자율주행 개요

1. 자율주행이란

자율주행(Autonomous Driving)은 차량이 사람의 직접적 조작 없이 주변 환경을 인식하고, 주행 경로를 계획하며, 차량을 제어하는 기술의 총칭입니다. 일반적으로 SAE(Society of Automotive Engineers) 분류에 따라 Level 0부터 Level 5까지의 자율 단계로 구분됩니다.

레벨	명칭	설명
L0	No Automation	사람이 모든 운전을 담당
L1	Driver Assistance	가속/제동 또는 조향 중 하나만 보조
L2	Partial Automation	가속/제동·조향 모두 보조하나 사람 감독 필수
L3	Conditional Automation	특정 조건에서 시스템이 주행, 비상시 사람 개입
L4	High Automation	특정 영역(ODD) 내에서 완전 자율
L5	Full Automation	모든 환경에서 완전 자율

2. 자율주행 시스템의 표준 구성

flowchart LR
    A[센서<br>카메라/LiDAR/IMU] --> B[인식<br>Perception]
    B --> C[예측<br>Prediction]
    C --> D[계획<br>Planning]
    D --> E[제어<br>Control]
    E --> F[액추에이터<br>조향/가속/제동]

전통적 자율주행 시스템은 위와 같이 모듈식(Modular) 파이프라인으로 구성되며, 각 모듈이 명확한 책임을 가집니다.

3. End-to-End 학습 접근법

NVIDIA의 PilotNet(2016)을 시작으로, 카메라 입력에서 직접 조향 명령을 출력하는 End-to-End 신경망 접근법이 부상했습니다. 모듈 간 정보 손실이 없고 데이터 기반 최적화가 가능하다는 장점이 있으나, 의사결정 과정의 해석이 어렵고 안전성 검증이 까다롭다는 한계도 존재합니다.

숭산텍 프로젝트는 이 End-to-End 접근법을 채택하되, CARLA 시뮬레이터에서의 충분한 검증과 양자화·시나리오별 안전성 분석으로 한계를 보완하는 전략을 취합니다.

4. 핵심 학습 패러다임

4.1 모방 학습 (Imitation Learning)

전문가(또는 autopilot)의 운전 데이터를 모방하여 정책을 학습. 대표적으로 행동 복제(Behavioral Cloning, BC)가 있습니다.

4.2 강화 학습 (Reinforcement Learning)

환경과의 상호작용을 통해 보상을 최대화하는 정책을 학습. 자율주행 분야에서는 PPO(Proximal Policy Optimization) 등이 주로 사용됩니다.

4.3 BC + RL 하이브리드

BC로 안정적 초기 정책을 확보한 후, RL로 미세조정하는 2단계 학습 전략. 숭산텍 프로젝트의 핵심 접근법입니다.