본 논문은 한국 도로 환경을 고충실도로 재현한 MORAI 시뮬레이터에서 학습 및 검증된 Convolutional Neural Network (CNN) 기반의 자율주행 End-to-End (E2E) 제어 모델을 제안한다. 기존 모듈형 아키 텍처에서 발생하는 오류 전파 문제를 해결하기 위해, 본 연구에서는 원시 영상 입력을 직접 조향 명령으로 매핑하는 E2E 학습 방식을 적용한다. 모델 학습은 다양한 가상 주행 환경에서 세 대의 카메라를 통해 수집된 데이터셋을 활용하였으며, adam 최적화 알고리즘과 huber 손실 함수를 이용해 최적화한다. 검증은 학습에 사용되지 않은 도로를 포함해 수행되었으며, 제안된 모델은 단일 전방 카메라만으 로도 견고한 차선 유지 성능을 보였다. 다만 곡률이 큰 일부 도로 구간에서는 성능 저하가 관찰되었다. 본 연구는 한국 도로 환경을 반영한 시뮬레이션 기반 E2E 자율주행 모델의 개발 가능성을 입증한 다.

Training and Application of an End-to-End AI Autonomous Driving Model for Local Navigation Based on Multi-Camera Input

Yong-Ha Lee, Jong-Hoon Won*

This paper presents an End-to-End (E2E) control model for autonomous driving utilizing a Convolutional Neural Network (CNN), which was trained and validated within the MORAI simulator, a high-fidelity simulation of Korean road environments. To address the error propagation problem inherent in conventional modular architectures, an E2E learning scheme is employed to directly map raw visual inputs to steering commands. The model was trained on a dataset collected from a three-camera configuration across diverse virtual environments and optimized using the Adam optimizer and a Huber loss function. Experimental validation was performed by using roads not used in training. The proposed model achieves robust lane-keeping capabilities using only a single front-facing camera. Although performance degradation was observed in high-curvature road sections, the results confirm the feasibility of developing an E2E autonomous driving model in a simulated, Korean-specific context.

Keywords: AI, autonomous driving, end-to-end, CNN

Speaker 이용하 인하대학교