[논문 리뷰] Deep Learning in the Automotive Industry: Recent Advances and Application Examples

Kanwar Bharat Singh, Mustafa Ali Arat|arXiv (Cornell University)|2019. 06. 20.

Traffic Prediction and Management Techniques인용 수 14

한 줄 요약

이 논문은 자동차 산업 내 딥러닝 응용 분야의 최근 발전을 검토하며, 자율주행, 고도사용자보조주행시스템(ADAS), 가상 센서, 차량 상태 모니터링을 중심으로 다룹니다. 데이터 증가, 계산 능력 향상, 알고리즘 혁신에 힘입어 딥러닝 모델이 실제 자동차 시스템의 인식, 제어, 예측 정비 기능 향상에 기여하고 있음을 강조합니다.

ABSTRACT

One of the most exciting technology breakthroughs in the last few years has been the rise of deep learning. State-of-the-art deep learning models are being widely deployed in academia and industry, across a variety of areas, from image analysis to natural language processing. These models have grown from fledgling research subjects to mature techniques in real-world use. The increasing scale of data, computational power and the associated algorithmic innovations are the main drivers for the progress we see in this field. These developments also have a huge potential for the automotive industry and therefore the interest in deep learning-based technology is growing. A lot of the product innovations, such as self-driving cars, parking and lane-change assist or safety functions, such as autonomous emergency braking, are powered by deep learning algorithms. Deep learning is poised to offer gains in performance and functionality for most ADAS (Advanced Driver Assistance System) solutions. Virtual sensing for vehicle dynamics application, vehicle inspection/heath monitoring, automated driving and data-driven product development are key areas that are expected to get the most attention. This article provides an overview of the recent advances and some associated challenges in deep learning techniques in the context of automotive applications.

연구 동기 및 목표

• 자동차 응용 분야에 특화된 최근 딥러닝 기술 발전을 종합적으로 개관하는 것.
• 자율주행, ADAS, 가상 센서, 데이터 기반 제품 개발과 같은 핵심 응용 분야를 규명하는 것.
• 실시간, 안전이 핵심인 자동차 환경에서 딥러닝 모델을 구현할 때 발생하는 기술적·실무적 과제를 분석하는 것.
• 데이터, 계산 자원, 알고리즘 혁신이 자동차 분야의 딥러닝 발전을 이끄는 방식을 검토하는 것.
• 자동차 산업에서의 딥러닝 분야의 새로운 추세와 향후 연구 방향을 제시하는 것.

제안 방법

• 이미지 및 영상 처리를 위한 합성곱 신경망(CNNs) 포함, 자동차 환경에서의 최신 딥러닝 모델 및 그 구현 방식을 조사하는 것.
• 자율주행 차량의 물체 탐지, 의미 세분화, 깊이 추정에 있어 인식 시스템에 딥러닝 통합 방식을 분석하는 것.
• 운동 예측 및 행동 예측에 있어 시간적 모델링을 위해 순환 신경망(RNNs)과 트랜스포머를 평가하는 것.
• 원시 센서 입력(카메라, 라이다 등)을 직접 제어 명령어로 매핑하는 엔드 투 엔드 학습 프레임워크를 검토하는 것.
• 차량 상태 모니터링에서 이상 탐지에 자동에코더와 변동형 자동에코더를 적용하는 방식을 검토하는 것.
• 데이터 요구량 감소 및 다양한 차량 플랫폼 간 일반화 능력 향상에 기여하는 전이 학습 및 도메인 적응의 역할을 논의하는 것.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 현재 실생활 자동차 환경에서 고도사용자보조주행시스템(ADAS)의 성능 향상에 어떻게 적용되고 있는가?
• RQ2 실시간 제약 조건이 존재하는 안전이 핵심인 자동차 환경에서 딥러닝 모델을 구현할 때 발생하는 주요 기술적 과제는 무엇인가?
• RQ3 딥러닝은 차량 동역학 및 상태 모니터링을 위한 가상 센서 기술과 예측 정비에 어떤 방식으로 기여하는가?
• RQ4 데이터 양, 계산 능력, 알고리즘 혁신이 자동차 딥러닝 응용 분야의 발전을 어떻게 함께 이끄는가?
• RQ5 자율주행을 초월하여 자동차 산업에서 딥러닝의 가장 유망한 응용 분야는 무엇인가?

주요 결과

• 딥러닝은 고도사용자보조주행시스템(ADAS)의 핵심 기반 기술이 되었으며, 자동긴급브레이킹, 차선유지 기능 등에서 성능 향상에 기여하고 있다.
• 원시 센서 입력을 직접 제어 출력으로 매핑하는 엔드 투 엔드 딥러닝 접근 방식이 개발되고 있으며, 수작업으로 설계된 모듈 의존도를 낮추고 있다.
• 딥러닝 기반 가상 센서 기술은 제한된 센서 데이터로부터 차량 동역학(예: 타이어 힘, 서스펜션 상태 등)을 정확하게 추정함으로써 하드웨어 비용 절감에 기여하고 있다.
• 딥러닝 기반 이상 탐지 모델은 기계적 또는 전기적 고장을 조기에 발견할 수 있어 차량 상태 모니터링 분야에서 잠재력을 보이고 있다.
• 딥러닝 통합을 통한 데이터 기반 제품 개발은 자동차 시스템의 빠른 프로토타이핑 및 최적화를 가능하게 하고 있다.
• 다른 성과에도 불구하고, 모델의 해석 가능성, 분포 이탈 상황에서의 강건성, 자동차 안전 기준(예: ISO 26262) 준수 문제 등 여전히 과제가 남아 있다.