Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data

Created by
  • Haebom

저자

Jin Bok Park, Jinkyu Lee, Muhyun Back, Hyunmin Han, David T. Ma, Sang Min Won, Sung Soo Hwang, Il Yong Chun

개요

본 논문은 자율 주행에서의 엔드-투-엔드(E2E) 주행 접근 방식을 위한 최초의 완전 자기 지도 학습 프레임워크인 자기 지도 모방 학습(SSIL)을 제안합니다. SSIL은 주행 명령 데이터나 사전 훈련된 모델 없이 E2E 주행 네트워크를 학습할 수 있습니다. 라이다 센서를 이용해 추정한 현재와 이전 시점의 차량 위치 정보를 바탕으로 의사 조향각 데이터를 생성하며, 고수준 명령에 따라 주행 명령을 예측하는 두 가지 E2E 주행 네트워크를 제안합니다. 세 가지 벤치마크 데이터셋을 이용한 실험 결과, 제안된 SSIL 프레임워크는 지도 학습 방식과 매우 유사한 E2E 주행 정확도를 달성하며, 제안된 의사 레이블 예측기는 기존의 PID 제어기를 사용한 방법보다 성능이 우수함을 보였습니다.

시사점, 한계점

•
시사점:
◦
주행 명령 데이터 없이 E2E 자율 주행 모델 학습이 가능함을 보임.
◦
기존의 대량의 주행 데이터 수집 및 인간 개입의 어려움을 해결할 가능성 제시.
◦
자기 지도 학습 기반의 E2E 주행 모델 학습의 효율성을 입증.
◦
고수준 명령에 따른 주행 명령 예측 네트워크의 효과성 확인.
•
한계점:
◦
라이다 센서에 의존적인 구조로, 라이다 센서의 성능에 따라 성능 저하 가능성 존재.
◦
제안된 방법의 일반화 성능에 대한 추가적인 검증 필요.
◦
실제 도로 환경에서의 성능 평가 및 안전성 검증이 필요.
◦
다양한 기상 조건 및 복잡한 주행 환경에 대한 로버스트성 평가 필요.
👍
Made with Slashpage