외국 기업 사례 (모듈화 보다는 딥러닝 기반)

 

1. NVIDIA end to end approach

케마라 input과 steering output 사이에 CNN network가 존재해서 72시간 의 전문가의 주행을 통한 학습을 하였다.

CNN 에서 어디가 active 한지 확인해 볼 수 있었다. 기존에 내가 배운것은 opencv로 처리해서 edge를 얻는 것인데 CNN이 자동으로 어디를 주목해야하는지 알아낸다.

 

2. ChauffeurNet (Waymo)

end to end 와 달리 mid to mid 방식이다. 네트워크의 아웃풋이 비교적 해설이 수월해진다. 

perception에서 프로세싱을 거친 것을 input으로 넣어준다. 

같은 백본 Feature Net을 통해서 자신의 주행 예측 뿐만 아니라 주변의 다른 차량들의 예측도 같이 했습니다. 

 

1. Cruise

단순하게 잘 가는것 뿐만아니라 Comfortable 즉 사람처럼 트래픽에 잘 어우러저서 갈 수 있어야만 한다.

주변의 환경들도 예측을 해서 planning에서 정해야한다.

예외적인 상황들도 잘 이겨내어야 한다. 보통의 네트워크들은 흔치 않게 발생하는것에 대해서는 제대로 맞추지 못한다. 바나나차는 perception case , 위의 3가지는 longtail prediction case이다.

실제 미래와 perception에서 나온결과를 비교해서 그 차이를 매꾸는 방향으로 학습시키는 것이 active learning이다.