차량 온보드 유닛(OBU) 센서만에 의존하는 전통적인 자율주행 시스템은 지각 범위의 한계 및 센서 가림(occlusion)과 같은 어려움에 자주 직면한다. 반면, 도로변 인프라 센서에만 의존하는 시스템은 차량 수준의 정확한 의사결정을 위해 필요한 세부 정밀 데이터가 부족할 수 있다. 이러한 문제를 해결하기 위해, 본 논문은 차량-인프라 멀티센서 융합(Vehicle-to-Infrastructure Multi-Sensor Fusion, V2I-MSF) 프레임워크를 제시하며, 이는 차량 OBU로부터의 LiDAR 및 카메라 데이터와 도로변 인프라의 센서 데이터를 통합한다. 이러한 융합은 환경 시각화를 향상시키고 자율주행 차량의 보다 정보에 기반한 의사결정을 지원한다. 더불어, 융합된 센서 데이터를 처리하도록 설계된 행위자-비평가(Actor-Critic) 강화학습(RL) 모델을 제안하여 정밀한 동작(모션) 추정, 장애물 회피, 차선 예측을 가능하게 한다. 제안된 프레임워크는 특히 복잡한 도시 교차로 시나리오에서 정확도, 확장된 지각 범위, 의사결정의 견고성 측면에서 유의미한 개선을 보인다. 시뮬레이션 결과는 V2I-MSF 접근법의 효과성을 검증하였으며, 단독 센서 구성에 비해 더 안전하고 효율적인 주행 환경을 조성하는 데 우수함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.