제목 :

저지연 고신뢰 운전자 프로파일링을 위한 딥러닝 모델 및 조기 종료 기법

Title :

Deep Learning Model and Early Exiting Method for Low Latency and Reliable Driver Profiling

요약 :

  주행 데이터를 분석하여 운전자를 구별하고 운전자의 운전 특성을 파악하는 운전자 프로파일링 기술은 개인화된 지능형 자동차를 위하여 활발히 연구되고 있다. 운전자 프로파일링을 위해서는 운전자 별 운전 특성의 차이를 모델링할 수 있는 운전자 식별 연구가 매우 중요하다. 주행 데이터는 운전자가 차량 탑승 후 시동을 걸고 주행을 시작한 후 차량의 시동을 끌 때까지 수집한 스티어링 휠 조작 등의 일련의 시계열 운전 데이터이다. 개인화 지능형 자동차를 위해서는 주행하는 동안 단위 시간마다 누적되는 시계열 데이터를 활용하여 운전자를 식별하는 시계열 딥러닝 모델 기반 실시간 운전자 식별 시스템이 필요하다. 기존 실시간 운전자 식별 연구에서는 주행 데이터를 고정된 짧은 시간 동안의 윈도우 데이터로 분할하여 운전자 식별을 수행하였다. 이러한 기존 연구에서는 실시간 식별이 가능하나 윈도우 데이터를 서로 독립적으로 분석하여 식별 정확도가 떨어지는 문제가 있다. 따라서 누적되는 주행 데이터에 대하여 장기적으로 시계열 분석하여 실시간 운전자 식별 정확도를 향상시킬 필요성이 있다.

  시계열 딥러닝 모델을 활용한 실시간 운전자 식별은 단위 시간마다 식별 결과를 출력하지만, 얼마만큼의 주행 후의 식별 결과가 신뢰성이 있는지 알기 어려운 문제가 있다. 전체 주행 종료 시 운전자 식별을 종료하는 경우 운전자 식별 지연시간이 길어져 실용성이 떨어지는 문제가 있다. 반면에 운전자 식별을 일찍 종료할 경우 식별 정확도가 떨어지는 문제가 있다. 실시간 운전자 식별에서 주행에 대한 최종 식별 결과를 주행 도중에 조기에 도출할 수 있는 조기 종료 운전자 식별 시스템이 필요하다. 이러한 조기 종료 운전자 식별은 식별 정확도는 높이되 지연시간은 낮출 수 있도록 주행 데이터 적응적으로 조기 종료 순간을 판단하는 것이 중요하다. 이를 통해 주행 별로 언제 운전자 식별을 종료하고 개인화된 서비스를 제공할지 판단할 수 있다.

  본 논문에서는 저지연 고신뢰 운전자 식별을 위한 딥러닝 모델과 조기 종료 기법을 제안한다. 기존 실시간 운전자 식별 연구에서는 시계열 딥러닝 모델에 대한 연구가 미비하고, 시계열 딥러닝 모델을 위한 성능 향상 연구가 필요하다. 실시간 운전자 식별을 위한 시계열 딥러닝 모델은 장기 시계열 분석과 실시간 분석이 동시에 필요한 어려움이 있다. 따라서 실시간 운전자 식별에 특화된 경량 인코더 기반 시계열 딥러닝 모델을 제안한다. 제안하는 딥러닝 모델은 윈도우 데이터를 효율적으로 처리하는 경량 인코더와 경량 인코더의 출력을 효율적으로 시계열 분석하는 순환신경망으로 구성된다. 경량 인코더는 짧은 시간의 주행 데이터를 입력으로 하고 임베디드 프로세서에서 구동 가능한 작은 구조를 특징으로 한다. 이러한 경량 인코더 출력에 대한 시계열 분석은 누적되는 장기 주행 데이터를 그대로 활용하여 시계열 분석하는 것보다 더 좋은 효과를 보였다. 따라서 경량 인코더를 통하여 실시간 식별이 가능하면서 시계열 주행 분석의 효율성도 높여 식별 정확도를 향상시켰다.

  기존 연구에서는 운전자 식별을 위한 시간적 조기 종료 연구가 미비하고, 시간적 조기 종료 기법에 대한 신뢰도 향상 연구가 필요하다. 딥러닝 모델의 신뢰도 출력을 활용한 운전자 식별의 시간적 조기 종료를 위해서는 딥러닝 모델의 과신뢰 문제를 해결해야 하는 어려움이 있다. 따라서 조기 종료 운전자 식별에 특화된 교정된 신뢰도 기반 시간적 조기 종료 기법을 제안한다. 제안하는 조기 종료 기법은 추가적인 컴퓨팅 부하나 모델 구조 변경 없이 딥러닝 모델의 신뢰도 출력을 기반으로 조기 종료를 수행한다. 이러한 신뢰도 기반 시간적 조기 종료를 위하여 적용하는 신뢰도 교정 기법은 누적된 주행 데이터의 양에 따라 교정 강도를 조절하는 것을 특징으로 한다. 또한 주행 데이터 적응적으로 조기 종료 순간을 판단하여 식별이 쉬운 주행은 교정 강도를 높이고 식별이 어려운 주행은 교정 강도를 낮춘다. 이러한 신뢰도 교정 기법을 통하여 식별 정확도를 유지하면서 조기 종료 지연시간을 감소시켰다.

  주행 경로 및 차종 등이 제한 없는 운전 데이터세트를 활용하여 제안하는 딥러닝 모델과 시간적 조기 종료 기법의 성능을 평가하였다. 제안하는 경량 인코더 기반 시계열 딥러닝 모델은 94.5%의 실시간 운전자 식별 정확도를 보였다. 기존 연구에서 활용한 딥러닝 모델과 비교하였을 때 실시간 운전자 식별 정확도를 대폭 향상시켰다. 제안하는 교정된 신뢰도 기반 시간적 조기 종료 기법은 평균 4.8분에 조기 종료 시 93.4%의 운전자 식별 정확도를 보였다. 기존 연구인 고정 시간 종료와 비교하였을 때 식별 정확도는 유지하면서 식별 지연시간은 80.8% 감소시켰다. 따라서 제안한 딥러닝 모델과 시간적 조기 종료 기법을 통한 저지연 고신뢰 운전자 프로파일링은 개인화된 지능형 자동차 기술을 촉진할 수 있을 것으로 기대된다.

Email :

jaebonglim@pusan.ac.kr