[ Article ]

Journal of Institute of Control, Robotics and Systems - Vol. 31, No. 8, pp.921-926

ISSN: 1976-5622 (Print) 2233-4335 (Online)

Print publication date 01 May 2025

Received 18 Apr 2025 Revised 30 Apr 2025 Accepted 26 Jun 2025

DOI: https://doi.org/10.5302/J.ICROS.2025.25.0125

BEV Perception Module 기반의 차량 자율주행 End-to-end 네트워크

이전혁¹

; 연주연²

; 박태형²^{, *}

충북대학교 제어로봇공학 대학원생 davian@chungbuk.ac.kr
충북대학교 지능로봇공학 대학원생 yjyeon@chungbuk.ac.kr
충북대학교 지능로봇공학 교수 taehpark@cbnu.ac.kr

End-to-end Network for Autonomous Vehicles Based on a Bird’s Eye View Perception Module

Jeon-Hyeok Lee¹

; Joo-Yeon Yeon²

; Tae-Hyoung Park²^{, *}

1Department of Control and Robot Engineering, Chungbuk National University
2Department of Intelligent Systems and Robotics, Chungbuk National University
2Department of Intelligent Systems and Robotics, Chungbuk National University

Correspondence to: ^*Corresponding Author

Abstract

End-to-end autonomous driving reduces errors and information loss during inter-module communication by directly predicting control commands from input sensor data. The trajectory-guided control prediction (TCP) method fuses features from images, vehicle states, and target points, and inputs them to a gated recurrent unit (GRU)-based action predictor module, which outputs steering and acceleration commands. However, data imbalance during training makes it difficult to extract meaningful features in data-sparse scenarios, leading to degraded driving performance. Therefore, we propose a Bird’s Eye View perception module (BPM) to enable robust driving even in data-sparse situations. Additionally, BPM extracts spatial and temporal features, and the GRU-based action predictor module leverages these features to predict trajectories and control commands. We trained and evaluated our method and TCP using the MORAI simulator. The training data included 75.84% lane following, 15.13% left/right turns, and 9.03% avoidance scenarios. In data-sparse scenarios (e.g., left/right turns, avoidance), our method reduced the lateral error by 0.83 m and the collision rate by 27.78%.

Keywords:

BEV perception module, imitation learning, End-To-End network, autonomous driving

I. 서론

End-to-end 네트워크 기반의 자율주행은 센서 입력으로부터 직접 제어 명령을 예측함으로써, 모듈 간 통신 과정에서 발생할 수 있는 오류와 정보 손실을 최소화한다. 기존 모듈 기반 자율주행 방법 [1-5]은 모듈 별로 성능 평가가 가능해 디버깅에 용의하다. 그러나 이러한 방법들은 모듈 간 정보 손실 및 오류가 누적될 수 있다. 이러한 이유로, 자율주행을 위한 end-to-end 학습 방법 [6-11]이 최근 연구에서 큰 주목을 받고 있다.

End-to-end 자율주행 분야의 최근 연구에서는 단안 카메라를 기반으로 주행 경로와 제어 명령을 예측하는 모방학습 기반의 trajectory-guided control prediction (TCP) 방법 [12,13]이 제안되었다. TCP 는 이미지로부터 주행에 관련된 특징을 추출하고, 이를 차량 상태 및 목표 지점과 결합한다. 결합된 특징은 제어 명령 예측 모듈에 입력되어 전문가와 유사한 차량의 조향 및 가속 명령을 예측한다. 하지만, TCP 는 학습된 이미지 특징을 사용해 제어 명령을 예측하므로, 학습 데이터가 부족한 시나리오에서 성능이 저하된다. 따라서 학습 데이터가 적은 시나리오에서도 안정적으로 주행이 가능한 end-to-end 자율주행 네트워크의 개발이 필요하다.

그림 1 과 같이 주행 중 대부분은 차선 유지 시나리오이며, 좌/우 회전과 회피 같은 시나리오는 15.13%와 9.03%로 상대적으로 낮은 비중을 차지한다. 학습 데이터가 적은 시나리오에서 모방학습 기반의 end-to-end 네트워크는 추출된 특징을 통해 전문가와 유사한 제어 명령을 예측하기 어렵다. 그 결과, TCP [12,13]와 같은 방법들은 주행 성능이 저하되고 충돌 위험이 증가하게 된다. 이 문제를 해결하기 위해서는 주변 환경에 대한 공간적 특징을 직관적으로 추출하고, 시간에 따라 특징을 통합할 수 있는 특징 추출기가 필요하다.

