자율주행 자동차란 스스로 주변 환경을 인지하고 위험을 판단하며 목적지까지 주행이 가능한 자동차로, 향후 폭발적인 성장이 예측되고 있다. 현재 상용화 되고 있는 자율주행 기술은 아직 초기 단계의 기능들을 수행하는 수준이며, 앞으로 다양한 자율주행 요소기술 또는 운전자 보조 시스템 기술들이 지속적으로 연구 개발될 것으로 기대되고 있다. 이와 같이 자율주행에 관한 연구개발의 핵심적인 부분은 영상 센서와 인공지능 기술을 이용한 자율주행 요소 기술의 개발이라고 할 수 있다. 특히, 사고 위험 빈도가 높은 자전거나 보행 취약자를 구분하기 위해서는 높은 수준의 인공지능 기술이 필요하다. 따라서, Google, NVidia와 같은 ...
자율주행 자동차란 스스로 주변 환경을 인지하고 위험을 판단하며 목적지까지 주행이 가능한 자동차로, 향후 폭발적인 성장이 예측되고 있다. 현재 상용화 되고 있는 자율주행 기술은 아직 초기 단계의 기능들을 수행하는 수준이며, 앞으로 다양한 자율주행 요소기술 또는 운전자 보조 시스템 기술들이 지속적으로 연구 개발될 것으로 기대되고 있다. 이와 같이 자율주행에 관한 연구개발의 핵심적인 부분은 영상 센서와 인공지능 기술을 이용한 자율주행 요소 기술의 개발이라고 할 수 있다. 특히, 사고 위험 빈도가 높은 자전거나 보행 취약자를 구분하기 위해서는 높은 수준의 인공지능 기술이 필요하다. 따라서, Google, NVidia와 같은 IT 회사뿐만 아니라 세계적인 자동차 관련 기업들이 자율주행의 핵심 기술로 인공지능의 딥 러닝 기술을 연구하고 있다. 이러한 딥 러닝 기술은 1940년대에 개발된 이후 침체기와 성장기를 거쳐, 최근 AlphaGo의 등장 이후 폭발적인 관심과 함께, 다양한 분야에서 연구되고 있다. 자율주행의 경우 많은 정보를 기반으로 다양한 상황을 판단할 필요가 있기 때문에 인공지능의 딥 러닝을 통해 접근이 가능하지만 현재 상황은 이러한 실제 데이터를 수집하고 정의하기가 쉽지 않아서 추가적인 많은 연구가 필요한 실정이다. 특히 자율주행은 실시간으로 여러 센서 혹은 카메라의 영상을 통하여 수집된 데이터를 처리하여 상황을 인식하고, 가속, 감속, 정지, 회피 등의 대응을 신속히 판단하여야 한다. 또한 자율주행에서의 데이터 처리는 입력 영상 혹은 입력 데이터가 연속적인 값을 가지고 이에 따른 행동 결과 또한 연속적인 값을 가지기 때문에 이를 신속히 해결하는 것이 핵심적 요소라고 할 수 있다. 본 연구에서는 최근 이렇게 활성화 되고 있는 자동차 자율주행 시스템을 구축하기 위하여 딥 러닝 알고리즘을 적용하고 이를 시뮬레이션 환경인 Unity에서 시뮬레이션함으로서 자율주행 시스템의 새로운 접근을 시도하고자 한다. 본 연구의 핵심 부분인 딥 러닝 알고리즘은 기존 딥 러닝 알고리즘 중에서도 이미지 인식에 뛰어난 효과를 보이는 CNN(Convolutional Neural Network)을 사용하여 자율주행 자동차의 입력 영상의 의미를 신속히 판단하고자 한다. 또한 연속된 값을 가지는 행동 결과의 출력에 효과적인 DDPG(Deep Deterministic Policy Gradient) 알고리즘을 적용하여 시계열 데이터를 신속하게 처리하게 된다. 이렇게 융합된 모델은 Unity 시뮬레이션 환경에서 실행함으로써, 가시적인 성과를 보였다.
자율주행 자동차란 스스로 주변 환경을 인지하고 위험을 판단하며 목적지까지 주행이 가능한 자동차로, 향후 폭발적인 성장이 예측되고 있다. 현재 상용화 되고 있는 자율주행 기술은 아직 초기 단계의 기능들을 수행하는 수준이며, 앞으로 다양한 자율주행 요소기술 또는 운전자 보조 시스템 기술들이 지속적으로 연구 개발될 것으로 기대되고 있다. 이와 같이 자율주행에 관한 연구개발의 핵심적인 부분은 영상 센서와 인공지능 기술을 이용한 자율주행 요소 기술의 개발이라고 할 수 있다. 특히, 사고 위험 빈도가 높은 자전거나 보행 취약자를 구분하기 위해서는 높은 수준의 인공지능 기술이 필요하다. 따라서, Google, NVidia와 같은 IT 회사뿐만 아니라 세계적인 자동차 관련 기업들이 자율주행의 핵심 기술로 인공지능의 딥 러닝 기술을 연구하고 있다. 이러한 딥 러닝 기술은 1940년대에 개발된 이후 침체기와 성장기를 거쳐, 최근 AlphaGo의 등장 이후 폭발적인 관심과 함께, 다양한 분야에서 연구되고 있다. 자율주행의 경우 많은 정보를 기반으로 다양한 상황을 판단할 필요가 있기 때문에 인공지능의 딥 러닝을 통해 접근이 가능하지만 현재 상황은 이러한 실제 데이터를 수집하고 정의하기가 쉽지 않아서 추가적인 많은 연구가 필요한 실정이다. 특히 자율주행은 실시간으로 여러 센서 혹은 카메라의 영상을 통하여 수집된 데이터를 처리하여 상황을 인식하고, 가속, 감속, 정지, 회피 등의 대응을 신속히 판단하여야 한다. 또한 자율주행에서의 데이터 처리는 입력 영상 혹은 입력 데이터가 연속적인 값을 가지고 이에 따른 행동 결과 또한 연속적인 값을 가지기 때문에 이를 신속히 해결하는 것이 핵심적 요소라고 할 수 있다. 본 연구에서는 최근 이렇게 활성화 되고 있는 자동차 자율주행 시스템을 구축하기 위하여 딥 러닝 알고리즘을 적용하고 이를 시뮬레이션 환경인 Unity에서 시뮬레이션함으로서 자율주행 시스템의 새로운 접근을 시도하고자 한다. 본 연구의 핵심 부분인 딥 러닝 알고리즘은 기존 딥 러닝 알고리즘 중에서도 이미지 인식에 뛰어난 효과를 보이는 CNN(Convolutional Neural Network)을 사용하여 자율주행 자동차의 입력 영상의 의미를 신속히 판단하고자 한다. 또한 연속된 값을 가지는 행동 결과의 출력에 효과적인 DDPG(Deep Deterministic Policy Gradient) 알고리즘을 적용하여 시계열 데이터를 신속하게 처리하게 된다. 이렇게 융합된 모델은 Unity 시뮬레이션 환경에서 실행함으로써, 가시적인 성과를 보였다.
