닫기
Loading..

Please wait....

국내 학회지

홈 홈 > 연구문헌 > 국내 학회지 > 전자공학회지 - 대한전자공학회

전자공학회지 - 대한전자공학회

Current Result Document : 6 / 13 이전건 이전건   다음건 다음건

한글제목(Korean Title) [특집] 자율주행 자동차를 위한 물체인식 딥러닝 네트워크 및 구현기법
영문제목(English Title)
저자(Author) 박경빈   이민규   노시동   박상수   박상기   이창우   우정현   정기석        
원문수록처(Citation) VOL 46 NO. 01 PP. 0018 ~ 0029 (2019. 01)
한글내용
(Korean Abstract)
최근 정보통신기술(ICT)의 급격한 발전에 힘입어 오랜 시간 꿈으로만 존재했던 자율주행 자동차는 더 이상 꿈이 아닌 현실로 다가 오고있다. 자율주행 자동차란 운전자의 개입 없이 자체적으로 주변 환경을 인식하고, 주행 상황을 판단하여 목적지까지 스스로 주행이 가능한 차량을 지칭한다. 자율주행 자동차는 교통사고 발생률을 감소시킬 수 있고, 운전자의 편의를 증대시키는 등 교통 효율성을 높일 수 있으며 나아가 공유 경제의 한 축으로 발전 가능하다는 점에서 향후 자동차 산업의 핵심으로 주목 받고 있다. 이는 <그림 1>과 같이 향후 세계 자율주행 자동차 보급률이 2020년 4%에서 2035년에는 75%에 달할 것으로 전망된다는 점에서도 확인할 수 있다. 차량의 자율주행을 위해서는 필수적으로 인지, 판단, 제어의 세 가지 단계를 거쳐야 한다. 먼저 인지단계에서 사람의 귀와 눈과 같은 역할을 하는 레이더 (Radar), 라이다 (LiDAR), 카메라, 초음파와 같은 다양한 센서를 이용하여 주변환경 정보 및 주행 상황을 인지한 후, 이를 기반으로 판단 단계에서 향후 벌어질 일을 예측하여 가장 안전하고 빠른 차량 궤적을 생성한다. 최종적으로 제어 단계에서 브레이크, 엑셀레이터, 운전대를 조작하여 판단 단계에서 생성된 차량 궤적을 따라 주행하게 된다. 이러한 자율주행을 위해 다양한 기술들이 활용되지만, 최근에는 막대한 데이터를 기반으로 하는 인공지능 기술이 각광을 받고 있다. 그 중에서도 객체 인식이나 이미지 분류 등 다양한 영상 처리 문제를 해결하는데 뛰어난 효율을 보이는 컨볼루션 신경망 (Convolutional Neural Networks, CNNs)을 활용한 기술이 주류로 자리 잡고 있다. CNN은 영상이 담고 있는 특정 객체 하나를 판별해내는 능력에서는 사람과 대등한 수준에 이르렀지만 자율주행차가 수집하는 영상 정보는 다양한 위치에 대하여 수많은 객체들이 존재하기 때문에 아직까지 자율주행 기술에 사용되기 위해서는 한계가 있다. 뿐만 아니라 영상에 포함된 객체들은 서로 중첩되거나 배경에 묻혀버리기도 하기 때문에 일반적인 CNN 모델만을 활용해서는 정확한 인지 단계를 수행하는데 한계가 있다. 이를 위한 해결책으로, 최근에는 기존의 CNN 모델을 발전시킨 YOLO[1]와 Single Shot Detector (SSD)[2]와 같이 object detection이 가능한 모델을 활용하여 인지 단계를 수행하게 된다. CNN 에서는 Convolution 연산을 수행하는 Convolution layer를 통해 핵심적 특징을 추출하게 되며, 이 단계는 CNN에서 가장 중요한 역할을 담당하기 때문에, 그에 따라 가장 많은 연산량이 요구된다. 특히, 자율 주행에 사용될 만큼 좋은 성능을 가지는 CNN들은 여러 Convolution layer를 적층해 구성되기 때문에 막대한 연산량을 요구하게 된다. 이는 기존의 차량에 사용되는 ECU가 메모리 대역폭이나 연산 능력이 충분하지 않기 때문에, 막대한 연산량을 요구하는 CNN을 제대로 구동하기 어렵다는 점에서 문제가 된다. 이를 위한 해결책으로 GPU (Graphics Processing Unit), ASIC (Application-specific Integrated Circuit), FPGA (Field Programmable Gate Array) 등 다양한 하드웨어 플랫폼을 기반으로 한 CNN 가속기들을 활용하는 방안이 주목받고 있다. 본고에서는 먼저 Ⅱ장에서 일반적인 CNN 모델 및 Object Detection이 가능한 발전된 모델들을 살펴보고, Ⅲ장에서는 현재 시장에 출시되거나 개발 중인 자율주행을 위한 가속 플랫폼들을 살펴보면서 다양한 딥러닝 하드웨어 가속기 구조를 소개한다. Ⅳ장 에서는 이러한 플랫폼들에서 효율적인 CNN 가속기 구현을 위한 방법들과 최신 연구 동향에 대해 소개하며, 마지막으로 Ⅴ장에서 결론에 대해 기술한다.
영문내용
(English Abstract)
키워드(Keyword)                              
파일첨부 PDF 다운로드