Fig. 1.

Example distribution of driving scenarios.

본 논문에서는 학습 데이터가 적은 시나리오에서도 강인하게 주행할 수 있는 모방학습 기반의 end-to-end 자율주행 네트워크를 제안한다. 회피나 좌/우 회전과 같은 학습 데이터가 적은 시나리오에서도 의미 있는 특징을 추출하기 위해, cross-attention 기반의 BEV (Bird’s Eye View) 특징 추출과 시간적 특징 융합을 결합한 BPM (BEV Perception Module)을 제안한다. 제안 방법은 MORAI 시뮬레이터 [14]를 이용해 다양한 시나리오에서 TCP 방법 [12]과 비교하여 자율주행 경로 추종 및 회피 성능을 평가하였다. 데이터가 상대적으로 적은 좌/우 회전 시나리오에서는 오차가 0.83m 감소되었으며, 회피 시나리오에서는 충돌률이 27.78% 감소하였다. 이를 통해, 제안 방법이 학습 데이터가 적은 시나리오에서 TCP 방법 [12]보다 더 나은 성능을 보임을 알 수 있다.

본 논문의 구성은 다음과 같다. 2 장에서는 TCP 방법 [12]을 설명하며, 3 장에서는 제안 방법을 소개한다. 4 장에서는 실험 결과를 분석하고, 5 장에서는 본 논문의 결론을 제시한다.

II. TCP 네트워크 구조

그림 2(a)에 나타낸 바와 같이, 기존 end-to-end 자율주행 네트워크 [12]는 전방 카메라 이미지와 차량 상태, 목표 지점을 입력으로 받아 주행 경로와 제어 명령을 출력한다. 목표 지점은 (𝑥, 𝑦)좌표로 표현되며, 차량 상태는 속도, 가속도, 조향각 그리고 각속도로 구성된다.

Fig. 2.

Comparison of network architectures: proposed method vs. baseline.

이미지 특징을 차량 상태 및 목표 지점과 융합하기 위해 ResNet34 [15]을 사용하여 이미지로부터 특징(𝜙_𝑖𝑚𝑔)을 추출한다. 이후, 임베딩된 차량 상태 및 목표 지점 특징(𝜙_𝑚)과 융합하기 위해 이미지 특징에 전역 평균 풀링을 적용(𝜙_{𝑓𝑒𝑎𝑡})하여 특징을 융합(𝜙_{𝑓𝑢𝑠𝑒})한다. 융합된 특징은 제어 명령 예측 모듈의 입력으로 사용되며, 제어 명령 예측 모듈은 두 개의 분기로 구성된다. 경로 예측 분기는 GRU 기반 네트워크 [16,17]를 이용하여 이미지 특징과 차량 상태와 목표 지점 특징이 융합된 입력으로부터 주행 경로를 예측한다. 제어 명령 예측 분기는 경로 예측 분기에서 생성된 은닉 상태 (ℎ₀, ℎ₁, ⋯ , ℎ_𝑛)와 추출된 이미지 특징을 함께 입력으로 받아 식 1과 같이 조향 및 가속 명령을 직접 예측한다. 이러한 구조는 경로 예측 분기와 제어 명령 예측 분기 간의 일관성을 향상시킨다.

u 0, u 1, ⋯, u n = G R U h 0, h 1, ⋯, h n, ϕ f u s e

(1)

(𝑢₀, 𝑢₁, ⋯ , 𝑢_𝑛) 는 각 시점에서의 제어명령을 나타내며, (ℎ₀, ℎ₁, ⋯ , ℎ_𝑛)는 경로 예측 분기에서 생성된 은닉 상태를 의미한다.

