유진우 연구실은 자율주행 및 전동화 차량의 주행 안정성과 기동 성능을 동시에 향상시키기 위한 차량 동역학 제어 기술을 핵심 연구 주제로 다루고 있다. 특히 인휠모터 차량과 같은 차세대 전기차 플랫폼에서 발생하는 좌우 구동력 차이, 외란, 노면 변화, 차량 파라미터 불확실성 등의 문제를 해결하기 위해 정교한 제어 전략을 설계한다. 이는 단순한 성능 향상을 넘어 실제 양산 차량에서 활용 가능한 수준의 강건성과 실시간성을 확보하는 데 목적이 있다. 연구실의 논문과 프로젝트를 보면 적응 슬라이딩 모드 제어, 모델 예측 제어, 경로 추종 제어, 가변 샘플링 타임 제어 등 다양한 고급 제어 기법을 활용하여 차량의 요 레이트 제어, 직진 안정성 확보, 코너링 민첩성 향상 문제를 해결하고 있음을 확인할 수 있다. 또한 센서로 측정 가능한 정보만을 이용하는 실용적 제어 구조를 지향하고, 도로-타이어 조건이나 불확실성 경계를 사전에 완전히 알지 못하는 상황에서도 안정적인 제어가 가능하도록 알고리즘을 설계한다. 이는 실제 자동차 산업 현장에서 요구하는 구현 가능성과 직결된다. 이 연구는 향후 레벨 3~4 이상의 자율주행 시스템에서 필수적인 안전성 확보와도 밀접하게 연결된다. 차량이 복잡한 주행 환경에서 정확하게 경로를 추종하고, 긴급 상황에서도 안정적인 거동을 유지하도록 하는 기술은 자율주행 상용화의 핵심 기반이다. 따라서 본 연구실의 제어 연구는 전기차, 자율주행차, 상용차 플랫폼 전반에 적용 가능한 모빌리티 핵심 원천기술로 확장 가능성이 크다.

유진우 연구실은 자율주행 차량에 탑재되는 카메라, 레이다, 라이다 등 다양한 센서의 신호를 안정적으로 처리하고, 잡음과 불확실성이 존재하는 환경에서도 높은 인지 성능을 확보하는 연구를 수행하고 있다. 연구실의 초기 대표 논문들은 적응형 필터, NLMS, affine projection sign algorithm 등 신호처리 기반 방법론을 중심으로, 잡음이 포함된 입력 신호나 희소 시스템 환경에서 더욱 강건한 추정 성능을 구현하는 데 초점을 두고 있다. 이러한 연구는 차량 센서 데이터의 정합, 추정, 식별 문제에 직접 연결된다. 최근 수행 과제에서는 적응형 필터 기반 자율주행 센서 신호처리 성능 고도화 연구를 통해 복수 센서 및 복수 차량으로부터 수집되는 인식 결과의 편차를 줄이고, noise와 uncertainty에 강한 센서 융합 기반 신뢰도 향상 기술을 개발하고 있다. 또한 객체 검출, 영상 기반 위치 추정, 포인트클라우드 업샘플링 및 분할 성능 개선, 동적 환경에서의 강인한 비주얼 로컬라이제이션 등 자율주행 인지 전반으로 연구가 확장되고 있다. 이는 전통적 신호처리와 딥러닝 기반 인지기술을 연결하는 융합적 접근으로 볼 수 있다. 이러한 연구는 자율주행 시스템에서 가장 중요한 ‘인지 결과의 신뢰성’ 문제를 해결하는 데 큰 의미가 있다. 센서 오차나 외란에 의해 잘못된 객체 인식이나 위치 추정이 발생하면 제어와 의사결정 전 단계가 흔들릴 수 있기 때문이다. 본 연구실의 접근은 센서 데이터의 잡음 억제부터 인식 결과 보정, 다중 센서 정보의 정합까지 포괄하므로, 실도로 환경에서 안정적으로 작동하는 자율주행 인지 시스템 구축에 핵심적인 역할을 한다.

