본 논문은 자율주행에서의 두 가지 제어 접근법—전통적인 규칙 기반 시스템과 ResNet-18 기반 엔드투엔드 딥러닝 모델—을 데이터 기반으로 비교하는 연구를 제시한다. 규칙 기반 시스템은 YOLOv8 분할을 활용하여 차선 표식을 검출하고, 수작업으로 설계한 제어 규칙을 통해 조향 및 속도 명령을 생성한다. 주행 데이터(카메라 영상, 조향 각, 모터 속도 명령)는 다양한 주행 조건에서 이 시스템으로부터 실시간으로 수집하였다. 본 데이터셋을 사용하여, 시각 입력으로부터 조향과 속도를 직접 예측하는 ResNet-18 회귀 모델을 학습하였다. 엔드투엔드 모델은 시뮬레이션 환경과 실제 환경 모두에서 평가되었다. 결과는 해당 모델이 규칙 기반 거동을 효과적으로 재현하며, 조향 예측에서 높은 정확도를 보이고 속도 제어에서도 허용 가능한 성능을 나타냄을 보여준다. 그러나 추가 미세조정이 없는 경우, 특히 이상적인 경로에서 벗어나는 상황에서 실제 환경에서의 불안정성이 관찰되었다. 복구 데이터로 미세조정을 수행하면 성능이 크게 향상되어, 모델이 추론한 명령을 사용하면서도 안정적인 차선 유지 거동을 가능하게 하였다. 이러한 결과는 엔드투엔드 학습에서의 데이터 다양성과 품질의 중요성을 강조하며, 딥러닝 모델이 적절히 학습될 경우 규칙 기반 시스템에 필적하는 제어 성능을 달성할 수 있음을 보여준다.

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