그러나 이러한 방법은 학습된 시나리오에 크게 의존하며, 좌/우 회전 및 회피와 같은 학습 데이터가 부족한 시나리오에서 주행 성능이 저하되고, 충돌 위험이 증가한다. 이 문제를 해결하기 위해 그림 2(b)에 나타낸 바와 같이, 우리는 BPM과 GRU 기반 제어 명령 예측 모듈을 결합하여 학습 데이터가 적은 시나리오에서도 강인한 주행 경로 예측 및 제어 명령 예측 방법을 제안한다.

III. BEV PERCEPTION MODULE (BPM)

1. BEV 특징 추출

카메라 이미지로부터 BEV 특징을 추출하기 위해 본 논문은 cross-view transformer [18]에 영감을 받아 BEV 특징 추출 방법을 제안한다. 네트워크 입력은 이미지와 함께 카메라 내부 및 외부 파라미터로 구성된다. 먼저, ResNet34 [15]를 이용하여 이미지로부터 특징(𝜙_𝑖𝑚𝑔)을 추출한다. 이 후, 식 2과 같이 BEV 특징 추출을 위해 위치 인코딩을 생성한다. 이러한 임베딩은 트랜스포머(transformer)가 기하학적으로 모델링하지 않고도 전면 카메라 뷰에 대해 매핑을 학습할 수 있게 한다.

δ i = M L P R - 1 K - 1 ϕ i

(2)

𝛿_𝑖는 위치 인코딩을 나타내며, 𝑅은 카메라 회전 파라미터, 𝐾는 카메라 내부 파라미터를 의미한다.

추출된 특징과 위치 인코딩을 입력으로 식 3과 같이 이미지 좌표와 BEV 좌표 간의 기하학적인 관계를 코사인 유사성으로 재구성하여 attention 메커니즘을 사용한다.

a i, j = δ i + ϕ i ⋅ c j - τ δ i + ϕ i c j - τ

(3)

𝑎_𝑖,𝑗는 이미지 특징과 BEV 특징 간의 기하학적인 관계에 대한 attention 맵을 나타낸다. 𝜙_𝑖는 Resnet34 에서 추출된 이미지 특징을 의미하며, 𝛿_𝑖는 식 2 에서 카메라 내부 및 외부 파라미터를 사용해 생성한 위치 인코딩을 의미한다. 𝑐_𝑗는 BEV 뷰에서의 임베딩 된 위치를 의미하며, 𝜏는 카메라의 위치를 의미한다.

이렇게 생성한 𝑎_𝑖,𝑗와 이미지 특징(𝜙_𝑖)을 통해 식 4와 같이 BEV 특징( $ϕ j B E V$ )을 추출한다.

ϕ j B E V = ∑ i a i, j ϕ i + ϕ j B E V

(4)

2. 시간 특징 융합

BEV 특징을 추출한 후 시간에 따라 특징을 융합한다. 𝑡 시점에서 추출된 특징, 𝑡 − 1 시점에서 추출된 특징, 시간에 따른 위치 변화량을 입력으로 한다.

위치 변화량을 이용한 위치 인코딩 방법은 식 5와 같다. 위치 변화량을 통해 이전 시간의 위치(𝑥_{𝑡−1,𝑖})를 현재 시간의 위치( $x t - 1, i'$ )로 변환한다.

x t - 1, i' = R x t - 1, i + t

(5)

𝑅과 𝑡는 현재 시간과 이전 시간에 따라 변화된 위치 변화량이다.

또한, BEV 특징들의 유사도 계산을 위해 위치 인코딩을 식 6과 같이 생성된 위치 정보와 현재 위치 정보를 각각 특징 벡터로 생성한다.

p t - 1, i = M L P x t - 1, i' p t, i = M L P x t, i

(6)

𝑝_{𝑡−1,𝑖}, 𝑝_𝑡,𝑖는 위치 인코딩을 위한 특징 벡터를 나타낸다.

시간에 따른 특징 융합을 위해 본 논문에서는 cross attention을 식 7와 같이 계산하여, attention 맵을 생성한다.

a i = ϕ t, i + p t, i ⋅ ϕ t - 1, i + p t - 1, i ϕ t, i + p t, i ϕ t - 1, i + p t - 1, i

(7)

𝑎_𝑖는 cross attention을 통해서 생성된 attention 맵을 나타내며, 𝜙_𝑡,𝑖, 𝜙_{𝑡−1,𝑖}는 각 시점에서 생성된 BEV 특징을 의미한다.