유진우 연구실은 자율주행 차량 및 부품의 안전성, 성능, 신뢰성을 효율적으로 검증하기 위해 혼합현실 기반 VILS(Vehicle-In-the-Loop Simulation) 기술을 중점적으로 연구하고 있다. 실제 시험장과 가상 도로 환경을 연동하여 현실 차량의 거동과 가상 교통 상황을 동기화하는 방식은, 위험하고 비용이 많이 드는 실차 시험을 보완할 수 있는 차세대 평가 인프라로 주목받고 있다. 연구실은 실제 차량과 시뮬레이션 차량 간 위치 정합, 가상 인지 센서 데이터 생성, 평가 시나리오 및 평가 DB 구축 등 검증 플랫폼 전반을 다루고 있다. 다수의 국가과제와 특허를 통해 연구실은 혼합현실 ViLS 플랫폼 개발, 제어/HMI 평가 시나리오 설계, 자율주행 센서 가상화, 표준화된 평가 절차 수립, 글로벌 툴체인 연계 환경 구축 등을 수행해 왔다. 특히 실제 proving ground에서 주행하는 차량의 상태를 반영하여 가상 교통 객체를 생성하고, 이를 기반으로 인지 센서 데이터를 실시간 공급하는 기술은 자율주행 검증의 현실성과 반복성을 동시에 높이는 핵심 요소다. 또한 위치 센서 정확도를 고려한 실차 기반 시뮬레이션 기술은 물리 시험과 가상 시험 간 오차를 줄이는 데 중요한 역할을 한다. 이 연구는 자율주행차 상용화에 필수적인 안전 검증, 기능 안전, SOTIF 검증 체계와도 긴밀히 연결된다. 실제 도로에서 재현하기 어려운 극한 상황이나 희귀 위험 시나리오를 가상 환경에서 반복적으로 시험할 수 있기 때문에, 개발 기간 단축과 비용 절감은 물론 검증 범위 확대에도 기여한다. 따라서 본 연구실의 VILS 및 혼합현실 검증 연구는 자율주행 산업의 평가 패러다임을 실험 중심에서 데이터 기반 가상 검증 중심으로 전환하는 데 중요한 기반 기술이라 할 수 있다.

유진우 연구실은 자율주행 차량 주변의 보행자와 차량 등 동적 객체의 미래 움직임을 예측하는 기술에도 연구 역량을 확장하고 있다. 최근 발표된 궤적 예측 연구에서는 단순히 과거 위치 정보만 이용하는 방식에서 벗어나, 속도 정보와 객체 간 상호작용을 함께 반영하는 해석 가능한 네트워크 구조를 제안하였다. 이는 군집 보행, 충돌 회피, 사회적 규범과 같은 복잡한 행동 패턴을 보다 정교하게 모델링하기 위한 시도이다. 연구실은 cross-attention 메커니즘과 해석 가능한 트리 구조를 결합하여 후보 경로를 생성하고, 이를 기반으로 보다 현실적인 미래 궤적을 추론하는 방법을 연구하였다. 이런 방식은 블랙박스 형태의 예측 모델이 가지는 해석성 부족 문제를 완화하며, 속도 프로파일과 이동 의도까지 포함한 예측으로 확장될 가능성을 보여준다. 더불어 학회 발표 주제를 통해 강화학습, 딥러닝 기반 경로 예측, 비주얼 SLAM, 딥러닝 기반 순차 영상 처리 등 자율주행 인지·예측 전반의 인공지능 응용 연구도 활발히 수행하고 있음을 알 수 있다. 이 연구는 자율주행 차량의 행동 계획 및 의사결정 단계에서 매우 중요한 역할을 한다. 미래의 주변 객체 움직임을 정밀하게 예측할 수 있어야만 차량은 충돌 위험을 줄이고, 보다 자연스럽고 안전한 주행 전략을 수립할 수 있기 때문이다. 특히 보행자와 같은 취약 교통약자에 대한 예측 정확도 향상은 사회적 안전성과 직결되므로, 본 연구실의 예측 연구는 지능형 모빌리티의 인간 중심 안전 기술로서 높은 가치를 가진다.