운전자에게 편의와 안전 서비스를 제공할 수 있는 운전자 행동 분석에 대한 연구가 활발해지고 있다. 운전자 행동 분석은 운전자의 상태나 의도 등을 분석하여 사고 위험을 줄일 수 있는 미래 자동차 기술 중 하나이다. 운전자의 상태를 분석하여 졸음운전, 주의 분산, 운전 의도 등을 인식하거나 인식한 운전 성향에 따라 보험료를 산정하는 사용 기반 보험 등 다양한 목적으로 활용되고 있다. 본 연구에서는 운전자 행동 분석 중 운전자 의도 추정에 대한 기존 연구들의 두 가지 한계점을 제시하고, 이를 해결할 수 있는 두 가지 기법을 제안한다. 이후 실험 및 성능평가를 통해 제안하는 두 기법의 성과를 확인한다.
   운전자 행동 분석의 연구는 차량 또는 운전자에게 센서를 설치하는 연구와 모든 차량에 설치되어 있는 OBD-II 포트를 통해 차량 정보를 획득하여 사용하는 연구로 구분된다. 대부분의 연구는 센서를 추가로 설치하여 차량 내부와 외부의 정보를 획득한다. 일부 연구는 차량에서 획득할 수 있는 정보들을 센서를 통해 대체하기도 하는데, 이는 OBD-II 포트에서 획득할 수 있는 정보를 해석하는 문제가 존재하기 때문이다. OBD-II 포트에서 얻을 수 있는 대표적인 차량 정보는 SAE J1979에 PID로 정의된 정보이다. 하지만 스티어링 휠 각도, 방향 지시등, 브레이크 페달, 기어 포지션, 오도미터 등의 정보는 PID로 정의되어 있지 않다. 따라서 표준으로 정의되지 않은 차량 정보를 획득하고 해석할 수 있는 차량 정보 해석에 대한 연구가 필요하다.
   본 연구에서는 이 문제를 해결하기 위하여, 첫 번째 기법인 차량 정보를 해석할 수 있는 자동 해석 기법을 제안한다. 제안하는 자동 해석 과정은 크게 센서를 기반으로 운전 상태를 추정하는 기법과 스코어링을 통해 최종 후보를 선택하는 기법으로 구성된다. 운전 상태 추정 기법은 센서 데이터를 기반으로 차량 정보와 연관성을 가지는 차량의 운전 상태를 추정한다. 이 기법은 주행 방향 상태, 가속/감속 상태, 브레이크 상태 등의 운전 상태를 정의하고, 센서 정보를 입력으로 활용하여 머신러닝 기반의 학습 및 추론을 수행한다.
   또한 기존의 많은 운전자 행동 분석 연구는 센서 정보를 활용하고 있으나, 자동 해석을 통해 보다 직접적인 차량 정보를 활용할 수 있다. 운전자의 운전 행동을 인식하는 운전 의도 추정에 대한 기존 연구들은 센서를 추가로 설치해야 하거나 단순히 차선 변경만을 인식하거나 미리 의도를 예측하지 못하는 등의 한계점을 가지고 있다. 따라서 OBD-II 포트를 통해 획득한 차량 정보를 기반으로 여러 운전 의도를 추정 및 예측할 수 있는 연구가 필요하다.
   본 연구에서는 이 문제를 해결하기 위하여, 두 번째 기법으로 차량 정보 기반의 운전 의도 추정 기법을 제안한다. 제안하는 운전 의도 추정 과정은 딥러닝을 기반으로 6가지 차량 정보를 기반으로 8가지 운전 의도를 추정 및 예측한다. 또한 운전 의도를 예측할 때 나타나는 문제점을 해결하기 위해 직선 주행과 곡선 주행의 구분을 강조한 2단계 딥러닝 모델을 통해 운전 의도 예측 성능을 향상시킬 수 있는 방법을 제시한다.
   첫 번째 기법인 차량 정보 자동 해석 기법의 경우, 가속/감속, 브레이크, 주행 방향에 대한 상태 추정 성능은 각각 78%, 86%, 88%임을 확인하였다. 또한 스코어링 기반의 최종 후보 선택을 통한 기어 포지션, 오도미터, 방향 지시등, 스티어링 휠, 브레이크 페달의 해석 정확도는 각각 73%, 100%, 74%, 85%, 81%임을 확인하였다.
   두 번째 기법인 차량 정보 기반의 운전 의도 추정 기법의 경우, 딥러닝을 기반으로 3가지 핵심 정보를 활용하여 8종류의 운전 의도를 추정한 실험의 성능을 확인하였다. 운전 의도를 1초 전에 예측할 경우 81%, 즉시 판단할 경우에는 93%의 정확도를 확인하였다. 또한 운전 의도의 사전 예측을 위한 2단계 딥러닝 모델을 적용할 경우 직진과 곡선 주행 간의 오류가 30% 감소하여 정확도가 89%로 향상되었다.