자율주행 자동차 : 주변 인식, 판단, 제어 >> 안전하게 스스로 주행이 가능한차
판단 기술의 필요성: 정보는 많지만, 각 정보의 중요도가 상황에 따라 다름~ 우선순위를 정해 주어야 한다
얼마나 권한이 있는지에 따라 다름!
융합 정보의 경우 할거 별로 없지만, 정보가 정확해야하고
개별 센서의 경우 상황별 신뢰도 우선순위를 고려해야함
센서 기반의 한계점을 극복하기 위해 인프라의 정보 중복 제공이 필요하다
V2X(모든것!, V2 I, V , P , N, C 등등!)
주어진 입력에 대해서 정해진 결과를 도출(iF -then)
간단한 상황에서는 괜찮지만, 복잡한 상황에서는 판단 기술 구현의 복잡도가 상승한다
어떤 센서를 어떤 상황에서 신뢰할 것인지, 이런 정보들을 바탕으로 합리적인 규칙 마련이 중요.주행 상황 시나리오별로 적합한 주행 판단이 필요하다.
자율주행자동차는 지도학습과 강화학습에 밀접한 연관성을 가지고 있다
설정 속도로 정속 주행, 앞차와의 간격 유지. 이를 위해서 주변 환경정보가 필요.
센서 입력 정보 기반 : 카메라 센서 >> 차선 정보를 획득하여 내가 중앙에 있는지 확인 // 레이더 >> 앞차의 정보인식, 상대와 나의 상대거리 속도를 판단.
차가 앞에 없으면 정속 // 있으면 유지 // 없어지면 기준 속도 도달 후 정속 주행
변경, 추월 : 360도 전방향 센싱이 필요. 레이다, 라이다, 차선인식을 위한 카메라 등이 필요. >> 이런 센서들을 기반으로 주변 차량의 상대속도, 상대거리 Get
주변환경 정보 센싱 : 목표 차선의 후방, 전방 차량의 거리, 속도를 고려후 가-불 // 혹은 가-감 판단을 내림.
돌발 상황 및 사고상황에 대한 분류, 이해가 필요하다
주행, 정차 가능여부 판단후 연속해서 주행.
RB, AB 모두 접근 가능!
경우의 수가 많아 기술적으로 어려움. 발전 필요!
눈이나 비가 오면 타이어와 바닥의 마찰이 줄어서 안전 사고의 확률이 증가.
이에 따라 주행패턴을 조절해야함
전체적인 센서의 성능이 하락하여 센서 융합이 중요해지고 보수적인 주행이 필요하다
인식 기술 : 레인센서, 슬립 추정, 딥러닝 활용
날씨와 도로 표면 상태 추정을 통해 주행 기준을 마련해야한다!
판단 기술을 구현하는 기술적 방법론
규칙을 정하고 규칙에 따라 자율주행에 관련된 판단을 결정 (작게는 차선 유지 변경, 등의 판단 >> 크게는 실시간 경로 생성)
RB 와 AB간의 장단점이 명확하다. 두가지 방식의 융합 사용도 고려중
차선 유지 달성을 위한 규칙 설정( 센서를 통한 양쪽 차선 인식, 중앙값과 자신의 차와의 비교 등을 바탕으로 판단 >> 경로 생성)
차선 변경 달성을 위한 규칙( 센서를 통한 양쪽 복수 차선 인식 결과, 중앙값 계산 후 경로 후보 생성, 주변 차량 정보 계산, 가능하면 차선 병경 >> 불가능한 경우 차선 유지 )
신호등 색 혹은 V2I로 정보 인식, 주행
신호등에 맞게 운행 외에도 충돌회피 규칙이 필요하다.
안정성을 높이는 방식의 규칙을 우선시 해야한다!
딥러닝과 강화학습등을 활용하여 데이터 기반 학습, 주행상황을 판단하고 맞는 행동을 실행
모든 파트의 기술을 인공지능 기반으로 구현. 단순하게는 차선변경, 추월, 등등 부터 더 나아가서는 실시간으로 최적의 주행 경로를 생성
판단 부분에만 AI 도입하는 방법부터, End to End로 진행하는 방법까지 다양
딥러닝, 강화학습 기반의 경우 판단 모델이 제공된다. 카메라 센서, 라이다, 등으로 부터 차선 정보, 자차위치, 조향각, 가감속 정보등으로 학습.
