NGV 캠퍼스 자율주행 판단 정리

자율주행 자동차 판단 기술 

1차시 자율주행 자동차 판단 기술 개요
판단은 뇌와 같은 역할.

2차시 차량 센서 관점에서의 판단 기술 기초
카메라 : 정보 양이 많고 원거리 물체 인식 가능
거리 정보에 약하고 빛, 날씨 변화에 따른 성능 저하 발생

라이다 : 거리 정보에 강하고 빛,날씨 변화에 강함
카메라에 비해 정보 양이 적고 센싱 거리에 한계

레이더 : 속도 추정에 용이하며 라이다에 비해 장거리 측정 가능.
비금속 물체 탐지에 약하며 횡방향 관점의 인식 성능 한계, 해상도 부족.
  
센서 융합정보, 개별정보 입력

3차시 도로 인프라 관점에서의 판단 기술 기초

4차시 Rule-Based Approach 기반 판단 기술 기초
if-then 방식
많은 rule이 필요 -> 복잡도 향상

5차시 AI-Based Approach 기반 판단 기술 기초
인공지능 > 머신러닝 > 딥러닝
rule-based 보다 윤통성이 있지만 특정 기준에 대한 명확한 잣대가 없음. 훈련된 모델에 넣어 결과값 도출.

6차시 차선 유지 주행 판단
LKAS - 차선 유지 보조 시스템
카메라 센서로 차선을 보고 레이더 센서로 다른 차와의 간격을 유지한다.

7차시 차선 변경/추월 주행 판단
360도 센싱이 필요. 모든 차량 추적 필요.

8차시 교차로/좌,우회전 주행 판단
신호등 인식, 횡단보도 및 보행자 인식, 주변 차량 인식 등 정보가 많다.

9차시 돌발상황/사고상황 주행 판단
ai 및 rule-based 방식으로 상황 타파

10차시 열악한 날씨상황 주행 판단
센서의 융합 중요.
방법 1 : 레인 센서로 판단.
방법 2 : 타이어와 노면 사이의 미끄러지는 정도로 슬립 추정
방법 3 : 카메라와 라이다 등의 센서 입력 기반으로 딥러닝 모델을 활용하여 판단.

11차시 V2X 정보 기반 주행 판단
차량의 센서와 도로의 인프라의 융합이 중요.
정보의 중복성은 자율주행 사용자의 안정성을 높일 수 있는 좋은 방법이며 필수적인 전략.

12차시 Fail Safe 주행 판단
1단계 > fail passive - 부품이 고장나면 통상 정지
2단계 > fail active - 부품이 고장나면 경보를 울리는 가운데 짧은 시간동안 운전 가능
3단계 > fail operational - 추후 보수가 될 때까지 기능 유지.
HW접근 > 모터가 고장날 것을 대비해 모터 2개 배치
SW접근 > 여러 센서 중 하나가 고장났을 때 다른 센서만으로 고장난 센서 대응


13차시 Rule-Based Decision-Making 개념
규칙을 정하고 경로 생성.

14차시 차선 유지/변경 예시를 통한 Rule-Based Decision-Making 이해
차선 인식, 중앙값 생성, 경로 생성.

15차시 교차로 상황 예시를 통한 Rule-Based Decision-Making 이해
안정성을 높이는 방향으로 우선순위를 정해야함.

16차시 AI-Based Decision-Making 개념
딥러닝을 이용하여 상황 판단.
인지 판단 제어 전체에 대하여 인공지능 모델을 설계하여 주행상황 판단 및 경로 생성, 제어 신호 발생(end to end 자율주행)

17차시 차선 유지/변경 예시를 통한 AI-Based Decision-Making 이해
센서 받은 정보로 제어.

18차시 교차로 상황 예시를 통한 AI-Based Decision-Making 이해
교차로와 같은 복잡한 상황에서 ai 가 도움이 될 수 있음.
rule based 보다 다양한 결과값 도출.
안전성 검증 방법 부족.

19차시 자율주행 자동차의 경로생성 기술 개요

20차시 판단/경로생성에서의 주변환경 인식/자차 위치인식의 중요성
자차 위치 인식이 중요함.

21차시 A* 알고리즘 기초
grid map 상에 8방향으로 장애물을 고려하여 cost 부여.
최단 거리를 구할 수 있음.
22차시 A* 알고리즘 이해

23차시 RRT 알고리즘 기초
랜덤 트리를 발생시켜 경로를 찾는 알고리즘. grid가 필요가 없음. 항상 최단 거리를 찾지는 않음.

24차시 RRT 알고리즘 이해
1번만 실행되는 것이 아니라 실시간으로 운용.

25차시 Reinforcement Learning 기반 경로생성 알고리즘 기초
머신러닝은 비지도, 지도, 강화학습으로 분류됨.
지도학습 : 레이블 된 데이터로 학습
비지도학습 : 레이블 없이 학습
강화학습 : 보상시스템으로 학습

26차시 Reinforcement Learning 기반 경로생성 알고리즘 이해
데이터가 많으면 양질의 학습을 할 수 있음.