다중 스케일 컨볼루션 및 채널 어텐션 기반 상용차 운전 스타일 인식

운전 스타일 인식은 상용차의 운행 안전성, 연료 효율성 및 지능형 제어 향상에 중요한 역할을 합니다. 실제 주행 조건에서 상용차의 컨트롤러 영역 네트워크(CAN) 버스 데이터는 페달 및 제동 조작에 의해 발생하는 빠른 과도 변화와 운전 습관을 반영하는 장기 행동 추세를 동시에 포함하여 뚜렷한 다중 시간적 특성을 보입니다. 또한 이러한 데이터는 일반적으로 높은 잡음 수준, 고차원성 및 매우 다양한 운행 조건에 영향을 받기 때문에 단일 스케일 특성이나 수작업 규칙에 의존하는 방법들은 복잡한 시나리오에서 견고하고 안정적인 성능을 유지하기 어렵습니다. 이러한 문제를 해결하기 위해 본 논문은 다중 스케일 컨볼루션 및 효율적 채널 어텐션 네트워크(MSCA-Net)라고 명명된 운전 스타일 분류 네트워크를 제안합니다. 다양한 시간 수용 영역을 가진 병렬 컨볼루션 분기를 사용하여 제안된 네트워크는 빠른 운전자 반응, 국소 시간 의존성 및 장기 행동 변화를 포착할 수 있어 운전 행동의 크로스 스케일 시간 패턴의 통합 모델링이 가능합니다. 동시에 효율적 채널 어텐션 메커니즘은 운전 스타일 구별과 밀접한 관련이 있는 CAN 신호 채널을 적응적으로 강조하여 학습된 특징 표현의 판별력과 견고성을 향상시킵니다. 상용차에서 수집한 실제 다차원 CAN 시계열 데이터에 대한 실험 결과, 제안된 MSCA-Net은 운전 스타일 인식에서 향상된 분류 성능을 달성함을 보였습니다. 더 나아가 인식된 운전 스타일을 적응형 자동 수동 변속 전략 조정에 적용할 수 있는 가능성을 논의하여 상용차 동력계의 행동 인지 지능형 제어를 향한 실질적인 엔지니어링 경로를 제공합니다.