자율주행 판단 심화

자율주행 판단 심화

                             1.차량센서 관점에서의 자율주행 판단 기술 심화

1.차량 센서의 특성 및 원리

카메라: 사람의 눈과 가장 유사한 센서 형태, 범용적으로 많이 사용되는 센서

장점: 가격이 낮으며, 정보의 양이 많음

단점: 거리정보가 약하고, 조도 변화 즉 빛의 세기 변화에 성능 하락이 발생

카메라 기반 인식 기술 등의 카메라 기반 기술들은 계속적으로 발전할 것으로 예상

라이다:점들의 집합인 point cloud 형태로 데이터가 구성

905mm~1550mm의 짧은 파장으로 공간분해능력이 우수하며, 반사도 정보의 활용이 가능함

장점: 점 단위의 거리 정보로 매우 정확하며, 조도/날씨 변화에 카메라에 비해서는 강인함

단점: 가격 높으며, 카메라에 비해 정보의 양 부족함

레이더: 전자기파를 쏘아서 돌아오는 것을 측정하는 센서

레이더의 파장은 라이다에 비해 훨씬 길기 때문에 라이다에 비해 공간분해능력이 약함

장점: 라이다에 비해 긴 센싱 거리를 가지며, 종방향 센싱 정확함

조도/날씨 변화에 카메라에 비하여 강인함

단점:비금속 물체에 취약하며, 횡방향 센싱이 부정확함

2.센서 융합의 필요성

주행상황에 따라서 센서별 신뢰도가 달라질 수 있고, 각 센서별 단점들이 분명하게 존재하므로 센서 융합은 반드시 필요한 영역

low level fusion: 센서 정보들을 모아서 한번에 종합적으로 물체 인식을 수행

                           성능 극대화를 위해 연구가 필요

high level fusion: 각 센서 정보들의 물체 인식을 따로 수행한 후에 최종적 인식 결과 융합

                         구현이 용이하고 접근성이 높음

                                            2.도로 인프라 관점에서의 판단 기술 심화

1.거시적인 관점에서의 자율주행

자율주행 자동차 시스템 및 운영제어

자율주행자동차 소프트웨어 플랫폼

자율주행 자동차 보안 체계

자율주행 자동차 통신 기술

클라우드 및 디지털 인프라

2.거시적인 관점에서의 자율주행 항목별 이해

자율주행차 보안체계

-차량 내부적으로 주행의 안전과 관련된 부분은 별도로 처리하여, 주행차에 관해서는 직접적인 해킹을 못하도록 하는 구조화 작업이 필요

자율주행자동차의 통신 기술

-차량과 모든 것들이 연결되어 정보의 양방향 공유가 실시간으로 가능하도록 하는 상태

클라우드 및 디지털 인프라

-하나의 예로 차량 센서를 이용하여 센서 정보를 클라우드에 업로드하고 , 클라우드는 정밀지도 업데이트

                                        3.rule-based approach 기반 판단 기술 심화

1.rule-based approach의 개념과 상황별 예시

rule-based decision-making

주어진 입력에 대해서 결과값을 도출하는 방법으로 확고한 규칙에 따라서 결과값을 결정

규칙 기반 의사결정을 할 수 있으므로, 주행 상황에 맞는 규칙을 설정하여 그에 맞는 주행을 적합하게 정할 수 있다면, 자율주행 판단 기술에 활용 가능

rule-based approach 기반 판단에 관한 예시

간단한 고속도로환경: 자차의 속도/전방 차량의 속도/자차와 전방 차량의 거리만 고려하여 앞차와의 거리 유지를 하는 기술을 구현

복잡한 도심 환경: 주변 차량 거리 및 속도 정보, 각종 신호등 정보, 보해자/자전거/오토바이 정보 등 고려할 물체 및 정보들이 굉장히 다양해짐

2.rule-based approach의 특성에 따른 적합한 대상 환경

입력 변수 정의→ 입력 변수들로 규칙을 설정 → 규칙에 따른 결과 행동을 정의

현실세계에는 입력 정보가 작은 개수가 아닌 경우가 많으므로, 규칙 증가

규칙과 결과 사이의 관계가 불명확하다면 rule-based approach 설계를 고도화해야 하고 ai-based approach 등을 고려하는 것도 하나의 방법

