이 연구 주제는 복잡한 실제 환경에서 차량, 보행자, 도로 구조물 등 중요한 객체를 빠르고 정확하게 인식하기 위한 딥러닝 기반 객체 검출 및 장면 이해 기술을 다룬다. 자율주행 시스템은 실시간으로 수많은 시각 정보를 처리해야 하므로, 정확도뿐 아니라 연산 효율과 지연시간까지 고려한 알고리즘 설계가 필요하다. 연구실은 단일 단계 검출기와 특징 피라미드 구조, 주의집중 기반 특징 선택 기법 등을 활용하여 작은 물체와 큰 물체를 동시에 안정적으로 검출할 수 있는 모델을 연구해 왔다. 특히 다중 스케일 특징을 효과적으로 결합하고, 상향식·하향식 정보 흐름을 균형 있게 활용하는 네트워크 구조가 주요한 방법론으로 사용된다. 게이팅 기반 특징 피라미드 네트워크와 같은 접근은 각 계층의 특징 중 중요한 정보만 선별적으로 전달함으로써, 물체의 위치 정보와 의미 정보가 모두 살아 있는 강인한 표현을 형성한다. 이러한 방법은 단순한 벤치마크 성능 향상을 넘어, 복잡한 도로 환경에서 검출 누락과 오검출을 줄이고, 실제 차량 탑재 환경에서 요구되는 안정성을 확보하는 데 기여한다. 장기적으로 이 연구는 자율주행 차량의 의사결정과 경로 계획에 입력되는 핵심 인지 모듈을 고도화하는 기반이 된다. 객체 검출 성능이 향상될수록 보행자 보호, 충돌 회피, 차선 변경, 교차로 통과와 같은 고위험 상황에서 더 신뢰할 수 있는 판단이 가능해진다. 또한 멀티스펙트럴 영상과 결합하면 저조도·야간 조건에서도 검출 성능을 유지할 수 있어, 실제 산업 적용성과 안전 인증 측면에서도 매우 중요한 연구 축으로 평가된다.

이 연구 주제는 자율주행 차량이 낮과 밤, 도심과 주거지역, 악천후와 저조도 환경 등 다양한 실제 조건에서 안정적으로 주변을 인식할 수 있도록 멀티스펙트럴 시각 인지 기술을 개발하는 데 초점을 둔다. 일반적인 RGB 카메라만으로는 야간이나 역광, 안개와 같은 조건에서 물체 인식 성능이 크게 저하될 수 있기 때문에, 열화상 카메라, 스테레오 카메라, 3차원 LiDAR, GPS/IMU와 같은 이종 센서를 함께 활용하는 방식이 중요하다. 연구실은 이러한 센서들이 서로 보완적인 정보를 제공하도록 정렬, 보정, 융합하는 문제를 핵심 연구 과제로 다루며, 실제 자율주행 시스템에서 요구되는 강인성과 범용성을 높이고자 한다. 구체적으로는 멀티스펙트럴 데이터셋 구축, RGB-열화상 정합, 멀티센서 캘리브레이션, 주행 가능 영역 검출, 객체 검출, 위치추정, 깊이 추정, 영상 개선 등 자율주행 인지 전반에 걸친 기술을 연구한다. 대표적으로 낮/밤 전 시간대를 포괄하는 대규모 멀티스펙트럴 주행 데이터셋을 기반으로, 다양한 센서 조합에서 학습 가능한 벤치마크를 제시하고, 열화상 기반의 인지 성능 향상 가능성을 검증한다. 또한 센서 간 스펙트럼 차이를 극복하기 위해 구조 정보, 기하 정보, 상호 보완적 특징을 활용하는 정렬 및 융합 알고리즘을 개발하여 실제 차량 환경에서 신뢰도 높은 인식 결과를 얻도록 한다. 이 연구의 의의는 자율주행의 가장 어려운 과제 중 하나인 모든 시간대와 모든 환경에서의 안정적 인지를 가능하게 한다는 점에 있다. 특히 센서 하나에 의존하지 않고 복수 센서의 장점을 통합함으로써 안전성과 견고성을 동시에 확보할 수 있으며, 이는 향후 레벨 4 이상 자율주행 기술의 상용화와 시험평가 표준 개발에도 직접 연결된다. 더 나아가 연구실의 멀티스펙트럴 인지 연구는 차량뿐 아니라 로봇, 감시, 국방, 스마트시티 등 다양한 분야로 확장 가능한 기반 기술이라는 점에서 높은 파급력을 가진다.

