Publications

데이터 중심 접근법을 통한 End-to-End 자율주행의 신뢰성 강화
Year 2025
Month
Journal November, 2025 / 2025 IPNT Conference
Author 김시우, 장해철, Adeeb Mohammed Islam, 공승현(Seung-Hyun Kong)
End-to-End 자율주행은 센서 입력으로부터 차량의 제어 명령 또는 주행 궤적까지의 전 과정을 단일 신경망 모델로 학습하여 복잡한 모듈식 파이프라인을 단순화하는 접근법이다. 이러한 특성상 주행 성 능 은 모델 학습에 사용되는 데이터셋의 품질과 분포에 크게 의존한다. 그러나 기존 시뮬레이터 기반 데이터셋은 주로 규칙 기반 에이전트로 수집되어 행동과 장면 분포가 단조롭고, 드물게 발생하지만 위 험한 Edge 시나리오에 대한 대응력이 부족하다는 한계가 있다. 이러한 한계를 극복하기 위해, 본 연구는 실제 주행 기반으로 다양한 이상 상황을 체계적으로 포함하는 차별화된 데이터셋 구축 전략을 제안한 다. 본 연구에서 구축한 학습 데이터는 차량의 주행 행동뿐만 아니라 장면 내 보행자 및 장애물의 분포까지 확장하여, 모델이 보다 다양한 주행 상황에 노출되도록 한다. 실험 결과, 데이터의 다양성을 확장 해 학 습한 모델은 다양한 복잡한 시나리오에서 규칙 기반 데이터로 학습한 모델 대비 주행 성능이 약 24% 향상되었으며, 정성적 평가에서도 Edge 시나리오에서의 상황 대응력이 뚜렷하게 개선됨을 확인할 수 있었다.