                                         4.rule-based approach 기반 판단 기술 심화

1.ai-based approach 의 개념과 상황별 예시

ai-based decision-making: 딥러닝/강화학습 등을 활용하여 주행 데이터를 학습하여 주행상황을 판단하고, 그에 맞는 행동을 실행

인공지능 기반 의사결정을 할 수 있으므로, 주행 상황에 맞는 인공지능 기반

판단 모델을 설계 및 학습시킨다면 자율주행 판단 기술에 활용

.ai-based approach 기반 판단에 관한 예시

간단한 고속도로 환경: 일정 거리 이상으로 전방차량과 가까워지면 감속하는 행동에 reward를 할당하고, 반대로 전방차량과 너무 멀어지면 가속하는 행동에 reward를 할당

복잡한 도심 환경: 복잡한 상황을 대응하는 인공지능 모델을 만들려면 상황에 따른 많은 수의 입력정보들이 필요하며, 따라서 종류별로 방대한 학습 데이터가 필요

2.데이터와 인공지능 모델 성능 간의 상관관계

모든 인공지능 모델에는 학습데이터가 필요

동일한 네트워크라면 양질의 학습 데이터를 이용하여 많이 학습시킬수록 성능이 향상될 가능성 증가

제한적인 학습 데이터를 기반으로 데이터 증폭 효과를 만드는 것들에 대한 연구 진행 중

인식 기술과 판단 기술의 성능 향상을 위하여 다양한 물체/환경에 대한 데이터가 필요

-데이터를 많이 얻을 수록 성능 향상에 유리함

-데이터 확보 및 라벨링 작업 등 데이터 확보에 시간 및 인력이 많이 소비됨

-최근에는 자율주행 분야에서도 데이터 증폭 방법, 자동 데이터 생성 방법 및 가상 데이터 기반 데이터 확보 방법 등이 많은 연구가 활발하게 진행 중

                                             5.차선 유지 주행 판단 심화

1.차선 유지 주행 판단 개념과 기술 원리

ADAS 기능이란?

LKAS(Lane Keeping Assist System)기능을 포함하는 차선 유지 보조 시스템

차선 유지 주행 판단을 위한 기술 원리

-카메라, 레이더, 라이다 등을 통해 외부 환경 정보 중 자차가 달리는 차선의 정보와 전방 차량의 거리/속도 정보를 실시간으로 획득하여 차선 유지에 관한 주행 판단을 진행함

2.현재 차선 유지 보조 시스템 기술 원리와 개선 방안

현재 차선 유지 보조 시스템 기술의 원리

-카메라 센서: 차선 정보 인식으로 차선의 중앙 주행 여부를 판단함

-레이더 센서: 넓은 측정 거리 바탕으로 전방 차량의 거리/속도 정보를 인식하여 자차와의 상대 거리, 상대속도를 얻음

-보조시스템: 자율 주행이 아닌 운전자의 운전을 보조하는 시스템

보조 시스템이 차선 유지 자율주행이 되기 위한 개선 방안

-라이다 센서를 추가 활용하여 차선 인식 부분에 활용

-V2V통신 기술을 통하여 전방 차량 인식 기술에 활용

                                      6.차선 변경/추월 주행 판단 심화

1.차선 변경을 위한 주행 판단 개념과 기술 원리

차선 변경을 위한 주행 판단 개념

-주행 시 차선 유지 행위 다음으로 가장 많이 실행되는 행동

-전방 차량의 서행/정차 등으로 인한 차선 변경 진행

차선 변경 주행 판단을 위한 기술 원리

-목표 차선 전방 차량과 후방 챠량의 거리,속도 측정

-목표 차선 전방 차량과 후방 차량의 거리, 속도 측정 후 차선 변경 가능 여부 판단

차선 변경 시 진입에 필요한 속도 계산 후 차선 변경 실행

2.다차선 도로 차선 변경 예시와 개선 방안

다차선 도로 차선 변경 가능 여부

-주변 차량의 상대거리 및 속도에 따라 차선 변경에 대한 주행 판단 가능

-Real-time detection과 tracking 을 적용한 안정적인 기술 마련 필요

V2V 통신 기술 기반 안전성 개선 방안

V2V 통신 기반의 기술을 활용하여 360도 전 방향 센서 기반 인식 정보와 함께 전 방향의 차량들과 통신을 통해 차량 간의 거리, 속도를 정확하게 공유할 수 있다면 매우 강력한 인식 기술 효과를 가져올 수 있음