Autonomous vehicle recognizes surrounding information and determines own risks by itself, and drives through to the destination. We expect its explosive growth in the near future. This technology, which is currently being commercialized, is still in its early stages, and various autonomous driving t...
Autonomous vehicle recognizes surrounding information and determines own risks by itself, and drives through to the destination. We expect its explosive growth in the near future. This technology, which is currently being commercialized, is still in its early stages, and various autonomous driving technology or driver assistant technology are expected to be continuously developed. The key part of the research on the autonomous driving is the development of autonomous driving technology using image sensor and artificial intelligence technology. In particular, a high level of artificial intelligence technology is needed to distinguish bicyclists or pedestrians who have a high risk of accidents. Google, and NVidia, as well as global automotive companies are studying deep learning technology in artificial intelligence as a key technology for autonomous navigation. These deep-learning techniques have been developed in the 1940s and have been studied in a variety of fields through the recent recession and growth, and with the explosion of interest since the advent of AlphaGo. Autonomous driving can be accessed through deep learning of artificial intelligence because it is necessary to judge various situations based on a lot of information, but the present situation is not easy to collect and define such actual data. Therefore, we need to study further to overcome this immediate obstacles. In particular, autonomous driving should be able to recognize the situation by processing the data collected through the images of various sensors or cameras in real time, and to promptly determine the response such as acceleration, deceleration, stop, avoidance. In addition, fast data processing in autonomous driving is a key factor in solving the problem because the input image or input data has continuous values and the resulting behavioral result is also continuous. In this study, we would like to try a new approach to autonomous navigation system, which is to develop an autonomous vehicle driving system by applying a deep-learning algorithm, and simulate it in a Unity simulation environment. The Deep Learning algorithm, which is a core part of this research, is aiming to quickly determine the meaning of the input image of an autonomous vehicle using CNN (Convolutional Neural Network) which has an excellent effect on image recognition among existing deep learning algorithms. In addition, it applies the Deep Deterministic Policy Gradient (DDPG) algorithm, which is effective for outputting successive values of behavioral results, to quickly process time series data. This integrated model showed some effective results in the Unity simulation environment.
Autonomous vehicle recognizes surrounding information and determines own risks by itself, and drives through to the destination. We expect its explosive growth in the near future. This technology, which is currently being commercialized, is still in its early stages, and various autonomous driving technology or driver assistant technology are expected to be continuously developed. The key part of the research on the autonomous driving is the development of autonomous driving technology using image sensor and artificial intelligence technology. In particular, a high level of artificial intelligence technology is needed to distinguish bicyclists or pedestrians who have a high risk of accidents. Google, and NVidia, as well as global automotive companies are studying deep learning technology in artificial intelligence as a key technology for autonomous navigation. These deep-learning techniques have been developed in the 1940s and have been studied in a variety of fields through the recent recession and growth, and with the explosion of interest since the advent of AlphaGo. Autonomous driving can be accessed through deep learning of artificial intelligence because it is necessary to judge various situations based on a lot of information, but the present situation is not easy to collect and define such actual data. Therefore, we need to study further to overcome this immediate obstacles. In particular, autonomous driving should be able to recognize the situation by processing the data collected through the images of various sensors or cameras in real time, and to promptly determine the response such as acceleration, deceleration, stop, avoidance. In addition, fast data processing in autonomous driving is a key factor in solving the problem because the input image or input data has continuous values and the resulting behavioral result is also continuous. In this study, we would like to try a new approach to autonomous navigation system, which is to develop an autonomous vehicle driving system by applying a deep-learning algorithm, and simulate it in a Unity simulation environment. The Deep Learning algorithm, which is a core part of this research, is aiming to quickly determine the meaning of the input image of an autonomous vehicle using CNN (Convolutional Neural Network) which has an excellent effect on image recognition among existing deep learning algorithms. In addition, it applies the Deep Deterministic Policy Gradient (DDPG) algorithm, which is effective for outputting successive values of behavioral results, to quickly process time series data. This integrated model showed some effective results in the Unity simulation environment.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.