RnDcircle

기술 개요

“도로 환경의 구조를 파악하고 차량 위치·주변 객체·주행 경로를 함께 판단해 안전하고 지속적으로 갱신되는 자율주행 의사결정을 지원하는 기술입니다.”

산업 별 활용 방안

자율주행차·첨단 운전자 보조 시스템 개발 기업

자율주행차와 첨단 운전자 보조 시스템을 개발하는 기업은 교차로·합류 구간처럼 주변 차량과 도로 규칙을 동시에 고려해야 하는 상황에서 경로 계획의 안전성과 실시간성을 함께 확보해야 합니다. 본 기술을 센서 인지 결과와 연계해 주변 객체 분류, 도로 구조 인식, 경로 최적화와 비상 경로 생성에 적용함으로써 주행 장면별 의사결정 기준을 보완할 수 있습니다. 기존 인지·계획 체계를 전면 교체하기보다, 경로 계획 또는 환경 인지 모듈부터 단계적으로 결합해 실도로 PoC에서 성능을 확인할 수 있습니다.

고정밀 지도·차량 위치 인식 솔루션 기업·기관

지도와 위치 인식 솔루션을 제공하는 기업·기관은 날씨·조도 변화나 도심의 반복적인 구조물 때문에 카메라 기반 위치 추정 결과가 불안정해질 수 있습니다. 본 기술은 카메라 영상에서 도로 요소를 벡터화 지도와 그래프 구조로 만들고, 이미지 특징과 고정밀 지도 특징을 함께 비교해 장소 인식과 지도 매칭에 활용할 수 있습니다. 보유한 지도 데이터와 카메라 기반 위치 인식 시스템에 연계하는 방식으로 적용하며, 지역·도로 유형별 재현성은 PoC에서 검증할 수 있습니다.

자율주행 인지모델과 주행 데이터 플랫폼을 운영하는 기업·기관

대규모 주행 데이터를 운영하는 기업·기관은 라이다 장면을 모두 수작업으로 라벨링하기 어렵고, 적은 라벨 데이터로 학습한 모델의 객체 인지 성능을 지속적으로 관리해야 합니다. 본 기술은 원본과 변환 데이터의 예측 차이를 이용해 라벨링 우선순위가 높은 불확실 장면을 선별하고, 선택되지 않은 데이터도 준지도학습에 활용하도록 구성할 수 있습니다. 기존 데이터 수집·라벨링·모델 재학습 흐름에 선별 모듈을 추가하는 방식으로 도입하고, 보유 센서 구성과 운영 데이터에서 선별 효과를 검증할 수 있습니다.

기술 설명

어떤 기술인가요?

자율주행 기술은 카메라·라이다 등 센서로 도로와 주변 상황을 파악하고, 현재 위치를 확인한 뒤, 안전·교통 규칙·주행 가능성을 고려해 차량 경로를 정하는 기술입니다. 본 기술 포트폴리오는 도로 환경 인지부터 위치 추정, 학습 데이터 선별, 실시간 경로 계획까지 연결하는 자율주행 AI 기술을 다룹니다. 주변 차량과의 거리 제약을 분류해 실시간 모델 예측 제어 경로를 만들고 비상 경로를 함께 준비하며(특허 1), 카메라 영상에서 차선·횡단보도·도로 경계 같은 도로 요소를 그래프형 벡터 지도로 복원하고(특허 2), 카메라 이미지와 벡터화 고정밀 지도를 결합해 장소를 인식하며(특허 3), 라이다 데이터 중 추가 라벨링이 필요한 어려운 장면을 선별하고(특허 4), 주행 장면별 비용 기준과 안전·규칙 기준을 함께 반영해 경로를 최적화하는(특허 5) 기법으로 구성됩니다. 이를 통해 센서 기반 환경 이해와 경로 의사결정을 하나의 개발 체계 안에서 고도화할 수 있습니다.

어떤 문제를 해결하나요?

1. 복잡한 도로에서의 실시간 안전 경로 생성

비신호 교차로·원형 교차로·합류도로에서는 주변 차량과의 거리 제약이 복잡해지고, 최적화 계산이 길어지거나 적절한 해를 찾지 못할 수 있습니다. 주변 물체를 양보 대상·선행 통과 대상·무시 대상으로 분류해 거리 제약을 단순화하고, 모델 예측 제어로 경로를 생성하며, 안전 기준을 충족하지 못할 때는 정지 가능한 백업 경로를 함께 준비합니다.

2. 도로 구조와 차량 위치를 안정적으로 파악하기 어려움

카메라 영상만으로 위치를 판단하면 공사 현장, 반복되는 건물 외관, 주변 차량처럼 계속 변하는 시각 정보 때문에 서로 다른 장소를 혼동할 수 있고, 픽셀 단위 도로 인식은 지도와 직접 비교하기 어렵습니다. 도로의 차선·횡단보도·경계를 점과 선의 그래프로 복원하고, 카메라 이미지의 시각 정보와 벡터화 고정밀 지도의 기하 정보를 결합해 장소 인식과 지도 기반 위치 추정에 활용합니다.

3. 대규모 주행 데이터의 라벨링 비용과 학습 품질

자율주행 차량이 수집하는 라이다 데이터는 규모가 크지만, 모든 장면에 객체 위치와 크기를 사람이 표시하면 시간과 비용이 커집니다. 원본 데이터와 3차원 변환 데이터에서 객체 검출 결과가 얼마나 일치하는지 분석해, 예측 불확실성이 큰 장면을 우선 라벨링하고 라벨이 없는 데이터도 모델 학습에 반영합니다.