[논문 리뷰] A Machine Learning Smartphone-based Sensing for Driver Behavior Classification

Sarra Ben Brahim, Hakim Ghazzai외 2명|arXiv (Cornell University)|2022. 02. 01.

Autonomous Vehicle Technology and Safety인용 수 4

한 줄 요약

이 논문은 카르라 시뮬레이터에서 가속도계, 자이로스코프, GPS의 센서 융합을 이용해 스마트폰 전용 저비용 운전자 행동 분류 시스템을 제안한다. 시뮬레이션된 시계열 데이터를 바탕으로 그래디언트 부스팅(LightGBM, XGBoost, CatBoost)과 LSTM 기반 모델을 평가하여 LightGBM로 최대 88%의 F1 스코어를 달성했으며, 다양한 도로 및 기상 조건에서 정상, 중간, 과격, 위험 운전 행동을 높은 정확도로 탐지함을 보여주었다.

ABSTRACT

Driver behavior profiling is one of the main issues in the insurance industries and fleet management, thus being able to classify the driver behavior with low-cost mobile applications remains in the spotlight of autonomous driving. However, using mobile sensors may face the challenge of security, privacy, and trust issues. To overcome those challenges, we propose to collect data sensors using Carla Simulator available in smartphones (Accelerometer, Gyroscope, GPS) in order to classify the driver behavior using speed, acceleration, direction, the 3-axis rotation angles (Yaw, Pitch, Roll) taking into account the speed limit of the current road and weather conditions to better identify the risky behavior. Secondly, after fusing inter-axial data from multiple sensors into a single file, we explore different machine learning algorithms for time series classification to evaluate which algorithm results in the highest performance.

연구 동기 및 목표

• 스마트폰 내장 센서만을 사용하여 실시간 운전자 행동 분류를 위한 저비용, 스마트폰 전용 솔루션을 개발하기 위해.
• 실제 도로에서의 데이터 수집을 방지하고 시뮬레이션된 데이터를 활용하여 개인정보 및 신뢰 문제를 해결하기 위해.
• 특히 GBDT 및 LSTM 아키텍처를 포함한 다수의 머신러닝 모델을 평가하고 비교하여 운전자 행동을 네 가지 위험 수준으로 분류하기 위해.
• 속도 제한, 기상 조건, 교통 표지와 같은 맥락적 요소를 분류 프레임워크에 통합하기 위해.
• 시뮬레이션된 현실적인 주행 시나리오를 기반으로 한 일반화되고 확장 가능한 프레임워크를 제공하여 플릿 관리 및 보험 응용 분야에 활용하기 위해.

제안 방법

• 다양한 도로 유형, 속도 제한, 기상 조건에서 카르라 시뮬레이터를 사용하여 스마트폰 센서(가속도계, 자이로스코프, GPS)로부터 데이터를 수집한다.
• 다양한 축의 가속도계 및 자이로스코프 데이터를 GPS 속도 및 방향 정보와 융합하여 통합된 시계열 데이터셋을 구성한다.
• 모델 입력을 위해 시간 축을 균일한 주파수로 재표본화하고 정규화하여 전처리한다.
• 각 주행을 일분 단위의 창으로 분할하여 분류하는 슬라이딩 윈도우 방식을 적용하여, 주행 내 행동 분석이 가능하도록 한다.
• 세 종류의 그래디언트 부스팅 결정수형(_LIGHTGBM, XGBoost, CatBoost_)과 세 종류의 LSTM 기반 아키텍처(LSTM, CNN-LSTM, FCN-LSTM)를 학습 및 평가한다.
• 랜덤 서치를 통해 하이퍼파rameter 튜닝을 수행하며, 학습률, 트리 깊이, 추정기 수, L2 정규화를 최적화한다.

Figure 1 : Proposed workflow of the AI-based driver behavior classification.

실험 결과

연구 질문

• RQ1 가속도계, 자이로스코프, GPS만을 사용한 스마트폰 기반 센싱으로 정상, 중간, 과격, 위험 운전 행동의 네 가지 위험 수준으로 효과적으로 분류할 수 있는가?
• RQ2 특히 GBDT 및 LSTM 기반 아키텍처의 다양한 머신러닝 모델이 시뮬레이션된 스마트폰 센서 데이터로부터 운전자 행동을 어떻게 분류하는가?
• RQ3 속도 제한 및 기상 조건과 같은 맥락적 요소가 운전자 행동 분류 정확도에 어떤 영향을 미치는가?
• RQ4 불균형 데이터에서 F1 스코어와 일반화 능력 측면에서 최고의 성능을 내는 하이퍼파rameter 설정은 무엇인가?
• RQ5 다양한 축의 가속도계 및 자이로스코프 데이터 융합이 단일 센서 접근 방식보다 분류 정확도를 향상시키는가?

주요 결과

• LightGBM는 테스트 세트에서 가장 높은 F1 스코어 88%를 기록하여 XGBoost(83%)와 CatBoost(81%)를 모든 지표에서 앞섰다.
• XGBoost는 학습 속도가 가장 빠르며, 하이퍼파rameter 튜닝과 분류를 몇 초 내에 완료했다.
• LSTM 기반 모델 중에서 FCN-LSTM이 74%의 최고 F1 스코어를 기록하여 표준 LSTM(58%)과 CNN-LSTM(68%)을 모두 앞섰다.
• 슬라이딩 윈도우 방식을 통해 일분 단위 주행 세그먼트의 실시간 분류가 가능했으며, 모델은 비정상적인 가속도(예: AccelX에서의 과속) 기반으로 위험 행동을 탐지했다.
• 불균형 데이터에서 매크로 평균을 사용한 결과, LightGBM는 매크로 F1 스코어 88%와 정확도 88%를 기록하여 뛰어난 성능을 보였다.
• 시뮬레이션 기반 데이터 수집 방법이 실제 주행 조건을 효과적으로 모방했으며, 변동하는 속도 제한과 기상 영향까지 포함하여 개인정보 위험 없이 신뢰할 수 있는 행동 프로파일링이 가능했다.

Figure 2 : Smartphone sensors collected using the Carla simulator.