Towards Autonomous Driving

Abstract

최근 들어, 자율 주행 자동차와 관련된 관심이 높아지면서 자율 주행에 사용되는 센서들과 관련된 연구가 활발히 진행되고 있다. 자율 주행에 사용되는 센서에는 카메라, 라이다, 레이더, 초음파 등이 있는데, 그 중에서 레이더는 최대 탐지 가능 거리가 길고, 빛이 없는 상황이나 비가 오는 상황 등 열악한 환경에 강인한 특성을 가지고 있어서 자율주행에 필수적이다. 레이더는 다양한 용도로 사용이 가능한데, 주로 적응형 순항 제어와 자동 긴급 제동에 사용된다. 레이더는 원하는 타깃까지의 거리, 상대속도, 각도 등을 탐지할 수 있고, 타깃의 종류, 크기 등에 대해서도 탐지가 가능하다.

본 학위 논문에서는 도로 환경을 분류할 수 있는 인공 신경망 구조를 제안하였다. 자율주행을 하다 보면 다양한 도로 환경을 마주하게 되는데, 도로 환경에 따라 그에 맞는 타깃 검출 알고리즘을 적용할 필요가 있다. 예를 들어, 여러 개의 철제 구조물로 이루어진 철제 터널의 경우에는 반사 신호가 아주 강해서 타깃이 묻히게 되는 현상이 발생하게 된다. 따라서, 원하는 타겟을 검출하기 위해서는 클러터 제거 알고리즘을 적용하는 것이 필요하다. 본 논문에서는 각각의 도로 환경에 적합한 알고리즘을 적용하기 위한 사전 작업으로 딥러닝 기법을 이용하여 도로 환경을 분류하고, 도로 환경을 멀리서도 미리 인식하는 인공 신경망의 구조 제안하였다. 결과적으로, 도로 환경 분류 정확도를 약 14%p 정도 향상시켰다.

또한, 차량용 레이더를 이용하여 각도 분해능을 향상 시킬 수 있는 기법을 제안하였다. 타깃의 위치 정보를 알기 위해서는 거리, 속도 정보 이외에도 각도 정보가 필수적이다. 하지만, 서로 다른 두 타깃이 가까이에 위치하게 되면, 각도 분해능의 한계로 인해 두 타깃이 한 타깃으로 나타나는 현상이 발생하게 된다. 이는 안테나 개구면의 크기를 늘려서 해결이 가능하지만 개구면의 크기를 늘리게 되면 시야각이 줄어들고, 물리적인 공간도 많이 차지하게 되는 단점이 있다. 이를 해결하기 위해 본 논문에서는 선형 예측 안테나 외삽 방식을 이용하여 가상의 수신 신호를 생성하는 방식을 제안하였다. 생성된 가상의 수신 신호와 실제 신호를 도래각 추정 알고리즘에 적용하여 작은 안테나 개구면의 크기를 사용하면서도 각도 분해능은 향상시키는 방법을 제안하였다. 결과적으로, 제안한 기법을 이용하여 각도 분해능을 약 3˚ 가량 향상시켰다.

마지막으로, 레이더에서의 송신 신호 분류 기법을 제안하여 타깃의 위치 추정 성능을 향상시켰다. 여러 개의 송신 안테나를 사용하게 되면 적은 개수의 안테나를 이용하여 타깃을 효율적으로 검출할 수 있다. 하지만, 각각의 송신 안테나로부터 방사된 신호를 구분하지 못하게 되면, 각도 추정 성능에 열화가 발생한다. 이러한 문제를 해결하기 위해 최대 우도 추정 기법을 이용하여 송신 신호를 분류하는 기법을 제안하였다. 결과적으로, 최대로 탐지 가능한 속도 범위를 2배로 증가시켰다. 또한, 송신 신호를 구분하는 기법을 이용하여 각도의 평균 제곱은 오차를 3˚ 정도 향상시켰다.

Recently, as interest in autonomous driving has increased, research on sensors used for autonomous driving is being actively conducted. These sensors used include cameras, lidars, radars, and ultrasonic devices. Among them, radars have a long maximum detectable range and are robust to harsh environments such as rain or no light. Thus, they are essential sensors for autonomous driving. Radars can be used for various purposes, mainly for adaptive cruise control (ACC) and automatic emergency braking (AEB). They can be used to detect the distance to the target, relative velocity, angle, etc., and they can also detect target type and size.

In this dissertation, I proposed a neural network structure for classifying road environments. Various road environments are encountered in autonomous driving, and applying an appropriate target detection algorithm depending on the road environment is necessary. For example, in an iron tunnel comprising several iron structures, the reflection signal is very strong, causing the target to be undetected. Therefore, to detect a desired target, a clutter removal algorithm should be required. To recognize and classify the road environment from a distance in advance, I proposed a neural network structure. As a result, the accuracy of classifying road environments was improved by approximately 14%p.

In addition, I proposed a method to improve the angular resolution by using an automotive radar. To know the position of the target, the direction-of-arrival (DOA) as well as distance and velocity are essential information. This can be solved by increasing the antenna aperture size; however, increasing the aperture size reduces the field of view and requires considerable space. To solve this problem, I proposed a method for generating virtual received signals using the linearly predicted array expansion. By applying the generated virtual and actual signals to the DOA estimation algorithm, a method of improving the angular resolution using a small antenna aperture size was proposed. As a result, the proposed method improved the angular resolution by approximately 3˚.

Finally, I proposed a technique to distinguish the transmission signal in the multi-input and multi-output (MIMO) radar to improve the DOA estimation performance. If multiple transmitting antennas are used, the targets can be efficiently detected by using a small number of antennas. However, if the signals radiated from each transmit antenna element cannot be distinguished, the DOA estimation performance degrades. To address this problem, I proposed a method to distinguish transmission signals by using a maximum likelihood estimation method. Thus, the maximum detectable velocity was doubled. In addition, the DOA estimation performance was also enhanced by approximately 3˚ in terms of root mean square error (RMSE).