자율주행자동차를 위한 주차공간 및 신호등의 통합 심층 및 기계학습 인식

Abstract

오늘날, 자동차는 이동수단 뛰어넘어 가치창출의 공간으로 그 역할이 확대되고 있다. 이러한 변화의 중심에 자율주행기술은 핵심적인 원동력으로 작용하고 있다. 왜냐하면 자율주행자동차가 보다 높은 수준의 안전뿐만 아니라 편의성을 운전자에게 제공해 줄 수 있기 때문이다. 운전자의 개입이 없는 자율운행은 운전자에게 여분의 시간을 제공하게 되고 운전자는 그 시간을 활용하여 매우 다양한 방식으로 새로운 가치창출을 할 수 있게 된다. 이러한 흐름의 파급효과는 우리의 삶과 문화를 바꾸어 놓을 것이다. 최근, 다수의 기업들이 자율주행자동차 연구에 많은 관심을 쏟고 있는 것도 이 때문이다. 자율주행을 실현하기 위해서는 주변환경인식, 위치추정, 주행경로생성 및 차량제어 등 다양한 기술들이 필요하다. 그 중, 주변환경인식은 그 중요도가 매우 높다. 왜냐하면 주행환경에 대한 정확한 인식기술 없이는 자동차는 움직일 수 없기 때문이다. 그러나 주행환경 내 인식해야 하는 물체가 매우 다양하고, 도로 상태나 규제 등이 나라별로 다르다. 그러한 다양성이 강인한 주변환경인식을 저해하는 큰 요인이 된다. 따라서, 본 논문에서는 자율주행의 핵심 어플리케이션인 주차공간검출과 신호등인식에 집중하고자 한다. 주차공간검출 연구에서는 어라운드 뷰 모니터링 시스템(Around View Monitoring System) 기반 의미론적 분할을 위한 Full Convolutional Network를 제안한다. 제안된 방법은 거리센서나 3차원 복원 알고리즘이 없이 자율주차를 위한 주행가능공간, 도로표식, 차량 및 다른 장애물을 한번에 인식할 수 있다. 뿐만 아니라, 도로표식으로 구성된 빈 슬롯과 주변 장애물로 형성된 빈 공간을 센서융합 없이 주차가능공간으로 동시에 인식할 수 있는 수직 그리드(Vertical Grid) 기반 인코딩(Encoding) 방법을 제안한다. 실외 및 실내 주차장에서 취득한 75개의 다양한 주차 시나리오에서 수행된 검증실험을 통해 96.35%의 정밀도와 92.96%의 재현율로 주차 공간을 인식할 수 있음을 입증하였고 시스템 강건성을 보여주었다. 신호등인식 연구에서는 기계 학습, 고정밀 지도와 측위 정보를 매 인식과정에서 사용하는 정보융합구조를 제안한다. 제안된 방법을 통해 경사 구간에서도 관심영역을 효율적으로 제한할 수 있고 신호등 검출을 위한 인식모듈을 개별적으로 설계 및 구현할 수 있다. 더불어, 적응형 추적방법은 도로주행환경에서도 신호등의 상태를 끊김 없이 추정할 수 있다. 실험 검증을 통해 제안된 시스템이 98.78%의 정밀도, 92.73%의 재현율, 그리고 95.52%의 정확도로 10.02 ~ 81.21 m 이내의 신호등을 인식할 수 있음을 보였다.; Beyond a means of transportation, automobiles have become spaces for value creation. At the heart of such changes, autonomous driving technology is a crucial driving force. Autonomous vehicles can not only provide a high level of safety but also provide convenience to drivers. Driving without human intervention will give extra time to drivers and they will create new valuable things in many different ways. The ripple effects of the trends will change our life and culture. This is a reason why many companies are interested in autonomous vehicles in recent days. To realize autonomous driving, various technologies are required such as perception, localization, path planning, and vehicle control. Among them, environmental perception is a fundamental and crucial task. Without the interpretation of surrounding environment, the vehicle cannot move. However, the driving environment contains various objects we have to recognize. Also, diverse road conditions are different from country to country. Such diversity is a main reason to disturb the robust perception. Thus, this dissertation concentrates on parking space detection and traffic light recognition, which are key applications for autonomous driving. In parking space detection, we propose a full convolutional network for semantic segmentation that can identify free space, marker, vehicle, and other objects at once for auto parking without range sensor or 3D reconstruction algorithm. Furthermore, we suggest vertical grid encoding method to detect unoccupied slots formed by parking slot marking and empty spaces formed by surrounding static objects simultaneously without sensor fusion. Experimental results show the robustness of the proposed method in 75 different parking scenarios that include challenging conditions in outdoors and indoors. Precision 96.35%, and recall 92.96% rates are achieved. In traffic light recognition, we propose information convergence architecture exploiting machine learning, high definition map, and localization at every stage. The proposed method can generate precise region of interest even in slanted road, and enable the independent design and implementation of individual recognition modules for detection. Also, adaptive tracking enables seamless state estimation of traffic light. The experimental results show that the proposed system can recognize traffic lights with 98.68% precision, 92.73% recall, and 95.52% accuracy in the 10.02 ~ 81.21 m range.