위험 시나리오 생성 방법론을 이용한 합성곱 신경망 기반 충돌 회피 전략 판단 및 제어 알고리즘 개발 : 위험 시나리오 생성 방법론을 이용한 합성곱 신경망 기반 충돌 회피 전략 판단 및 제어 알고리즘 개발
Convolutional Neural Network-based Collision Avoidance Strategy Decision and Control with a Framework of Safety- critical Scenarios Generation
- 주제(키워드) safety-critical scenario , collision aviodance , decision-making , lateral control
- 주제(DDC) 621.8
- 발행기관 아주대학교 일반대학원
- 지도교수 송봉섭
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 박사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000033744
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 논문에서는 충돌 회피 알고리즘 개발을 위한 위험 시나리오 생성 방법론 과 충돌 회피를 위한 판단 및 제어 알고리즘을 제안한다. 먼저 위험 시나리오 생성을 위해서 사고 데이터를 기반으로 기본 시나리오를 정의하였으며, 기본 시나리오에 상수 공간을 반영하여 상세 시나리오를 생성한다. 기계학습 기법을 이용하여 생성된 상세 시나리오에서 사고가 일어나지 않는 시나리오들을 줄여내 감으로서 위험 시나리오들을 탐색하는 알고리즘을 제안한다. 탐색된 위험 시나리오들은 판단 및 제어 알고리즘을 설계하고 검증하는데 이용된다. 또한, 충돌 회피를 판단을 위해서 딥러닝 기반의 판단 알고리즘과 물리 기반의 알고리즘을 통합한 형태의 회피 전략 판단 알고리즘을 제안한다. 추상화를 통해서 물리 기반의 알고리즘의 출력을 CNN 의 입력으로 이용함으로써 서로 다른 알고리즘을 통합하였고, 최종적으로 충돌 위험이 있는 경우에 회피할 수 있는 전략을 선택한다. 마지막을 모델 예측 제어 및 동적 표면 제어 기법을 기반으로 횡방향 제어기를 설계하고 시뮬레이션과 실차 검증을 통해서 판단 및 제어 알고리즘들을 검증한다. 실차 검증은 취득된 실차 데이터뿐만 아니라, 시뮬레이터 데이터를 실도로 주행중 실시간으로 증강하는 VILS 기반의 검증을 진행한다. 더 나아가, 판단 및 제어 알고리즘을 산업용 프로세서에 탑재하여 실시간성 또한 검증한다. 이와 같은 자율주행기술 개발과 검증을 위한 개발 모형을 제안함으로써 ADAS 시스템과 자율주행차량의 성능검증에 큰 역할을 할 수 있을 것으로 기대된다. 더 나아가, 시나리오 생성을 통한 알고리즘 검증과 알고리즘 검증을 통한 새로운 시나리오 도출을 기대할 수 있으며, 이러한 순환적인 구조를 통해서 개발과 검증이 상호 보완이 가능한 관계로 나아갈 수 있는 방법론을 제시하고자 한다.
more목차
1. Introduction 1
1.1 Motivation 1
1.2 Objective and Outline 3
2. Safety-critical Scenario Generation for Collision Avoidance 7
2.1 State of the Arts 7
2.2 Sources for Scenarios 12
2.3 Concrete Scenario Generation 16
2.4 Scenario Database 21
2.5 Selection of Concrete Scenarios 23
2.5.1 Search for Lateral Parameter Space 23
2.5.2 Search for Longitudinal Parameter Space 30
2.5.3 Validation and Evaluation 34
2.6 Conclusions 40
3. Strategy Decision for Collision Avoidance 41
3.1 Introduction 41
3.2 Problem Statement 44
3.3 Integrated Strategy Decision with Data-driven and Physic-based Methods 48
3.3.1 Threat Assessment 50
3.3.2 Motion Prediction 51
3.3.3 Stacked Predictive Semantic Map (PSM) 56
3.3.4 CNN-based Classification for Strategy 59
3.4 Validation and Evaluation 62
3.4.1 Data sets for Strategy Decision 62
3.4.2 Training 71
3.4.3 Performance Evaluation 73
3.5 Conclusions 87
4. Lateral controller for Collision Avoidance 88
4.1 Introduction 88
4.2 Modeling 91
4.2.1 Kinematic Model 91
4.2.2 Dynamic Model 93
4.3 Dynamic Surface Control 95
4.4 Model Prediction Control 97
4.5 Validation 101
4.5.1 Simulation Results 101
4.5.2 Experimental Results 105
4.6 Conclusions 116
5. Conclusions 117
Reference 119
