도로상의 객체 검출은 차량의 자율주행에 있어서 큰 비중을 차지하는 기술이다. 높은 객체 검출 성능을 위해서는 다양한 학습 데이터와 안정적으로 동작하는 검출 및 추적 시스템이 중요하다. 다양한 연구에서 자율주행차량에서의 객체 검출을 위해 단안 영상센서, 스테레오 영상센서, 레이더, 라이다 등의 센서를 사용하고 있다. 단일 센서를 사용하면 해당 센서가 올바르게 작동하지 못하는 환경에서 낮은 객체 검출 성능을 보인다. 최근에는 이러한 문제점을 보완하기 위해 여러 센서의 데이터를 융합하여 객체를 검출하는 기술에 대한 연구가 활발히 진행되고 있다. 이종 센서 융합에는 단안 영상센서와 라이다가 많이 사용된다. 이종 센서를 융합하여 사용하는 기술도 코너 케이스에 대한 검출은 실패할 확률이 높고, 코너 케이스에 대한 학습 데이터 부족이 주요 원인이다. 이를 해결하기 위해서 특수한 상황에 대한 자율주행 데이터 취득이 필요하지만, 사고의 위험성이 높은 다양한 상황에 대한 데이터 취득은 현실적으로 불가능하다. 생성적 적대 신경망은 기존에 존재하지 않는 새로운 데이터를 생성하는 기술이다. 이 생성적 적대 신경망을 이용하여 코너 케이스 데이터를 생성할 수 있고, 이를 이용하여 학습 데이터가 부족한 문제를 해결할 수 있다. 본 연구과제에서는 단안 영상센서와 라이다의 코너 케이스 데이터를 생성하기 위해 생성적 적대 신경망을 이용할 것이다. 생성된 데이터를 학습에 사용하여 안정적으로 동작하는 객체 검출 및 추적 통합 딥러닝 네트워크를 개발할 것이다. 생성된 이종 센서의 코너 케이스 데이터를 검출 및 추적 통합 딥러닝 네트워크의 학습에 사용하여 코너 케이스를 포함한 다양한 환경에서 강인하게 동작하는 객체 검출 시스템을 개발하여 자율주행차량의 핵심 기술을 확보하고자 한다.