홀(pothole) 탐지를 위해 미세 객체 분할(tiny object segmentation)의 정확도를 향상시키는 알고리즘을 제안한다. 제안한 방법은 포트홀의 경계(edge)를 추출하고 결과를 검증하며 탐지된 이상(abnormalities)을 처리하도록 설계된 3단계 과정(MOED, VAPOR, Exception Processing)으로 구성된다. 제안된 알고리즘은 기존 방법의 한계를 해결하며, 더 넓은 적용 범위를 포함하여 여러 장점을 제공한다. 우리는 남한의 다양한 지역에서 고도 30–70 m의 UAV를 이용하여 도로를 촬영하는 방식으로 제안 알고리즘의 성능을 실험적으로 평가하였다. 그 결과, 본 알고리즘은 포트홀과 같은 소규모 객체에 대한 인스턴스 분할(instance segmentation) 성능 측면에서 기존 방법보다 우수함을 보였다. 본 연구는 포트홀 탐지를 위한 실용적이고 효율적인 해결책을 제공하며, 도로 안전 유지 및 모니터링에 기여한다.

오늘날 자율주행 기술은 정보통신기술의 발전과 함께 빠르게 발전하고 있다. 물체 인식 정확도는 주행 자동화 수준이 높아질수록 가장 중요한 요인 중 하나이다. 자율주행 시스템은 카메라, 레이더, LiDAR(라이다) 센서 등[을] 사용하여 물체를 감지하고 차량을 제어한다. LiDAR는 카메라 및 레이더에 비해 더 높은 해상도를 바탕으로 더 나은 탐지 정확도를 보인다. 그러나 LiDAR의 정확한 측정에는 고해상도 장비가 필요하며, 이는 비용이 많이 들고 데이터 처리량을 증가시키며 고성능 컴퓨팅 시스템을 요구한다. 자율주행의 확산을 위해서는 저해상도 LiDAR에서도 높은 수준의 정확도를 유지할 수 있는 탐지 방법을 연구할 필요가 있다. 본 논문에서는 상기 목표를 위해 저해상도 LiDAR를 이용한 차량 탐지에 관한 연구를 진전시킨다. 또한 재시뮬레이션 및 평가를 위한 테스트 도구를 개발하고, 이를 이용하여 물체 인식 알고리즘을 검증한다.