- 카메라 센서 : 빛을 전기적 신호로 변환하여 주변에 대한 정보를 2차원 배열 형태로 제공하는 자율주행 센서
- 레이더(RADAR) 센서 : 전자기파인 RF 신호를 송출하고 목표물에 반사하는 수신파를 분석하여 물체의 거리, 각도, 속도 등의 정보를 얻어냄
- 라이다(Lidar) 센서: 고출력의 펄스레이저를 송출하여 물체에서 반사되어 오는 식나차를 분석하여 3차원 공간을 스캐닝함
Field of View(FoV)의 제한으로 주변 정보(360도, 전방 200m)를 얻기 위해 다중 센서 사용
카메라 센서
장점 : CCD 또는 CMOS 센서 사용으로 해상도가 높음, 주변 환경에 대한 색상, 형태 정보 제공, 상대적으로 저렴한 가격
단점 : 날씨, 밝기 변화에 민감, 밤에 성능 저하. 정확한 거리, 속도 정볼르 제공하지 못함, 높은 해상도로 센서 신호 처리 시 계산량이 많음
레이다(RADAR) 센서
장점 : 환경 변화에 강함, 거리 측정 정확도가 높음, 상대적으로 저렴한 가격
단점 : 횡방향 물체 위치 측정 시 정확도 낮음, 장애물에 의한 신호에 의한 현상(clutter)으로 정확도 낮음
라이다(Lidar) 센서
장점 : 거리, 각도 측정 정확도가 높음, 날씨, 습도, 밝기 등의 환경 변화에 강함
단점 : 상대적으로 비싼 가격, 습기가 있을 경우 수신 신호의 세기가 약해짐
- 동적 객체의 검출 및 추적 : 센서 신호를 분석하여 다수의 주변 동적 객체를 검출하고, 매시점마다 얻은 검출 결과를 시간적으로 연결하여 추적
- 동적 객체의 거동 예측 : 동적 객체의 시간적인 움직임을 분석하여 미래의 움직임 추정
- 정적 객체의 검출, 인식 : 정적 환경 객체의 위치와 종류를 식별
자율주행차 인지 기술
- 자율주행을 위해 센서로 부터 얻은 신호를 분석하여 차량 주변의 환경에 대한 정보를 얻는 과정
- 자율주행에서의 주변 환경 요소 : 동적 환경 객체, 정적 환경 객체
인지 기술에서 해야 할 일
동적 객체의 검출 및 추적
- 동적 객체의 검출 : 센서 신호를 분석하여 주변 동적 객체의 위치와 종류 판별
- 동적 객체의 추적 : 매 시점마다 얻은 검출 결과를 시간적으로 연결하여 추적
동적 객체의 거동 예측 - 동적 객체의 시간적인 움직임을 분석하여 미래의 움직임 추정
정적 객체 검출 - 정적 객체의 위치와 종류 식별
- 인지의 강인성과 정확도 향상 : 다양한 환경 변화에 강인한 인지 정확도 달성, 교통상황, 도로상황과 같은 문맥적 정보 이해
- 동적 객체의 다양한 행동 분석 및 환경 변화 적응 : 주변 동적 객체의 다양한 행동패턴과 의도를 분석, 예측, 새로운 객체와 변화하는 환경에 적응
- 인지기능 통합 설계 및 실시간 하드웨어 구현 : 검출/추적/예측의 인지 기능의 통합 설계 및 최적화, 통합 인지 기능의 실시간 하드웨어 구현
- AI 기술(인공지능 기술) : 사람이 갖고 있는 지능을 기계로 구현하기 위한 기술
- 머신러닝 : 데이터를 통해 학습하는 방식으로 지능을 구현하는 기술
- 딥러닝 : 머신러닝 기술을 하기 위해 필요한 모델 중 하나, 사람의 뉴런을 모사하는 신경망 구조를 가지고 있음
- 딥러닝 모델의 신경망 구조
- 딥러닝 : 센서 데이터를 입력받아 원하는 결과를 출력
- Feed-forward 신경망 구조
- 딥러닝 학습 과정
- 트레이닝: 수많은 학습 데이터를 보여주고 정답을 제대로 낼 수있도록 신경망의 연결여부를 결정해주는 과정
- 인피던스 : 트레이닝이 끝나면 딥러닝 모델을 자율주행차에 탑재하여 실제 인지 기능 수행
- 인지를 위한 딥러닝 기술
- Convolutional Neural Network(CNN) : 카메라 영상을 입력으로 하여 원하는 결과를 냄, 2차원 배열 데이터를 처리하기에 유리한 구조, 카메라 영상을 기반으로 동적 객체와 정적 객체 검출
- Recurrent Neural Network(RNN) : 시간적으로 순차적으로 들어오는 데이터를 입력으로 하여 원하는 출력을 얻어냄, 음성인식, 자연어처리, 시계열 데이터 분석 등에 사용, 주변 동적 객체의 과거 경로로부터 미래 경로 예측 등에 사용, 특히 Long Short Term Memory(LSTM) 모델이 유명함
