[논문 리뷰] Research on the Application of Computer Vision Based on Deep Learning in Autonomous Driving Technology

Jingyu Zhang, Jin Xin Cao외 4명|arXiv (Cornell University)|2024. 06. 01.

Applied Advanced Technologies인용 수 5

한 줄 요약

본 논문은 이미지 인식, 실시간 추적/분류, 환경 인지/의사결정 지원, 경로 계획/네비게이션을 포함하는 딥러닝 기반 자율주행 시스템을 개발하여 모듈 전반에서 98% 이상 정확도와 밀리초 단위의 응답 속도를 달성한다.

ABSTRACT

This research aims to explore the application of deep learning in autonomous driving computer vision technology and its impact on improving system performance. By using advanced technologies such as convolutional neural networks (CNN), multi-task joint learning methods, and deep reinforcement learning, this article analyzes in detail the application of deep learning in image recognition, real-time target tracking and classification, environment perception and decision support, and path planning and navigation. Application process in key areas. Research results show that the proposed system has an accuracy of over 98% in image recognition, target tracking and classification, and also demonstrates efficient performance and practicality in environmental perception and decision support, path planning and navigation. The conclusion points out that deep learning technology can significantly improve the accuracy and real-time response capabilities of autonomous driving systems. Although there are still challenges in environmental perception and decision support, with the advancement of technology, it is expected to achieve wider applications and greater capabilities in the future. potential.

연구 동기 및 목표

• 이론에서 응용에 이르기까지 딥러닝이 자율주행 컴퓨터 비전에 어떻게 기여하는지 조사한다.
• 이미지 인식, 추적, 환경 인지, 의사결정 지원, 경로 계획에서 성능 향상을 평가한다.
• 자율주행에서 딥러닝의 시스템 설계, 한계 및 향후 방향에 대한 가이드를 제공한다.

제안 방법

• 선택적 탐색(selective search), CNN 특징 추출, SVM 분류를 사용한 이단계 탐지 프레임워크와 함께 CNN 기반 이미지 인식을 구현한다.
• 실시간 대상 추적 및 분류를 위한 다중 작업 공동 학습 네트워크를 적용하고 손실 함수를 L = L_cls + λ L_reg로 결합한다.
• 시뮬레이션 환경에서 멀티모달 센서 데이터를 활용한 Double DQN을 환경 인지 및 의사결정 지원에 사용한다.
• 적응형 경로 계획 및 장애물 회피를 위해 그래프 신경망(GNN)과 A* 탐색을 통합한다.
• 실세계 데이터와 시뮬레이션 시나리오에서 밀리초 수준의 의사결정 주기로 시스템 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝이 자율주행에서 이미지 인식, 대상 추적 및 분류의 정확도와 실시간 성능을 어떻게 향상시킬 수 있는가?
• RQ2 딥러닝과 강화학습을 적용할 때 환경 인지, 의사결정 지원, 경로 계획에서 어떤 이득이 있는가?
• RQ3 히어진 가이던스를 갖춘 그래프 신경망(GNN) 기반 경로 계획기가 동적 교통 상황에서 실시간 장애물 회피를 달성할 수 있는가?

주요 결과

• 이미지 인식 정확도: 98.5%로 약 45 ms 응답 시간.
• 실시간 대상 추적 및 분류 정확도: 98.2%로 약 50 ms 응답 시간.
• 환경 인지 및 의사결정 지원 정확도: 97.8%로 약 60 ms 응답 시간.
• 경로 계획 및 네비게이션 정확도: 98.0%로 약 55 ms 응답 시간.
• 전반적으로 시스템은 모듈 간 고정확도와 밀리초 수준의 응답성을 보인다.
• 시뮬레이션 및 실제 데이터는 자율주행에서 딥러닝의 실용성과 보다 넓은 채택 가능성을 뒷받침한다