• 목록

도심 자율 주행에서 적용 가능한 측위, 인식, 판단, 제어, 시스템 관리 등의 선행 기술 개발 및 검증을 위해 자율 주행 검증 테스트베드인 K-City에서의 실험 진행

확장 가능성이 제한된 기존 규칙 기반 방법론을 탈피하여, 다양한 도심 주행 상황에 확장 가능한 인간 수준의 학습 기반 방법론 개발을 목표로 함

- Learning-based real-time 3D object detection using LiDAR point cloud: Point Pillars를 활용하여 자율 주행 시스템의 real-time constraint를 만족시키면서 occlusion 및 noise에 강건한 3d object detection algorithm 개발

- Trajectory prediction based on maneuver recognition & lane detection: lane detection을 통해 lane을 검출하고, lane의 상태공간과 타 차량의 위치 및 속도 벡터의 시계열 데이터의 covariance matrix를 학습함으로써 타 차량의 미래 주행 경로 예측하는 기술 개발 

- LPPNet – Local Path Planning Network: 규칙 기반 방법론이 주를 이루던 기존 local path planning algorithm이 사전 정의된 규칙을 벗어나는 상황에 대해 대응하지 못하는 한계점을 극복하기 위해 expert driver의 주행 데이터를 이용하여 인간의 내재적 판단에 의한 주행 경로 생성을 모방하도록 학습하는 학습 기반 Local Path Planning Network 개발

- Self-Balancing Online Dataset for Incremental Driving Intelligence: 주행 데이터가 불가피하게 일반적인 주행상황에 편향되어 사고 및 위험 상황에 대한 데이터가 데이터셋 내의 비중이 적어 학습 기반 방법론들이 특정 상황에 편향되는 것을 막기 위해 데이터의 분포를 고려하여 데이터셋 내의 다양한 상황의 데이터를 균등하게 유지하는 Self-Balancing Online Dataset 기술 개발