이 연구 주제는 라벨 비용이 큰 3차원 인지 문제를 해결하기 위해 자기지도학습을 활용한 깊이 추정과 기하 인식 기술을 개발하는 데 중점을 둔다. 자율주행에서 깊이 정보는 주변 객체까지의 거리, 도로 구조, 주행 가능 공간을 판단하는 데 필수적이지만, 대규모 정답 깊이 데이터를 수집하는 것은 매우 어렵고 비용이 높다. 연구실은 이러한 한계를 극복하기 위해 단안 또는 멀티센서 입력만으로도 신뢰도 높은 깊이 정보를 학습할 수 있는 자기지도학습 프레임워크를 연구해 왔다. 최근에는 CNN을 넘어 트랜스포머 기반 구조를 도입하여 장거리 공간 의존성을 효과적으로 포착하고, 동시에 얇은 구조물이나 경계 영역과 같은 세부 정보도 유지할 수 있도록 설계하고 있다. 이를 위해 픽셀 단위의 스킵 어텐션, 자기증류 손실, 안정적인 광도 손실 구성 등 학습 안정성과 표현력을 동시에 높이는 다양한 기법을 제안한다. 또한 열화상과 RGB처럼 서로 다른 스펙트럼의 데이터를 활용하여 전천후 깊이 추정 성능을 향상시키고, 기하학적 일관성과 실제 주행 환경 적응성을 함께 고려하는 연구를 수행한다. 이 연구는 지도 데이터 부족 문제를 완화하면서도 실제 환경에서 유용한 3차원 인지 기술을 구현할 수 있다는 점에서 큰 의미가 있다. 깊이 추정과 기하 인식이 정교해질수록 자율주행 차량은 주변 환경을 더욱 입체적으로 이해할 수 있고, 이는 장애물 회피, 차간 거리 유지, 정밀 위치추정 등 다양한 기능의 성능 향상으로 이어진다. 더 나아가 자기지도학습 기반 접근은 향후 대규모 주행 데이터 엔진과 결합되어 E2E 자율주행 모델 학습의 핵심 요소로 발전할 가능성이 크다.

이 연구 주제는 End-to-End 자율주행 기술의 실질적 발전을 위해 대규모 레퍼런스 데이터셋을 구축하고, 이를 기반으로 모델 개발과 성능 검증 체계를 정립하는 데 목적이 있다. 최근 자율주행 연구는 개별 인지 모듈을 넘어서, 센서 입력에서 직접 주행 행동을 예측하는 E2E 방식으로 확장되고 있다. 그러나 이 방식은 데이터 품질과 시나리오 다양성, 평가 기준의 공정성에 매우 민감하기 때문에, 체계적인 데이터 설계와 표준화된 시험 절차가 필수적이다. 연구실은 산업계와 학계 경험을 바탕으로 이러한 공백을 메우는 데이터 중심 연구를 수행한다. 주요 연구 내용으로는 주행 데이터의 수집 규격 정의, 시나리오 분류 체계 설계, 학습 효율을 높이는 데이터 가공 및 처리 기술, 성능 검증용 벤치마크 구축, 자율주행 시스템-인프라 연계 시험 기준 개발 등이 포함된다. 특히 실제 도로 환경을 반영한 장면 구성과 다양한 위험 상황을 포괄하는 데이터셋을 구축함으로써, 단순한 알고리즘 비교를 넘어 실차 적용 가능성을 평가할 수 있도록 한다. 아울러 자율주행 시스템과 차량 플랫폼, 인프라 간 상호작용까지 고려한 시험 표준 개발은 기술 상용화와 인증 체계 정립에 매우 중요한 역할을 한다. 이 연구의 파급효과는 단순히 좋은 모델 하나를 만드는 데 그치지 않는다. 고품질 데이터와 표준 평가 체계는 연구 커뮤니티 전체의 재현성과 비교 가능성을 높이고, 산업 현장에서 필요한 안전성 검증과 기술 이전을 촉진한다. 장기적으로는 국내 자율주행 생태계의 공통 기반을 형성하여, 학계·산업계·연구기관이 동일한 기준 아래 협력할 수 있는 환경을 만드는 데 기여할 것으로 기대된다.