오프로드 자율주행을 위한 딥러닝 기반 의미론적 분할 모델 비교

초록

현재 자율주행 기술은 도심에서 다니는 일반 차량에 대하여 활발한 연구가 이루어지고 있다. 그에 반해 비포장도로의 자율주행에 대한 연구는 복잡한 지형, 불규칙한 주행조건과 같은 제약들로 인하여 더 많은 노력을 필요로 한다. 본 논문은 다양한 딥러닝 기반의 의미론적 분할네트워크들을 활용하여 오프로드 환경에서의 주행가능 영역을 판별하고 성능을 비교한다. 기존 자율주행 연구에 활용되는 데이터셋과는 달리, 본 연구에서는 오프로드 환경을 반영한Rellis-3D 데이터셋을 타겟으로 한다. 주어진 데이터셋에 대해 해당 모델들의 성능을 비교하고 평가하기 위해서 Intersection over Union(IoU)와 Flops Per IoU (FPI)을 평가 기준치로사용한다. 이를 통해 오프로드 환경에서의 주행가능영역을 판별하는 데 가장 효율적인 네트워크를 선정한다.

키워드