[논문 리뷰] Why Autonomous Vehicles Are Not Ready Yet: A Multi-Disciplinary Review of Problems, Attempted Solutions, and Future Directions

Xingshuai Dong, Massimiliano L. Cappuccio외 11명|arXiv (Cornell University)|2023. 11. 15.

Advanced Neural Network Applications인용 수 5

한 줄 요약

이 다학제적 리뷰는 지난 10년간 자율주행차에서의 컴퓨터 비전의 현황을 종합적으로 분석하며, 인식 도전 과제, 센서 및 데이터셋의 한계, 완전 자율주행을 위한 기술적 장벽을 다룹니다. 실제 적용 시 발생하는 핵심 문제들—환경의 다양성, 계산 자원 요구량, 안전 위험—을 규명하고, 장기적 데이터셋, 모바일 엣지 컴퓨팅, 경량 CNN, 실시간 위험 평가 기술 등을 향한 향후 방향성을 제안하여 신뢰성 있고 확장 가능한 자율주행 시스템의 발전을 도모합니다.

ABSTRACT

Personal autonomous vehicles are cars, trucks and bikes capable of sensing their surrounding environment, planning their route, and driving with little or no involvement of human drivers. Despite the impressive technological achievements made by the industry in recent times and the hopeful announcements made by leading entrepreneurs, to date no personal vehicle is approved for road circulation in a 'fully' or 'semi' autonomous mode (autonomy levels 4 and 5) and it is still unclear when such vehicles will eventually be mature enough to receive this kind of approval. The present review adopts an integrative and multidisciplinary approach to investigate the major challenges faced by the automative sector, with the aim to identify the problems that still trouble and delay the commercialization of autonomous vehicles. The review examines the limitations and risks associated with current technologies and the most promising solutions devised by the researchers. This negative assessment methodology is not motivated by pessimism, but by the aspiration to raise critical awareness about the technology's state-of-the-art, the industry's quality standards, and the society's demands and expectations. While the survey primarily focuses on the applications of artificial intelligence for perception and navigation, it also aims to offer an enlarged picture that links the purely technological aspects with the relevant human-centric aspects, including, cultural attitudes, conceptual assumptions, and normative (ethico-legal) frameworks. Examining the broader context serves to highlight problems that have a cross-disciplinary scope and identify solutions that may benefit from a holistic consideration.

연구 동기 및 목표

• 자율주행차의 광범위한 도입을 저해하는 기술적 및 환경적 과제를 분석하기 위해.
• 자율주행 주행의 인식 시스템에서 컴퓨터 비전과 센서 융합의 역할을 평가하기 위해.
• 장기적인 환경 변화와 실제 도로 환경의 복잡성을 반영하지 못하는 기존 벤치마크 데이터셋의 격차를 규명하기 위해.
• 자율주행차 도입과 관련된 공공의 우려와 안전 위험을 분석하기 위해.
• 현재 수준 2 및 3을 초월해 강력하고 확장 가능하며 안전한 자율주행 시스템을 달성하기 위한 향후 연구 방향을 제시하기 위해.

제안 방법

• 2013년부터 2023년까지 자율주행차에서의 컴퓨터 비전 응용에 대한 체계적 문헌 리뷰를 수행함.
• SAE 수준(0–5)에 따라 자율주행 시스템을 분류하고, 인식, 제어, 인간-기계 상호작용에 중점을 두어 분석함.
• 일반적으로 사용되는 센서(카메라, LiDAR, 레이더, 초음파)와 벤치마크 데이터셋(KITTI, nuScenes, Cityscapes 등)을 인식 작업에 대해 검토함.
• 딥러닝 모델을 활용한 핵심 컴퓨터 비전 작업—깊이 추정, 객체 탐지, 차선 탐지, 교통 표지판 인식—을 평가함.
• 현재 데이터, 계산, 안전 분야의 한계를 철저히 분석하여 향후 연구 방향을 도출함.
• 공공의 의견과 실제 도입 과제의 통찰을 통합하여 기술적 및 체계적 개선 방향을 제시함.

실험 결과

연구 질문

• RQ1 수준 3을 초월해 자율주행차의 도입을 저지르는 주요 기술적 및 환경적 과제는 무엇인가요?
• RQ2 기존의 벤치마크 데이터셋은 계절 변화나 도시 건설과 같은 장기적인 실제 도로 환경 변화를 얼마나 잘 반영하고 있나요?
• RQ3 모바일 엣지 컴퓨팅은 자율주행차 인식 시스템의 계산 부담과 지연을 줄이는 데 어떤 역할을 할 수 있나요?
• RQ4 경량화되고 실시간으로 작동하는 컨volutional 신경망(CNN)은 정확도를 희생시키지 않으면서 차량 내부 시스템의 효율성과 안전성을 어떻게 향상시킬 수 있나요?
• RQ5 다이나믹한 도로 환경에서 예측 불가능한 행동을 사전에 식별하고 완화하기 위해 필요한 위험 평가 프레임워크는 무엇인가요?

주요 결과

• 현재 자율주행 시스템은 주로 SAE 수준 2와 3에 머물러 있으며, 인간의 감시와 제한된 자동화에 의존하고 있으며, 경로 계획 및 위치 추정 기능을 대규모로 통합한 상용화된 시스템은 존재하지 않습니다.
• 기존의 벤치마크 데이터셋은 지리적으로 국한되어 있으며, 계절 변화나 도시 건설과 같은 장기적인 환경 변화를 반영하지 못해 모델의 일반화 능력에 한계가 있습니다.
• 모바일 엣지 컴퓨팅의 통합은 차량 내부 시스템에서 고부하 인식 작업을 근처 엣지 서버로 이관함으로써 지연과 계산 부담을 크게 줄일 수 있습니다.
• 실시간으로 작동하는 경량 CNN는 임베디드 차량 시스템에서 높은 정확도를 유지하면서도 낮은 에너지 및 메모리 소비를 달성하는 데 필수적입니다.
• 예측 불가능한 보행자, 자전거 기사, 악천후 조건의 행동을 실시간으로 탐지하고 대응하기 위해 강력한 위험 평가 알고리즘이 필수적입니다.
• 기술적 진보가 이루어져도 여전히 안전성, 신뢰성, 윤리적 의사결정에 대한 공공의 우려가 광범위한 도입을 저지르는 주요 장벽으로 남아 있습니다.