Core Concepts
트럭 추월 탐지를 위해 CAN 데이터를 활용하여 인공신경망, 랜덤 포레스트, 서포트 벡터 머신 등의 분류기를 적용하였으며, 분류기 융합을 통해 추월 및 비추월 분류 성능을 향상시켰다.
Abstract
본 연구는 트럭의 추월 탐지를 위해 CAN 버스 데이터를 활용하는 것을 다루고 있다. 3가지 분류기(인공신경망, 랜덤 포레스트, 서포트 벡터 머신)를 사용하여 추월 여부를 분류하였다.
데이터는 실제 운행 중인 3대의 트럭에서 수집된 CAN 신호를 활용하였다. 추월 발생 10초 전부터 1초 후까지의 데이터를 1초 단위의 중첩 윈도우로 분석하였다.
분석 결과, 추월 발생 직전에 추월 클래스에 대한 예측 점수가 증가하는 반면 비추월 클래스는 안정적이거나 분류기에 따라 변동적인 것으로 나타났다. 따라서 추월 발생 직전에 가장 높은 정확도를 보였지만, 조기 추월 예측은 어려운 것으로 확인되었다.
개별 분류기의 경우 추월 분류 정확도(재현율/TPR)는 93% 이상으로 우수하였지만, 비추월 분류 정확도(TNR)는 80-90% 수준으로 다소 낮았다. 이에 랜덤 포레스트와 선형 SVM을 융합한 결과, 비추월 분류 정확도(TNR)가 92% 이상으로 향상되었으며, 추월 분류 정확도(TPR)도 91% 이상을 유지하였다. 따라서 융합 모델은 개별 분류기에 비해 더 균형 잡힌 성능을 제공하였다.
Stats
추월 발생 직전 3초 이내에 추월 분류 정확도(TPR)가 94% 이상으로 높게 나타났다.
추월 발생 직전 3초 이내에 비추월 분류 정확도(TNR)가 70-90% 수준으로 나타났다.
분류기 융합 시 추월 발생 직전 3초 이내에 TPR 91% 이상, TNR 92% 이상의 성능을 보였다.