인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Accurate road surface monitoring is essential for ensuring vehicle and pedestrian safety, and it relies on robust data acquisition and analysis methods. This study examines the classification of road surface conditions using single- and multi-head deep learning architectures, specifically Convolutional Neural Networks (CNNs) and CNNs combined with Long Short-Term Memory (LSTM) layers, applied to data from Inertial Measurement Units (IMUs) mounted on vehicle's sprung and unsprung masses. Various model architectures were tested, incorporating IMU data from different positions and utilizing both acceleration and angular velocity features. A grid search was conducted to fine-tune the architectures' hyperparameters, including the number of filters, kernel sizes, and LSTM units. Results show that CNN+LSTM models generally outperformed CNN-only models. The highest-performing model, which used data from three IMUs in a single-head architecture, achieved a macro F1-score of 0.9338. The study highlights the effectiveness of combining IMU data in a single-head architecture and suggests that further improvements in classification accuracy can be achieved by refining the architectures and enhancing the dataset, particularly for more challenging road surface classes.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
