[논문 리뷰] Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review

Arman Asgharpoor Golroudbari, Mohammad Hossein Sabour|arXiv (Cornell University)|2023. 02. 22.

Robotic Path Planning Algorithms인용 수 4

한 줄 요약

이 종합적 리뷰는 인공지능 주행을 위한 딥러닝 기술의 최근 발전을 종합적으로 분석하며, 인식, 위치 추정, 맵핑, 경로 계획, 제어를 통합한 엔드 투 엔드 프레임워크에 초점을 맞춘다. CNN, RNN, 트랜스포머, 강화학습이 객체 검출, 의미 분할, SLAM, 의사결정 등 다양한 분야에서 어떻게 활용되는지 평가하며, 정확도와 내구성 향상을 강조하면서도 설명 가능성, 안전성, 실제 환경 적용에서의 일반화 능력 향상의 과제를 지적한다.

ABSTRACT

This review article is an attempt to survey all recent AI based techniques used to deal with major functions in This review paper presents a comprehensive overview of end-to-end deep learning frameworks used in the context of autonomous navigation, including obstacle detection, scene perception, path planning, and control. The paper aims to bridge the gap between autonomous navigation and deep learning by analyzing recent research studies and evaluating the implementation and testing of deep learning methods. It emphasizes the importance of navigation for mobile robots, autonomous vehicles, and unmanned aerial vehicles, while also acknowledging the challenges due to environmental complexity, uncertainty, obstacles, dynamic environments, and the need to plan paths for multiple agents. The review highlights the rapid growth of deep learning in engineering data science and its development of innovative navigation methods. It discusses recent interdisciplinary work related to this field and provides a brief perspective on the limitations, challenges, and potential areas of growth for deep learning methods in autonomous navigation. Finally, the paper summarizes the findings and practices at different stages, correlating existing and future methods, their applicability, scalability, and limitations. The review provides a valuable resource for researchers and practitioners working in the field of autonomous navigation and deep learning.

연구 동기 및 목표

• 자율주행의 인식, 위치 추정, 맵핑, 제어 분야에서의 딥러닝 응용에 대한 종합적 개요 제공.
• SLAM, 장애물 회피, 운동 계획과 같은 전통적 주행 구성 요소와의 딥러닝 통합 분석.
• 동적이고 불확실한 환경에서 엔드 투 엔드 딥러닝 프레임워크의 성능, 확장성, 한계 평가.
• 딥러닝 기반 주행 시스템의 실제 적용을 위한 내구성, 설명 가능성, 안전성 측면에서의 주요 과제 규명.
• 자율주행 분야의 현재 기법과 향후 연구 방향 간의 연관성을 제시하여 연구자 및 실무자들을 안내.

제안 방법

• 2015–2023년 사이의 동료 심사 논문을 대상으로 한 체계적 문헌 검토로, 자율주행 분야의 딥러닝 응용에 집중.
• 기능별 딥러닝 기법 분류: 인식 및 분할에 사용되는 컨volutional 네트워크(CNN), 순차적 모델링에 사용되는 RNN/LSTM, 주목력 기반 특징 학습에 사용되는 트랜스포머.
• 인식 모듈과 의사결정 모듈을 공동 학습하는 방식으로 인식, 위치 추정, 제어를 통합한 엔드 투 엔드 프레임워크 분석.
• 딥러닝 기반 융합 네트워크를 활용해 LiDAR, 카메라, IMU, 레이더 데이터를 융합하는 기술 평가.
• DQN 및 PPO와 같은 강화학습(DRL) 기법을 활용한 주행 작업에서의 정책 학습 분석.
• 모델의 설명 가능성과 신뢰도 향상을 위해 주목력 메커니즘과 해석 가능성 도구 통합.

Figure 1: Structure of an artificial neuron

실험 결과

연구 질문

• RQ1 딥러닝 모델은 자율주행 시스템에서 객체 검출 및 의미 분할 성능를 어떻게 향상시켰는가?
• RQ2 모듈러 아키텍처 대비 엔드 투 엔드 딥러닝 프레임워크가 자율주행에 제공하는 주요 장점과 한계는 무엇인가?
• RQ3 딥러닝 기반 SLAM 시스템은 동적 또는 복잡한 환경에서 기존 방법보다 어떻게 뛰어난가?
• RQ4 딥러닝 기반 강화학습은 실제 불확실한 환경에서 안정적인 주행 정책을 얼마나 잘 학습할 수 있는가?
• RQ5 안전성, 설명 가능성, 내구성 측면에서 딥러닝 모델을 자율주행에 도입할 때의 주요 과제는 무엇인가?

주요 결과

• Faster R-CNN, SSD, YOLO와 같은 컨volutional 네트워크(CNN)는 자율주행에서 실시간 객체 검출 정확도와 추론 속도를 크게 향상시켰다.
• U-Net과 DeepLab 아키텍처는 의미 분할 분야에서 최고 성능을 기록하며, 안전한 주행에 필수적인 픽셀 수준의 환경 이해를 가능하게 했다.
• 딥러닝 기반 SLAM 시스템인 Deep SLAM 및 학습된 특징을 활용한 ORB-SLAM은 저조도, 낮은 무늬, 동적 물체 등 도전적인 조건에서도 전통적 방법보다 특징 추출 및 매칭 성능이 뛰어나다.
• DQN 및 PPO와 같은 강화학습 알고리즘은 부분 관측 환경에서도 시행착오를 통해 복잡한 주행 정책을 학습할 잠재력을 보였다.
• 높은 성능에도 불구하고 딥러닝 모델은 어두운 조명, 가림, 센서 노이즈 등의 악성 조건에 취약하여 실제 적용 시 주요 한계로 지적된다.
• 설명 가능성은 여전히 주요 과제이며, 주목력 메커니즘과 시각화 도구가 안전 핵심 응용 분야에서 모델 결정을 이해하고 검증하는 데 필수적인 도구로 부상하고 있다.

Figure 2: Structure of a deep feedforward neural network