[DGIST] 자율주행을 위한 AI기반 주행환경 인식 및 제어기술
페이지 정보
최고관리자 0 Comments 1 Views 20-11-10 15:46 기계본문
- 분야 : 기술제품 개발상태 4 9
-
- 주행 구간 내 위험 정보 알람 시스템 및 방법 외 5건
- 보유기관 및 연구자 : 대구경북과학기술원 - 권순
-
- 특허정보
주행 구간 내 위험 정보 알람 시스템 및 방법 (No : 10-1735080)
주행환경 감응형 자율 조향 예측 장치 및 그 방법 (No : 10-2016-0180010)
차선 이탈 감지 장치 및 제어 방법 (No : 10-2017-0144687)
준지도 학습 방법 (No : 10-2018-0073659)
실감형 HUD의 향상된 UI/UX 제공을 위한 증강정보 시뮬레이터 (No : 10-2017-0162509)
전달 학습을 통한 운전자의 시선 응시영역 추정 방법 (No : 10-2017-0162479)
- 거래조건 : 추후 협의
- 특허정보
기술완성도
-
TRL09
사업화
- 본격적인 양산 및 사업화 단계
-
TRL08
시작품 인증/
표준화- 일부 시제품의 인증 및 인허가 취득 단계
- 조선 기자재의 경우 선급기관 인증, 의약품의 경우 식약청의 품목 허가 등
- 일부 시제품의 인증 및 인허가 취득 단계
-
TRL07
Pilot 단계 시작품
신뢰성 평가- 시작품의 신뢰성 평가
- 실제 환경(수요기업)에서 성능 검증이 이루어지는 단계
-
TRL06
Pilot 단계 시작품
성능 평가- 경제성(생산성)을 고려한, 파일로트 규모의 시작품 제작 및 평가
- 시작품 성능평가
-
TRL05
시제품 제작/
성능평가- 개발한 부품/시스템의 시작품(Prototype) 제작 및 성능 평가
- 경제성(생산성)을 고려하지 않고, 우수한 시작품을 1개~수개 미만으로 개발
-
TRL04
연구실 규모의
부품/시스템 성능평가- 연구실 규모의 부품/시스템 성능 평가가 완료된 단계
- 실용화를 위한 핵심요소기술 확보
-
TRL03
연구실 규모의
성능 검증- 연구실/실험실 규모의 환경에서 기본 성능이 검증될 수 있는 단계
- 개발하려는 시스템/부품의 기본 설계도면을 확보하는 단계
- 모델링/설계기술 확보
-
TRL02
실용 목적의 아이디어/
특허 등 개념 정립- 실용 목적의 아이디어, 특허 등 개념 정립
-
TRL01
기초 이론/
실험- 연구과제 탐색 및 기회 발굴 단계
- 기술개발 배경
-
▶ 기존의 인식기술은 성능상의 한계로 주로 단순 TASK기반의 인식응용분야(ADAS)에 적용되어 왔으나, 최근 딥러닝 기술을 활용하여 인식성능이 크게 향상되어 복합적인 TASK에 대한 인식모델 개발이 가능하게 됨
- 기술개요 및 대표도면
-
▶ 본 기술은 자율주행을 위해 Deep Learning을 활용한 AI기반 주행환경 인식 및 제어기술에 관한 기술임
▶ 대표도면
- Driver Centric ADAS/Autonomous Driving를 위한 gaze-zone 인식기술
Driver Centric ADAS/ Autonomous Driving를 위한 gaze-zone 인식기술
- 기술활용분야
-
▶ ADAS(Advanced driver assistance systems), 자율주행, HVI, 영상관제(CCTV) 등
- 시장동향
-
▶ 자율주행 차량 시장은 2035년까지 꾸준히 성장세를 유지할 것으로 전망되며, 2018년까지 연평균 7%의 고성장이 예상됨
▶ Wards Auto가 2018년 2분기 콘퍼런스에서 발표한 자료에 따르면 인공지능이 사용되는 자동차 시스템 중 ADAS(Advanced driver assistance systems)가 40.6%를 차지하는 것으로 집계됨
(좌)자율주행차량 분야 세계시장 동향, (우)인공지능 사용 차량시스템 동향
- 기술구현
-
▶ 영상 및 센서융합 환경에서 딥러닝 기술을 활용하여 End-to-End방식으로 자율주행 제어결과를 출력하는 기술
▶ 주행객체 뿐만 아니라 주행영역(Free-space), 객체와의 거리(Object Distance), Semantic Scene Segmentation 등 다양한 task를 단일모델에서 구현
▶ Driver의 시선영역을 딥러닝으로 end-to-end 방식으로 추정하는 기술
▶ Pedestrian, Car, Traffic light 등 객체를 딥러닝 기반으로 실시간으로 검출
영상기반 주행환경 인식기술 사례
- 특장점
-
- 기존기술 한계
- ▶ 기존 시스템은 일반화된 정보로서 사고 다발 지역 정보를 운전자에게 제공할 뿐, 해당 운전자에 개인화된 위험 구간 알림은 제공하지 못하는 문제점 보유
▶ 위험 구간에 대하여 운전자로 하여금 이를 정확히 인지하고 대비하도록 하여 사고를 예방하도록 보조하지는 못하는 한계점 보유
- 개발기술 특성
- ▶ 영상 및 센서융합 환경에서 딥러닝 기술을 활용하여 end-to-end방식으로 자율주행 제어결과를 출력하는 기술로서 주행객체 뿐만 아니라 주행영역, 거리, Semantic Scene Segmentation 등 다양한 task를 단일모델에서 구현가능 함
▶ Driver의 시선영역을 딥러닝으로 end-to-end 방식으로 추정하는 기술이며 Pedestrian, Car, Traffic light 등 객체를 딥러닝 기반으로 실시간으로 검출이 가능함
