[논문 리뷰] Road Roughness Estimation Using Machine Learning

M. Bajic, Shahrzad M. Pour외 4명|arXiv (Cornell University)|2021. 07. 02.

Infrastructure Maintenance and Monitoring참고 문헌 50인용 수 16

한 줄 요약

이 논문은 코펜하겐의 50.3km 구간을 달리는 고속도로에서 실측한 실제 데이터를 바탕으로 차량 내 센서—특히 수직 가속도와 속도—를 사용하여 도로의 거칠기를 예측하는 기계학습 파이프라인을 제안한다. 이 파이프라인은 도로 네트워크의 연속적이고 비용 효율적인 모니터링을 가능하게 한다. 최고의 성능을 보인 모델인 다층 퍼셉트론(MLP)은 IRI 값 예측에서 R²가 0.66이고 RMSE가 0.21을 기록하여 실제 데이터에서 높은 정확도를 입증하였다.

ABSTRACT

Road roughness is a very important road condition for the infrastructure, as the roughness affects both the safety and ride comfort of passengers. The roads deteriorate over time which means the road roughness must be continuously monitored in order to have an accurate understand of the condition of the road infrastructure. In this paper, we propose a machine learning pipeline for road roughness prediction using the vertical acceleration of the car and the car speed. We compared well-known supervised machine learning models such as linear regression, naive Bayes, k-nearest neighbor, random forest, support vector machine, and the multi-layer perceptron neural network. The models are trained on an optimally selected set of features computed in the temporal and statistical domain. The results demonstrate that machine learning methods can accurately predict road roughness, using the recordings of the cost approachable in-vehicle sensors installed in conventional passenger cars. Our findings demonstrate that the technology is well suited to meet future pavement condition monitoring, by enabling continuous monitoring of a wide road network.

연구 동기 및 목표

• 표준 차량 내 센서에서 수집한 데이터를 활용하여 확장 가능하고 저비용인 연속적인 도로 거칠기 모니터링 방법을 개발하기 위해.
• 기존의 희소한 도로 조사 방식의 한계를 보완하여 실시간 포장 상태 평가를 가능하게 하기 위해.
• 차량 진동 및 속도 데이터에서 국제 거칠기 지수(IRI)를 예측하기 위해 다양한 지도 학습 모델을 평가하기 위해.
• 모델의 일반화 능력과 성능 향상을 위해 특징 선택 및 차원 축소 기법을 최적화하기 위해.
• 일반화된 차량 내 센서를 활용한 대규모 자동 도로 네트워크 모니터링의 실현 가능성을 입증하기 위해.

제안 방법

• 코펜하겐의 M3 고속도로 50.3km 구간을 주행하는 승용차에서 수직 가속도 및 속도 데이터를 수집하였다.
• GPS 경로를 OpenStreetMap(OSM) 도로 네트워크에 매핑하기 위해 은닉 마르코프 모델(HMM)을 적용하여 공간 정확도를 향상시켰다.
• 시간적 및 통계적 특징을 센서 데이터에서 추출하였으며, 평균, 표준편차, 첨도 및 특정 주파수 대역에서의 에너지를 포함하였다.
• 최적의 특징 조합을 식별하고 차원을 감소시키기 위해 순차적 전진 선택(SFS) 및 주성분 분석(PCA)을 사용하였다.
• 선형 회귀, 라소, 릿지, 엘라스틱 넷, k-최근접 이웃, 랜덤 포레스트, 서포트 벡터 머신(SVM), 다층 퍼셉트론(MLP) 등 다양한 지도 학습 모델을 훈련하고 비교하였다.
• 10겹 교차검증 및 독립된 테스트 세트를 사용하여 모델 성능을 평가하였으며, R², RMSE, 정밀도, 재현율, F₁ 점수 등의 지표를 사용하였다.

실험 결과

연구 질문

• RQ1 특수 장비가 필요 없이 가속도계 및 속도계와 같은 차량 내 센서로 도로 거칠기(IRI)를 정확하게 예측할 수 있는가?
• RQ2 차량 센서 데이터에서 연속적인 IRI 값 예측 및 IRI 심각도 수준 분류에 가장 우수한 성능을 보이는 기계학습 모델은 무엇인가?
• RQ3 특징 선택(SFS) 및 차원 축소(PCA) 기법이 모델 성능과 일반화 능력에 미치는 영향은 어떠한가?
• RQ4 기존의 조사 방식에 비해 제안된 파이프라인은 얼마나 연속적이고 대규모의 도로 네트워크 모니터링을 가능하게 하는가?
• RQ5 특히 훈련 샘플 수가 적은 고거칠기 수준에서 모델 성능은 어떻게 변하는가?

주요 결과

• 다층 퍼셉트론(MLP)은 회귀 분석에서 가장 높은 성능을 보였으며, 테스트 세트에서 IRI 값 예측에 대해 R²가 0.66이고 RMSE가 0.21을 기록하였다.
• IRI 분류 작업에서는 SVM 및 로지스틱 회귀 모델이 F₁ 점수 0.66과 재현율 0.74를 기록하여 순서 척도의 심각도 수준에서 뛰어난 성능을 보였다.
• 최고 성능을 보인 모델들은 대부분 실제 IRI 값과 밀도 높은 일치를 보이며 일관된 예측 경향을 보였으며, 특히 저수준에서 중간 수준의 거칠기 범위에서 뛰어난 성능를 보였다.
• 고IRI 값에서는 훈련 샘플의 부족으로 인해 성능이 약간 저하되었으며, 이는 데이터 불균형 문제를 시사한다.
• SFS를 통한 특징 선택과 PCA를 통한 차원 축소가 모든 모델에서 모델의 안정성과 일반화 능력을 크게 향상시켰다.
• 이 파이프라인이 표준 차량 내 센서가 도로 거칠기를 신뢰성 있게 추정할 수 있음을 입증하여 저비용으로 대규모 연속 포장 상태 모니터링이 가능함을 보였다.