Establishing a scalable and stable driving system from simple sensor modules in an autonomous driving system is essential for popularizing and upgrading autonomous driving. To this end, the End-to-End method constructs the process of detection, decision, and control from the sensor module with a deep neural network, learning the optimal relationship between sensor measurements and control values on its own and establishing a driving policy. The goal of this paper is to propose a self-driving technology that extracts semantic low-dimensional information from front camera sensor and navigation information, and uses deep reinforcement learning induced by expert demonstration to control longitudinal and lateral directions. In addition, state estimation performance through temporal integration of partial observation is improved by applying a gated current unit(GRU) to solve the Partially Observable Markov Decision Process (POMDP) problem of front camera images. Finally, we validate the performance of the proposed technique by deploying the trained network from the simulation to a real driving environment.
자율주행 시스템에서 간단한 센서모듈로 부터 확장성이 좋고 안정적인 주행 시스템을 설립하는 것은 자율주행 대중화와 고도화를 위해 필수적이다. 이를 위해, 러닝 기반 자율주행은 센서 모듈로부터 인식•판단•제어 의 과정을 여러가지의심층 신경망으로 구성하여, 스스로 센서측정치와 제어값간의 최적 관계를 학습하고 주행 정책을 설립한다. 본 논문의 목표는 전방 카메라 센서와 항법정보로부터 의미 분할된 저 차원의 정보를 추출하고, 모방학습과 강화학습을 융합한 새로운 방법인 전문가의 시연에 의해 유도된 탐험을 통한 심층 강화 학습을 사용하여 종, 횡방향을 제어하는 자율주행 기술을 제안한다. 그리고, 전방 카메라 이미지가 가지는 POMDP(Partially Observable Markov Decision Process) 문제를 해결하기 위해 GRU(Gated Recrurent Unit)를 도입하여 partial observation의 시간적 통합을 통한 state 추정 성능을 향상 시켰다. 마지막으로, 시뮬레이션에서 학습된 네트워크를 실제 주행환경으로 확장(Simulation-to-Real)하여 제안된 기술의 성능을 검증한다.
