Project 02 · Research · Planning & Learning · Team of 2
Learning- and Rule-based Hybrid Path Planning
Project Goal
모방학습의 부드러운 조향과 Rule-based 방식의 안정적인 상황 대응을 결합한 Hybrid 주행 시스템을 구현하는 것을 목표로 했다.
Approach
사람의 주행 대신 일관된 expert policy를 사용
- 초기에는 keyboard로 CARLA 차량을 직접 주행해 데이터를 수집하려 했지만, 조향 편차가 커 불안정한 steering까지 학습될 수 있다고 판단했다.
- keyboard data는 최종 학습에서 제외하고, CARLA 기준 경로를 안정적으로 추종하는 Pure Pursuit controller를 expert policy로 사용했다.
- Pure Pursuit의 조향을 모방하는 steer-only Behavioral Cloning 모델을 학습했다.
- 장애물 회피 데이터는 충분히 확보하기 어려워 IL은 정상 경로 추종 steering에 집중하도록 했다.
Implementation
상황에 따라 제어권을 전환하는 통합 구조
- 정상 경로 추종은 Imitation Learning, 정적 장애물 회피는 Lattice Planner가 담당하도록 역할을 분리했다.
- 보행자나 끼어들기 상황에서는 정지하고, 신호와 정지선은 Rule-based control로 처리했다.
- IL은 정상 경로의 steering을 담당하고, 속도 제어는 별도 Rule-based control로 관리했다.
- 각 제어기를 하나의 master control 구조에 통합해 주행 상황에 따라 최종 제어권을 전환하도록 구현했다.
Final Validation / Limitation
다른 맵에서 발견한 주행 가능 영역의 한계
- 프로젝트 후반에 동일한 Hybrid 구조를 다른 CARLA 맵에 적용하는 과정에서 한계를 발견했다. 회피 방향은 좌우 후보를 비교하지 않고 장애물의 상대 위치로 먼저 정했으며, Lattice Planner의 경로 평가에는 차선·연석과 같은 주행 가능 영역 정보가 포함되지 않았다.
- 장애물 검출에는 카메라 정보를 사용했지만, 일부 상황에서는 회피 경로가 실제 도로가 아닌 연석이나 주행 가능 영역 밖으로 향했다. 또한 장애물 판정 조건이 충돌해 의도한 정적 장애물 회피가 실행되지 않는 경우도 확인했다.
- 해당 문제는 최종 검증 단계에서 발견돼 프로젝트 기간 내 수정까지 진행하지 못했다.
Insight
회피 경로에는 주행 가능 영역의 이해가 필요하다
- 다른 환경으로 확장했을 때, 장애물의 위치만으로 회피 방향을 결정하는 방식에는 한계가 있었다. 장애물 회피에서는 충돌 여부뿐 아니라 차선과 연석 등 실제 주행 가능 영역을 함께 고려해야 한다는 점을 확인했다.
Future Work
회피 경로 선택 구조 개선
- 좌·우 회피 후보와 실제 주행 가능 영역을 함께 평가하도록 회피 경로 선택 구조를 개선할 필요가 있다.
Visual evidence
사진과 주행 기록
이미지나 영상을 누르면 크게 볼 수 있습니다.