                                             7.교차로/좌, 우회전 주행 판단 심화

1.교차로/좌, 우회전 주행 판단 개념과 기술 원리

교차로 및 좌,우회전 시나리오

-차량 외 많은 동적 물체와 여러가지 교통 신호등 및 표지판을 이해해야 하기 때문에 쉽지 않은 주행상황

-고려 정보가 많아질수록 자율주행 자동차의 입력 정보가 많아 단순 알고리즘으로 대응 불가

-복잡한 교차로 상황의 경우 다양한 정보를 우선순위로 나누어 상황별로 적절하게 사용하여 판단할 수 있는가가 중요함

자율주행 차량의 교차로 좌,우회전 원리

-교차로 진입 초기 단계: 도로교통 신호등 및 횡단보도 신호등 인식, 주변 차량 거리 및 속도 인식, 충돌 예측 필요

-교차로 진입 중앙 단계: 주변차량과의 거리 및 속도 기반 협력 주행, 가상 경로 기술 구현 필요, 충돌 예측 필요

-교차로 진입 마무리 단계: 도로교통 신호등 및 횡단보도 신호등 인식, 주변 차량 거리 및 속도 인식, 충돌 예측 필요

2.교차로 좌회전 시나리오 시 V2X 기술 효용성

V2V: 차량 간의 거리 및 속도 공유

V2I: 신호등 정보 공유

V2P: 보행자와의 위치 및 속도 공유

                                        8.돌발상황/사고상황을 위한 주행 판단 심화

1.돌발상황/사고상황을 위한 주행 판단 개념

돌발상황/사고상황 주행

-난이도가 높은 시나리오 중 하나

-주어지는 상황 자체가 굉장히 다양하기 때문에 모든 경우를 대응할 수 있는 주행 판단 알고리즘 필요

2.돌발상황/사고상황을 위한 주행 판단 방법론

Rule-Based Decision-Making 방식

-5개의 규칙이 있고, 대표적인 4개의 경우가 있다고 강정할 때 4개의 경우는 행동을 따로 설정함

-나머지 1개의 경우 예외처리 개념을 도입함: 예외 상황에 대해서는 안전성을 위하여 전부 주행 정지 명령을 내리는 간단한 대응 가능

AI-Based Decision-Making 방식

-딥러닝 모델을 학습시켜 다양한 영상 장면에 대한 결과값들을 종류별로 얻을 수 있음

-Rule-Based Decision-Making 방식에 비해 학습데이터 확보만 가능하다면 굉장히 폭 넓은 경우에 대한 주행 판단이 가능한 인공지능 모델을 만들 수 있음

                                         9.열악한 날씨상황 주행 판단 심화

1.열악한 날씨상황을 위한 주행 판단 개념

열악한 날씨에 맑은 날씨와 같은 운전방식으로 운전을 할 경우

운전자의 주행 특성에 따라 안전성이 심각하게 하락할 수 있음

사람이 눈으로 날씨를 판단하고, 날씨가 열악한 정도에 따라 주행을 안전하게 하는 대응을 자율주행 센서를 이용해서 시스템이 날씨를 판단하고, 주행의 안전성을 높이는 자율주행 구현이 핵심임

