모방학습 기반 개인화된 자율주행 에이전트 개발

국문 초록 (Abstract)

자율주행의 출현으로 인간과 로봇은 같은 도로를 공유하게 되었다. 자율주행 차량이 기존 도로에 편입하기 위해서는 기존 차량이 운전되는 방법을 따르며 간극을 줄여야 할 필요가 있다. 나아가 높아지는 개인화 요구에 맞추어 개인의 선호가 반영된(personalized) 자율주행에 대한 요구를 충족할 필요도 있다. 본 논문에서는 규칙기반 에이전트로 수집된 데이터를 복제하는 모방학습 기법을 탐구하고, 나아가 주어진 데이터를 기반으로 다양한 주행 패턴에 대한 선호를 만족하는 자율주행 정책을 생성하는 조정 가능한 다중목적 모방학습 방식을 제안한다. 또한, 제안하는 방식으로 생성된 자율주행 정책들을 자율주행 Carla 시뮬레이터를 이용하여 다양한 시나리오는 실험한다.

다국어 초록 (Multilingual Abstract)

The rise of Autonomous Vehicles (AVs) has brought humans and robots together on the same roads. As AVs integrate into the existing road system, it is crucial for them to establish a connection with human drivers and operate in a way that is convenient for humans. Moreover, as the desire for personalized autonomous driving experiences grows, there is a need to meet the demand for ‘personalized’ AVs. This paper examines imitation learning methods that imitate the driving behaviors of rule-based agents. It also proposes a controlled multi-objective imitation learning approach to generate diverse driving policies based on given data. Additionally, the study assesses the derived policies in various scenarios using the Carla simulator.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 문제정의 4
• 제3장 실험환경 구성 6
• 3.1 이미지 사전 처리 모델 및 입력 상태 6
• 3.2 다중목적 구성 7
• 3.3 데이터 수집 7
• 제4장 복제된 개인화 11
• 4.1 Behavior Cloning (BC) 11
• 4.2 Dataset Aggregation (Dagger) 12
• 4.3 Inverse Reinforcement Learning (IRL) 14
• 제5장 조정 가능한 모방학습 16
• 5.1 데이터 혼합 복제 방식 (Data Mix Cloning) 16
• 5.2 재귀적 복제 방식 (Recursive Cloning) 17
• 제6장 실험결과 20
• 6.1 복제된 개인화 정책 평가 20
• 6.2 모방학습 정책의 다중목적 평가 21
• 6.2.1 Hypervolume metric (HV) 22
• 6.2.2 Sparsity metric (SP) 22
• 6.3 조정 가능한 다중목적 모방학습으로 생성된 정책의 다중목적 값 변화 추이 25
• 제7장 결론 28
• 참고문헌 29
• Abstract 32