In this thesis, a platform-independent hybrid control architecture that generates control commands for lateral and longitudinal autonomous driving is proposed. Based on the deep neural network for the basic lane keeping autonomous driving, the End-to-End learning method which learns the nonlinear relation from the driving environment information to the final control command is applied to make robust driving in various driving environments. In addition, ICP matching algorithm is applied between driven trajectory using real time perception and global plan from start to destination, so it can compensate localization errors occurring during driving. Also, in order to solve the dependence on the platform which is a limitation of End-to-End learning approach, image transformation and vehicle modeling are performed. The performance of proposed architecture is verified through experiments in a real road environment.
본 학위 논문에서는 실도로 환경에서 종횡방향 완전 자율 주행을 위한 제어 명령을 생성하는 하이브리드 제어 아키텍쳐를 제안한다. 실시간 주행 환경 인식을 통해 센서 정보부터 최종 횡방향 제어 명령까지의 비선형적인 관계를 하나의 딥뉴럴 네트워크를 통해 학습되는 End-to-End 학습 기법을 적용하여 복잡성과 불확실성이 높은 주행 환경에서도 강건한 완전 자율 주행이 가능하도록 하였다. 또한 인식을 기반으로 주행된 과거의 경로와 최종 목적지까지의 경로간의 ICP 매칭 알고리즘을 적용하여 주행 중 발생하는 위치 오차를 보정할 수 있도록 설계하였다. 마지막으로 End-to-End 학습 기법의 한계점인 플랫폼 종속성을 해결하기 위해 차량 모델링 및 영상 변환을 적용하여 다양한 플랫폼에 빠르고 효율적으로 적용 가능한 확장성있는 아키택쳐로 구성하였다. 해당 아키텍쳐는 실도로 환경에서의 실험을 통해 검증하였다.