2.열악한 날씨상황을 위한 주행 판단 방법론

날씨상황 인식을 위한 3가지 방법론

방법1: 기존에 탑재된 레인 센서 활용

방법2: 슬립 추정 방식 활용

방법3: 카메라, 라이다 센서 기반의 딥러닝 기술 활용

인공지능 기반 날씨상황 인식 및 주행 판단 활용

-날씨상황 인식 뿐만 아니라 날씨상황에 따른 주행 행동을 다루는 딥러닝 네트워크 필요

-날씨 인식, 카메라 영상 , 도로 마찰계수, 권장 속도 등을 계산한 섬세한 주행 조절 가능할 것으로 예상

                                       10.V2X 정보 기반 주행 판단 개념과 기술

1.V2X 정보 기반 주행 판단 개념

-센서 기반의 인식 기술의 정확도 한계 및 센서 고장, 항상성 문제로 자율주행의 안전성 향상을 위해 통신 기반의 중복적 정보 필수

V2V,V2I,V2P,V2N,V2C등

V2P기술: 차량과 보행자 간의 통신

V2C 기술: 차량과 클라우드 간의 통신

2.V2X 통신 기반 자율주행의 한계

통신망을 활용한 자율주행 방식은 모든 주체들에 통신 단말기가 있어야 한다는 가정이 필요함

센서 기반의 차량 주체적인 인식 기술은 반드시 필수적으로 필요한 부분

근 미래 차량은 센서 기반의 인식 기술과 통신 기반의 정보를 공유 받을 수 있는 부분을 함께 정보 융합하여 자율주행에 활용하게 될 것

                                      [11. Fail](<http://11.Fail>) safe 주행 판단 심화

1.Fail safe에 대한 주행 판단 개념

차량에서 fail safe의 정의

차량 주행 중 차량 일부에 결함 또는 고장이 발생했을 때, 다른 안전장치가 작동하여 결정적인 사고나 파괴를 예방하는 장치

2.fail safe의 3단계

1단계 fail safe : 부품이 고장나면 운행 통상 정지

2단계 fail active: 부품이 고장 나면 경보를 울리며 짧은 시간 동안 운전 가능

3단계 fail operational : 추후 보수가 될 때까지 기능 유지

                                         12.라이다 슬램 기반 정밀지도 생성 방법론

1.라이다의 개념

라이다: Light detection and ranging의 약자

         레이저를 쏘아서 거리를 측정하는 센서

         수많은 레이저 포인트들의 집합을 의미하는 point cloud 데이터 확보 가능

라이다의 역할: 3차원 물체 인식

                     지도생성 및 자차 위치 인식

2.slam의 개념

slam: simulation localization and mapping의 약자

매핑과 로컬라이제이션을 동시에 하는 알고리즘

라이다 슬램: 자율주행 차량에 필요한 라이다 기반 정밀지도를 만들 때 필요한 정보는 차량의 imu등의 odometry 정보와 gps 정보, 라이다 스캔 정보 등임

정보들을 활용하여 슬램 알고리즘 기반으로 라이다 스캔 최적화와 차량의 정밀한 위치정보 추정을 수행하게 되면, 현실세계와 매우 유사한 라이다 정밀지도를 생성할 수 있음

                                         13.자율주행에서의 위치인식 방법론

1.자율주행에서의 위치인식과 gps 종류에 따른 개념

자율주행에서의 위치인식 개념

자율주행에서 위치인식 기술은 로컬라이제이션 기술이라고 불리며 자차의 위치를 높은 정확도로 인식하는 기술을 의미함

라이다기반 위치인식은 라이다로 만든 정밀지도 상에서 실시간 라이다 스캔 정보를 이용하여 자차의 위치인식을 수행하는 것

gps종류에 따른 개념

dgps: 1주기 300m, 1~5m정도의 정밀도를 가짐

rtk-gps: 1주기 19cm, 1~3cm정도의 정밀도를 가짐

2.라이다 기반 위치인식 기술적 원리

라이다 기반의 위치인식

-스캔 매칭또는 맵 매칭이라고 불리는 방식을 이용하여 정밀지도 상에서 맵 정보와 자차의 라이다 스캔 데이터를 실시간으로 비교하여 자차의 위치인식 진행

스캔 매칭

-라이다 스캔을 정밀지도에 대입해 일치율을 계산하여 위치를 역산하여 자차 위치를 추정하는 것

-대표적 방식: ict방식, ndt 방식

                                 14.카메라 슬램 기반 정밀지도 생성 방법론

1.슬램의 개념과 2개의 센서 기반 슬램 비교 분석

슬램

-지도 생성 및 위치 인식을 동시에 해나가는 알고리즘

-슬램을 통한 현실세계와 흡사한 정밀지도 생성 필요

2가지 센서를 이용한 정밀지도 생성

-라이다 기반: 라이다 스캔 데이터들을 모아서 포인트 클라우드 정보로 만들어 정밀지도 생성

-카메라 기반: 영상의 피쳐 또는 픽셀 정보 추출 후 정밀지도 생성

-슬램 전반부 과정은 차이가 존재하나, 슬램 후반부 과정의 원리는 유사함

2.feature-based 방식과 direct method 방식

feature-based 방식

-대표적인 슬램 알고리즘 orb-slam

-슬램에 활용하기 위한 영상의 피쳐를 추출하여 사용하는 방식

direct method

-대표적인 알고리즘 lsd-slam

-입력 영상이 들어오면 별도의 피쳐 추출 기반 미챙 과정이 없음

-피쳐 추출 과정 대신에 입력 영상의 엣지와 같은 특징적인 영역을 피쳐링을 통해 구분하여 픽셀들의 정보를 활용함

-세미 덴스 방식이라고도 불림

                                          15.카메라 기반 위치인식 방법론

1.카메라 기반 위치인식 기술 개념

정의

-카메라 영상 데이터를 기반으로 제작한 정밀지도 상에서 자차에 실시간으로 들어오는 영상 데이터를 활용하여 위치인식, 로컬라이제이션을 하는 기술을 의미

