본 연구에서는 최근 활발히 연구가 진행되고 있는 CNN을 적용하여 가변속도를 갖는 자율주행차의 조향제어기를 설계하였다.
자율주행차(autonomous vehicles)란 일반적으로 운전자의 지속적인 조작 없이 자체적인 프로세스에 따라 자율주행이 가능한 차량을 의미하며 운행 중에 핸들, 브레이크 등의 운전자 조작이 필요하지 않고 도로 상황에 따라 자율적으로 운행 가능하여야 한다. 시각센서 기반 자율주행 시스템은 자율주행에 있어 가장 보편적인 기술이다. 카메라 영상을 사용하는 자율주행 시스템은 가장 기초가 되는 차선 인식에 관한 연구로써 도로의 차선을 검출하고, 검출된 차선을 추정하여 자율주행차의 조향제어에 적용하는 방법이다. 이러한 방법들은 도로의 특징요소를 추출하는데 많은 전처리 과정이 요구되며, 외부 환경 변화에 따라 전처리 과정의 임곗값 설정이 달라져야 하는 어려움이 발생하여 안정적인 차선을 검출하기가 쉽지 않다. 그리고 많은 전처리 과정으로 인해 실시간 처리에 어려움이 따른다. 그러므로 차선검출 방법을 적용하기 위해서는 많은 보조 시스템과 빠른 연산 처리 능력이 필요하다.
CNN은 기존 인공신경망을 이용하여 만든 딥러닝 학습방법 중 하나로서 영상처리 분야에서 많은 활용하여 차선 분류와 사물의 인식 분야에서 좋은 성능을 나타내고 있다. 그러나 CNN이 객체에 대한 분류 문제에서는 높은 정확도를 보이나, 회귀 문제에서는 연구가 미흡하여 더욱이 이를 적용한 제어 문제에 관한 연구는 부족한 실정이다. 따라서 본 논문에서는 학습된 CNN 모델을 기반으로 실제 도로 환경과 유사한 가상 모의환경인 Unity 프로그램에서 제안한 자율주행 차량의 조향제어기 성능을 일반적인 소실점 제어기법과 비교하여 분석하였다.
모의실험 결과 일반적인 소실점을 이용한 제어기들은 차선이 존재하는 구간에서는 차선을 검출하여 주행할 수 있지만, 도로 주변 가로수의 그림자로 인해 차선이 불분명하거나 차선이 소실된 경우, 차선을 제대로 검출하지 못해 자율주행이 어렵다. 그러나 CNN을 이용한 제안된 제어기들은 차선이나 도로의 주변 환경과 상관없이 영상 이미지의 특징점을 찾아서 소실점과 차선을 인식하고 주행을 수행하여 좋은 주행 결과를 도출하였다. 특히 기준 라인을 차량의 앞바퀴 차축 위로 확장하여 조향제어를 설계한 제어기법이 더 안정적인 결과를 나타내었다.
본 모의실험에서는 가상환경으로 인해 제한된 지형과 도로 주위 환경으로 구성되어 CNN 학습이 높은 정확도가 도출되었으나, 실제 도로 환경에서 자율주행 차량에 적용하기 위해서는 CNN 계층의 구성, 학습과 관련된 추가적인 연구가 필요하다. 또한, CNN 제어기의 연산 시간을 단축을 위해 최소한의 영상 이미지 크기를 어떻게 설정할 것인지에 대한 연구도 선행되어야 한다. 이러한 결과에도 불구하고 CNN은 객체의 검출 및 분류뿐만 아니라 자율주행 시스템에 유용한 방법으로 적용될 수 있다.