자차 위치, 양쪽 복수 차선 인식 정보, 주변차량의 거리 속도 정보등을 이용하여 모델 학습.
교차로의 모든 정보를 학습시키려면 너무 방대한 양의 정보가 필요
제한적인 정보만을 이용해서 주변 차량만을 고려, 딥러닝 기반 장면 이해, RB 기반과의 융합등을 고려해 볼 수 있음
AB는 다양한 상황에 대한 대응하기 때문에 가치가 있음. 다만 안정성 검증 방법이 부족하다. 단순한 경우는 RB가 더 우수한 경우도 있음
전역, 지역 경로계획을 위한 경로생성 기술은 필수적임
판단 분야에는 Decision Making 뿐만 아니라, 그렇게 판단된 주행상황에 따른 적합한 경로생성도 가능해야한다.
출발지부터 목적지까지 전체적인 경로를 안내해주는 기술. 네비게이션이라고 보면 편하다
근처 300m ~ 1Km 단위. 안정성과 효율성이 높은 최적의 경로를 선택해야한다.
판단에는 경로 생성이 포함됨! 여러번 언급!
판단 영역에서 주변환경인식이 중요하며, 상대방의 위치 뿐 아니라 속도까지 알게되면 능동적인 충돌 예측이 가능해진다
자차 위치인식 기술은 필수적임
자차 위치 기술에 대한 성능에 따라서 주행상황 판단 및 경로생성 기술이 대응할 수 있는 시나리오가 달라지는 만큼 자차 위치 인식기술은 고도화 되어야 함
Grid Map(격자지도) 상에서 8방향의 방향성에 대해 장애물을 고려하여 cost를 계산하고, 이 cost 비용 최소화르 통해 최적의 길을 찾아내는 알고리즘
Grid의 크기를 설정하는 것이 중요함! 잘게 자르면 제시 가능한 경로의 섬세함은 증가하나, 계산량도 같이 증가함. 환경과 차의 상황에 맞게 적절한 Grid를 설정해주는 것이 중요
A* 알고리즘은 시작지점부터 도착지점까지 8팡향에 대한 Cost를 계속적으로 확장하여 계산하고, 최종적으로 최소의 Cost 설정!
F(총 비용) = G(F 에서 현재 위치 까지의 비용) + H(예상 비용)
경로 탐색 알고리즘으로, 샘플링 기반의 방법이다.
시작점부터 트리를 빠르게 계속적으로 성장시켜 나가 목적지까지 도달할 수 있도록 하는 경로 생성 알고리즘이다.
경로 확장을 위해 Xrand 를 뿌리고 기존 tree에서 가장 가까운 점과 연결하는데 이때 연결 되는 점이 Xnear이다. Xnear로 부터 Xrand 방향의 일정 거리 떨어진 점에 Xnew 생성. Xnew를 기준으로 다시 Xrand를 뿌리면서 확장해 나가는 방식.
이때 목적지에 치우치게 분포를 뿌리게하는 방법이 존재!
로보틱스와 자율주행차등에 활용가능한 범용적 경로생성 기술다!
경로생성 대표 알고리즘으로 샘플링 기반이다. 시작점부터 빠르게 트리를 성장시커 목적지까지 도달하는 것이 목표
차선 변경 및 추월시에 시작지점과 목표지점, 적합한 탐색 영역이 중요함
또한 RRT는 실시간으로 반복적인 수행이 필요한데 이는 자차와 주변차들이 빠르게 변하기 때문
모든 종류의 이동체에 적용 가능한 범용적인 경로 생성 방법이다.
지도, 비지도, 강화 학습 등등
강화 학습이란 어떤 환경(ENV) 안에서 주체(Agent)가 현재의 상태(state)를 관찰하여 선택할 수 있는 행동(Action) 중에서 최대의 보상(Reward)를 가져다 주는 행동이 무엇인지에 대해서 학습하는 것
경로생성을 위한 하나의 방법론이다
차선 유지 시나리오.
여러 가지 상태에 대한 조향 학습을 시켜서 강화학습 시스템을 구축하면, 임의의 환경에서도 경로생성 및 제어 기술을 효과적으로 구현 가능함
양질의 데이터가 많이 확보된다면 강화학습의 판단 성능 고도화가 가능할 것