라이다와 마찬가지로 cm영역의 위치인식 정확도를 확보하는 것이 중요

정밀지도 생성 방식에 따른 위치인식

-feature-based방식, direct 방식

-slam을 통해 제작한 정밀지도 상에서 slam 전반부 처리와 비슷한 과정을 통해 영상 기반 위치인식을 하는 것이 가능

단점: 영상의 특성상 조도 변화 및 날씨 변화에 성능이 하락할 수 있음

장점: 라이다에 비해 매우 싼 가격의 센서, 사람의 눈과 매우 유사한 표현 방식

2.카메라 기반 위치인식 기술 원리

개요

-라이다 지도 기반 위치인식과 마찬가지로 카메라 기반으로도 정밀지도 상에서 위치인식이 가능

-유의사항: 지도를 생성한 방법과 일치하는 방식을 통해 위치인식을 진행해야함

Feature-based 방식 관점에서의 위치인식 원리

-카메라의 경우도 라이다 스캔 매칭, 맵매칭 방식과 원리는 비슷함

-feature 들과 map point 와의 매칭을 통해 카메라 기반 정밀 지도상에서 실시간 카메라 입력 기반으로 위치인식을 할 수 있음

카메라 기반의 위치인식을 위해서는 정밀지도에 특징적인 정보가 많고, 위치인식 시에도 실시간으로 영상을 처리해서 나오는 feature 정보가 많아야 어느 정도 이상의 성능을 확보할 수 있음

                                                                  16.A*알고리즘

1.A*알고리즘 개념

주어진 출발 꼭짓점에서부터 목표 꼭짓점까지 가는 최단 경로를 찾아내는 그래프/트리 탐색 알고리즘

격자지도 상에서 8방향의 방향성에 대해 장애물을 고려하여 cost를 계산하고, 이 cost 비용 최소화를 통해 최적의 길을 찾아내는 알고리즘

A*알고리즘 활용분야

-자율주행차

-여러 분야의 범용 애플리케이션

2.A*알고리즘 원리

A*알고리즘의 4가지 단계

-탐색 영역 파악

-탐색 시작 영역에 대한 경로 채점

-탐색 영역 확장하여 계속적 탐색

-경로 선택

계속적으로 이 과정을 최대한 빨리 반복하여 주변상황 변화 및 내 차의 위치 변화에 대응할 수 있는 실시간 경로생성 기술을 확보해야 하는 것이 중요함

그래프/탐색 알고리즘의 대해서 공부해보는 것도 A*알고리즘을 이해하는데 있어서 좋은 학습 방법이다.

                                                        17.RRT알고리즘 심화

1.RRT알고리즘 개념 및 원리

개념

-무작위 샘플링을 사용하여 고차원의 구성공간을 탐색하는 경로 계획 알고리즘

-샘플 포인트들을 주변에 뿌리면서 계속적으로 확장하여 어떠한 공간에 대한 경로후보들을 생성하고, 그 중 최단 거리와 같은 최적의 경로를 선택하는 알고리즘을 의미함

원리

-시작점과 목적지가 정해지면 반복적으로 구성 공간 내에서 임의의점 한점 Xrand를 뽑고 초기에 시작점으로만 구성되어 있는 검색 트리 T를 확장해 나가는 방식

