earticle

영어

This paper proposes an LSTM-based model for real-time classification of abnormal cases in autonomous vehicles to enhance driving safety. We defined six representative abnormal cases by analyzing DMV disengagement reports and collected corresponding real-world driving data. We then constructed seven datasets through correlation and multicollinearity analysis, and trained the LSTM model using various combinations of hyper parameters. As a result, our model achieved a classification accuracy of 96.69% within 0.39 seconds, which aligns with the minimum human driver reaction time. This study is meaningful in that it demonstrates both high classification accuracy and fast inference time using real driving data. We expect that our approach will contribute to enhancing the safety of autonomous driving systems by integrating external data and expanding the range of abnormal case types.

한국어

본 연구는 자율주행차의 안전성을 확보하기 위해 실시간으로 이상상태를 분류하는 LSTM 모델을 제안한다. 자율주행차 제어권 전환 보고서를 분석하여 6개의 이상상태를 정의하고, 이 를 기반으로 실주행 데이터를 수집하였다. 이후, 상관분석과 다중공선성 분석을 통해 7개의 데 이터셋을 구축했으며, 다양한 학습 변수를 조합하여 LSTM 모델의 학습을 수행했다. 그 결과, 인간 운전자의 최소 반응 시간인 0.39초 이내에서 96.69%의 분류 정확도를 도출했다. 본 연구 는 실주행 데이터를 기반으로 분류 정확도와 분류 속도를 동시에 확보한 점에서 의의가 있으 며, 향후 외부 데이터의 추가와 이상상태 유스케이스의 확장을 통해 자율주행 시스템의 안전 성을 확보하는 데 기여할 수 있다.