이 연구 주제는 자율주행 차량이 복잡한 도심 및 오프로드 환경에서 주변 상황을 정확히 이해하고 자신의 위치를 안정적으로 추정할 수 있도록 하는 핵심 기술을 다룬다. 연구실은 라이다, 카메라, 정밀도로지도, 반사율 정보, 도로 경계, 차선, 노면 객체와 같은 다양한 환경 특징을 활용하여 GPS가 불안정하거나 제한된 상황에서도 신뢰성 있는 주행이 가능하도록 하는 인지·측위 기술을 개발하고 있다. 특히 차량이 실제 주행 가능한 공간과 위험 요소를 구분하고, 차선 수준의 정밀 위치를 인식하는 문제를 중요한 연구 대상으로 삼고 있다. 구체적으로는 라이다 기반 도로 경계 검출, 환경특징 기반 위치인식, ND/격자 지도 기반 정합, 동적·정적 객체를 함께 표현하는 DOGM(Dynamic Occupancy Grid Map) 갱신, 3D 바운딩박스 객체 인식, 카메라-라이다 센서융합 기술이 주요 방법론으로 활용된다. 기존의 정적 점유격자지도 방식이 가지는 한계를 넘어, 주변 차량과 보행자, 마이크로모빌리티처럼 시간에 따라 움직이는 객체의 위치와 속도까지 통합적으로 표현함으로써 보다 현실적인 주행환경 모델을 구성하는 데 초점을 둔다. 또한 칼만필터, IMM, 객체 추적, 세멘틱 세그멘테이션 등 확률적 추정과 딥러닝 기반 방법을 함께 결합하여 실시간성과 강건성을 동시에 확보하려는 연구 흐름이 뚜렷하다. 이 연구는 자율주행의 안전성과 상용화 가능성을 높이는 기반 기술이라는 점에서 중요하다. 정확한 환경인식과 위치인식은 경로계획, 충돌회피, 차선 유지, 작업차량 자동화, 물류 및 건설장비 무인화로 직접 연결되며, 실제 특허와 국책과제를 통해 산업적 확장성도 확인된다. 향후에는 복수 센서의 불확실성을 더 정교하게 통합하고, 악천후·야간·비정형 지형에서도 신뢰도 높은 인지를 수행하는 방향으로 발전할 가능성이 크다.

이 연구 주제는 차량과 무인항공기 같은 이동체가 복잡한 동역학 제약을 가지는 상황에서도 목표 경로를 안정적으로 추종하고, 돌발 상황에서 안전하게 회피 기동을 수행하도록 하는 제어 기술에 초점을 둔다. 연구실은 초기 무인항공기 선형 추종 제어 연구부터 시작해, 이후 자율주행 차량의 경로추종, 긴급 차선변경, 공격적 코너링, 장애물 회피조향, 전복 방지와 같은 보다 난도가 높은 주행 제어 문제로 연구를 확장해 왔다. 이는 자동차계측·제어를 기반으로 실제 주행 환경의 안전성과 성능을 동시에 만족시키려는 연구 방향을 보여준다. 핵심 방법론으로는 비선형 모델예측제어(NMPC)가 중심에 있으며, 차량의 종·횡방향 거동, 큰 조향각, 미끄러짐, 전복 위험, 동적 장애물과 같은 요소들을 고려해 미래 입력을 최적화한다. 연구실은 단순한 이론 검증에 머물지 않고, 하드웨어 인 더 루프 시뮬레이션, 실차 데이터, 스케일카 플랫폼, 가상환경 기반 검증 등을 통해 알고리즘의 실시간 적용 가능성을 적극적으로 확인해 왔다. 또한 충돌회피와 차량자세제어, 경로계획, 추종제어를 통합적으로 설계함으로써 실제 자율주행 시스템에 적용 가능한 수준의 제어 아키텍처를 구축하고 있다. 이 연구의 의의는 안전 임계상황에서도 제어기가 예측적으로 대응할 수 있도록 하여 자율주행 시스템의 신뢰도를 높인다는 데 있다. 특히 도심 교차로, 급조향, 장애물 회피, 험지 작업차량 운행처럼 사람이 직접 조작하기 어려운 상황에서 자동화 성능을 향상시키는 데 큰 역할을 한다. 향후에는 인공지능 기반 환경인지 결과와 예측제어를 더 긴밀히 결합하여, 불확실한 동적 환경에서도 설명 가능하고 안정성이 검증된 차세대 자율주행 제어 기술로 발전할 가능성이 높다.

이 연구 주제는 자율주행 차량이 단순히 현재 주변을 인식하는 수준을 넘어, 동적인 교통 참여자의 미래 행동을 예측하고 이에 맞추어 안전하고 효율적인 주행 경로를 생성하는 문제를 다룬다. 연구실은 도심 주행 데이터와 동적 점유격자지도, 주변 차량 및 장애물의 움직임 정보를 활용하여 보다 현실적인 경로설계 기술을 개발하고 있다. 이는 자율주행차가 실제 도로 환경에서 보행자, 주변 차량, 마이크로모빌리티, 도로 구조 변화에 유연하게 대응하기 위한 필수 요소이다. 구체적으로는 DOGM 기반 동적 객체 표현, 주변 차량 미래 경로 프레임 예측, ConvLSTM 및 CNN 기반 딥러닝 모델, 코스트맵 기반 충돌 회피 경로 계획, 웨이포인트 생성, 실시간 재계획과 같은 기술들이 활용된다. 최근 발표된 연구에서는 동적 점유격자지도를 이용한 객체 군집화, 속도벡터 추정 성능 향상, 카메라와 라이다 객체 검출을 결합한 지도 갱신, 역강화학습 기반 도시형 로컬 경로계획 등으로 연구 범위가 확장되고 있다. 이러한 접근은 단순 규칙기반 계획보다 복잡한 실제 교통 상황을 더 자연스럽게 반영할 수 있다는 장점이 있다. 이 연구는 자율주행 차량의 주행 품질과 승차감, 안전성, 사회적 수용성을 함께 높일 수 있다는 점에서 중요하다. 단기적으로는 차선 변경, 교차로 통과, 돌발 물체 회피 등에서 부드럽고 안정적인 의사결정을 가능하게 하고, 장기적으로는 물류 자동화, 건설 현장 무인화, 스마트 모빌리티 서비스 운영의 핵심 알고리즘으로 이어질 수 있다. 향후에는 사람의 운전 의도와 상호작용 맥락까지 반영하는 예측·계획 통합 기술로 발전할 가능성이 크다.