장애물 회피

-주변 샘플링 포인트를 랜덤으로 뿌리는 방식이므로 포인트를 뿌리는 방식 조절 가능

-따라서 가장 간단한 방법은 장애물 샘플링 포인트를 뿌리지 않는 것임

RRT알고리즘을 통해 장애물을 피해가는 경로를 생성하는 경우에 장애물 인식 범위를 좀 더 크게 키워주는 작업이 필요함

-장애물 인식 영역을 너무 딱 맞게 설정하여 경로를 찾게 되면 차량의 크기 등으로 인해 장애물과 충돌을 해버릴 수도 있기 때문임

2.RRT알고리즘 적용

자율주행 관점에서 RRT알고리즘 적용

-내 차가 현재 있는 위치를 Xinit로 생각하고, 카메라/라이다/레이더를 통해 얻은 주변 환경의 동적/정적 물체들을 장애물로 생각하고 있음

자차의 위치인 Xinit를 시작으로 일정 탐색 영역을 지정하여 RRT알고리즘을 통해 주행할 수 있는 경로들을 실시간으로 생성 가능

RRT알고리즘과 샘플링 포인트를 뿌리는 방법에 대한 성능

-RRT알고리즘은 샘플링 포인트를 어떻게 뿌리는가에 따라서 성능이 달라지게 됨

-샘플링 랜텀 포인트를 많이 뿌리는 경우: 섬세한 경로를 얻을 수 있는 장점이 있는 반면, 점의 개수가 많으므로 계산량이 많아지게 됨

-샘플링 랜덤 포인트를 적게 뿌리는 경우: 섬세한 경로를 얻을수는 없지만 점의 개수가 적어서 계산량이 적어져서 실시간성이 높아짐

                                                       18..RRT*알고리즘 

1.RRT알고리즘에서 발전한 RRT*알고리즘

RRT알고리즘은 무작위 샘플링을 사용하여 고차원의 구성공간을 탐색하는 경로 알고리즘

RRT알고리즘의 장점

-무작위 샘플링 기반으로 점을 확장해 나가므로 공간에 대한 경로부호들을 얻을 수 있음

-경로후보들 중에서 목적에 부합하는 경로를 선택할 수 있음

RRT알고리즘의 단점

-최종적으로 선택된 Path가 최적이라고 단정 지을 수는 없음

-이러한 동기로 RRT알고리즘을 Optimality 측면에서 개선시킨 RRT*알고리즘이 나오게 됨

2.RRT알고리즘과 RRT*알고리즘 비교 분석

비교분석

-RRT알고리즘은 랜덤 샘플링 기반이므로 최적성이 보장이 되지 않음

-RRT알고리즘을 통해 장매울 회피 등의 실시간 경로 생성은 가능하지만 이렇게 생성된 경로가 최적이라는 보자이 없다는 것을 의미

-RRT*알고리즘은 RRT알고리즘의 한계점을 보완하기 위하여 최적성을 향상시킨 것

RRT*알고리즘만의 차별점

-최적 이동계획을 위한 비용함수의 도입

-새로운 state를 뽑을 때마다 new state의 neighbor 들을 optimal path로 rewiring 작업 추가

                                                          19.강화학습 심화

1.강화학습의 개념

강화학습이란?

-어떤 환경 안에서 정의된 주체가 현재의 상태를 관찰하여 선택할 수 있는 행동들 중에서 가장 최대의 보상을 가져다 주는 행동이 무엇인지에 대해서 학습

-인공지능 기반 의사결정을 할 수 있으므로, 주행 상황에 맞는 인공지능 기반 판단 모델을 설계 및 학습시킨다면 자율주행 판단 기술에 활용

주체 agent

상태 state

행동 action

보상 reward

2.policy, value function, model 심화

policy: agent 의 행동 패턴으로 주어진 state에서 어떤 action 을 취할지를 결정

        determinsitic policy stochastic policy

value function: state와 action에 대하여 어느 정도의 reward를 돌려줄 지에 대한 예측 함수

model: 환경의 다음 state와 reward가 어떻게 될지에 대한 agent의 예상

         model based 강화학습

         model free 강화학습

         value function이 완벽하다면 최적의 policy를 찾게 됨

         policy가 완벽하다면 value function이 꼭 필요하지 않음

                        20.강화학습 기반 경로생성 알고리즘 심화

1.자율주행을 구현하기 위한 기술적 방법론

인지/판단/제어 기술을 나눠서 구현하고, 각 기술의 성능을 고도화하여 통합적인 시스템을 만드는 방식

-현재는 대부분의 많은 OEM/연구소들에서 연구되는 방식

-오류 검증과 안전성 검증에 유리하고, 인과관계가 명확함

End-to-end방식

-카메라/라이다/레이다와 같은 센서 입력을 넣으면 인공지능 모델을 통해 최종적인 조향각 또는 가감속 정보가 바로 나오게 되는 방식

-AI기술이 발전됨에 따라 END-TO-END 학습 방식의 자율주행 연구도 활발하게 진행

2.END-TO-END 학습 방식의 자율주행

모방학습

-숙련된 운전자의 주행 패턴을 따라하는 모방학습을 통해 자율주행을 구현

-숙련된 운전자의 데이터 확보를 위해 운전을 할 때, 차량의 영상 데이터뿐만 아니라 조향각도/엑셀/브레이크 드으이 정보들을 같이 확보

-별도의 라벨링이 필요없음

강화학습

-시뮬레이터 또는 운전자 수동주행을 통해 강화학습 기반으로 합리적인 주행이 가능하도록 진화하는 모델을 만드는 방식

-행동에 따른 보상체계를 수립하여, 자율주행 차량이 보상을 극대화하는 최적의 행동을 하게 함