정보통신기술의 융합에 기반한 현대 자동차 시스템은 차량의 안전과 운전자의 편의를 보장하기 위해 다양한 기능을 갖추고 있다. 운전자 식별 기술은 차량 절도 탐지(car-theft detection)를 수행하는 데 효과적인 방법이다. 또한 의료 또는 보험과 같은 맞춤형 운전자 개인화 서비스를 제공할 수 있다. 본 연구에서는 각 운전자에 대해 주행 패턴 분석을 수행함으로써 웨이블릿 변환(wavelet transform)에 기반한 운전자 식별 방법을 제안하고 평가한다. 운전자 식별을 수행하기 위해 Support Vector Machine (SVM), Random Forest, XGBoost의 세 가지 서로 다른 기계학습 알고리즘의 성능을 비교한다. 제안 방법은 다섯 명의 운전자를 대상으로 한 주행 데이터에 대해 이진 및 다중 분류(binary and multiclass classifications) 모두에 적용 가능하다. 고속도로(motorway) 조건에서 XGBoost 분류기는 각 운전자를 식별하며, 이진 분류에서 최대 96.18%의 정확도를, 다중 분류에서 91.6%의 정확도를 제공한다. 또한 도심 도로(urban road) 조건에서는 SVM 분류기가 이진 분류에서 최대 95.07%의 정확도, 다중 분류에서 89.06%의 정확도를 달성한다. 제안 방법은 차내 이벤트인 운전자의 행동과 기계적 반응(mechanical reactions) 간의 연관성에 대한 더 나은 이해를 위한 기반을 제공한다. 본 연구 결과는 차내 데이터를 활용한 운전자 식별에 대한 연구자들의 이해를 확장하는 데 도움이 될 것이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.