Autonomous driving systems can be applied in a variety of conditions, from complex urban environments and multi-story buildings to high-speed racing settings. However, developing a system specialized for each environment requires substantial resources and effort. To address this challenge, our research proposes an autonomous driving system that is both scalable and learnable.
The system architecture is modular, composed of navigation, perception, decision-making, and control. Through independent development and evaluation of each module, we enhanced the overall coherence and efficiency of the system. The navigation module, in particular, is pivotal for the operation of autonomous systems. Our research delves into the intricate challenges of navigation in multi-story buildings, high-speed racing environments, and urban settings where GPS functionality is constrained. Initially, to enhance reliability, we designed a multi-modal system that merges GPS, Camera, and LiDAR sensors. By employing probabilistic models, we can identify and rectify sensor discrepancies or performance degradation, allowing for refined navigation solutions. Furthermore, to deal with GPS-denied environments, we carried out research on robust state estimation by solely utilizing LiDAR sensors with 3-D high-definition map. In addition, we discuss methods to maximize computational efficiency, ensuring operability even in edge computing systems such as racecar and mobile robots. Lastly, leveraging repetitive experimental data, we have constructed an evolvable model and framework that facilitates position estimation through learning, thus crafting a navigation algorithm adept at adapting to evolving surroundings.
On another note, for consistent driving across diverse terrains, utilizing a node-link-based road model for vehicles or mobile robots can be highly beneficial. Hence, our research also encompasses methods for automatic road model graph generation, alongside strategies for route planning and optimal path selection, ensuring the system can smoothly navigate around various obstacles encountered during its journey.
Conclusively, we applied the proposed system to diverse platforms like mobile robots, urban autonomous vehicles, and racing cars. Each developed module was evaluated through an array of scenarios, spanning from simulations to real-world environments.
자율 주행 시스템은 복잡한 도심, 다층 건물, 그리고 고속 레이싱 환경과 같은 다양한 조건에서의 활용이 가능하다. 그러나 각환경에특화된시스템을개발하는것은상당한비용과노력을필요로한다. 이문제를극복하기위해본연구에서는 확장과 학습이 가능한 자율 주행 시스템을 제안하며 이를 통해 다양한 시나리오에서도 운용이 가능한 자율 주행 시스템에 대한연구를소개한다. 따라서시스템을항법,인지,판단,제어의네모듈로구성된확장가능한모듈을통해각시스템의 요소별개발및평가를통해시스템전체의완성도를향상시켰다. 특히항법모듈은자율주행시스템을운용하는데있어 필수적인 요소이며 본 연구에서는 다층 건물, 고속 레이싱, 그리고 GPS가 제한적인 도심 환경에서의 도전적인 항법 문제를 정의하고 이를 극복한 방법에 대해 다룬다.
먼저 안정성을 향상하기 위해 GPS, Camera, LiDAR 센서를 함께 융합하는 멀티 모달 시스템에서 확률 모델을 기반으로 센서의 오차나 성능 저하를 식별하고 이를 고려하여 항법 문제를 해결할 수 있는 방법을 개발하였다. 더불어, GPS가 활용 불가능한 환경을 위해 LiDAR 센서만을 활용하여 정밀 지도를 구축하고 이를 활용한 강건한 위치 추정에 대한 연구를 수행하였다. 이 과정에서는 엣지 컴퓨팅 환경에서도 운용이 가능하도록 시스템의 연산 효율을 극대화하는 방법도 다룬다. 나아가 반복적인 실험을 통해 얻은 데이터를 활용하여 학습을 통한 위치 추정이 가능하도록 지속적으로 발전 가능한 모델 및 프레임워크를 구축하여 변화하는 환경에 적응이 가능한 항법 알고리즘을 연구하였다.
한편, 다양한 환경에서 안정적인 주행을 하기 위해서는 차량 혹은 모바일 로봇이 주행 가능한 공간에 대한 노드-링크 기반의 도로모델을활용하는것이큰장점갖는다. 따라서본연구에서는도로모델그래프를자동생성하는방법과이를활용한 경로 계획 및 최적 경로 선택에 관한 연구도 다루며 이를 통해 주행 중의 다양한 장애물을 안정적으로 대응하도록 하였다. 마지막으로 제안된 시스템을 모바일 로봇, 도심형 자율주행 차량, 레이싱 차량 등 다양한 플랫폼에 적용하여 실험을 진행하였으며 개발된 각 모듈을 시뮬레이션부터 실제 환경에 이르기까지 다양한 시나리오를 통해 검증을 하였다.