𝑡 − 1에서의 BEV 특징과 attention 맵을 융합해 식 8과 같이 𝑡에서 추출한 BEV 특징과 유사한 특징에 대해서 강조한 특징( $ϕ t - 1, i'$ )을 생성한다.

ϕ t - 1, i' = ∑ i a i ϕ t - 1, i

(8)

마지막으로 생성된 특징과 현재 특징에 대해 skip connection을 식 9와 같이 적용하여 시간적 특징이 융합된 특징(𝜙_{𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑙})을 생성한다.

ϕ t e m p o r a l = ϕ t - 1, i' + ϕ t, i

(9)

이렇게 융합된 특징은 제어 명령 예측 모듈을 통해 차량 주행 경로 및 제어 명령을 예측한다.

IV. 실험

1. 실험 환경 구성

본 연구에서는 도심 및 고속도로 환경에서의 시나리오별 주행 성능 평가를 위해 MORAI 시뮬레이터 [14]를 사용하였다. 실험은 NVIDIA RTX 3090 GPU가 장착된 컴퓨터에서 수행되었다. 센서는 전방 카메라 1대와 GPS/IMU로 구성하였다. 전방 카메라의 해상도는 1280 × 720 로 설정하며, 화각은 90°로 설정하였다. 학습 데이터 셋은 차선 유지 75.84%, 좌/우 회전 15.13%, 회피 시나리오 9.03%로 학습 시나리오 비율을 불균형하게 구성하였다. 또한, 회피 실험을 위해 객체는 버스, 고깔, 가드레일, 콘크리트 블록, 박스, 보행자를 사용한다. 각 시나리오는 주행 성능을 일관되게 평가하기 위해 10회씩 실행되었다.

제안한 방법은 학습 데이터가 많은 시나리오와 적은 시나리오로 구분하여 각각 평가되었다. 차선 유지 및 좌/우 회전 시나리오에서는 식 10과 같이 횡방향 오차[19, 20]를 평가지표로 평가하였고, 회피 및 추월 시나리오에서는 식 11과 같이 충돌률을 사용해 평가하였다. 횡방향 오차는 주행 경로와의 횡방향 오차를 측정하며, 충돌률은 주행 중 충돌 발생 빈도를 측정한다.

횡 방 향 오 차 = 1 N ∑ i = 1 N x i - x i 2 + y i - y i 2

(10)

충 돌 률 = n c o l l i s i o n n t o t a l × 100

(11)

𝑁은 전체 샘플 수를 의미하며, (𝑥_𝑖, 𝑦_𝑖)는 각 시점에서의 차량의 위치, ( $x i'$ , $y i'$ )는 현재 위치에 대응되는 전역 경로 상의 위치를 의미한다. 𝑛_{𝑐𝑜𝑙𝑙𝑖𝑠𝑖𝑜𝑛}은 주행 중 발생한 충돌 횟수를 나타내며, 𝑛_{𝑡𝑜𝑡𝑎𝑙} 은 각 시나리오에 배치된 전체 객체 수를 나타낸다.

2. 시나리오 별 비교

표 2에 나타낸 바와 같이, 제안한 방법은 기존 TCP 방법과 비교하였다. 학습 데이터의 대부분을 차지하는 차선 유지 시나리오에서는 제안 방법이 기존 TCP 방법에 비해 평균 횡방향 오차를 0.23m 감소시켰다. 또한, 데이터가 상대적으로 적은 좌/우 회전 시나리오에서는 오차가 0.83m로 크게 감소하였으며, 이는 그림 3과 같이 기존 TCP 방법과 비교해 성능이 크게 향상되었음을 의미한다. 그리고 회피 시나리오에서는 제안한 방법이 기존 TCP 방법과 비교해 충돌률을 27.78% 감소시켰다.

Table 1.

Performance comparison by scenario.

Fig. 3.

Comparison of lateral errors in left/right turn scenarios.

실험 결과를 바탕으로 제안 방법은 학습 데이터가 적은 시나리오에서도 기존 TCP 방법과 비교해 향상된 주행 성능을 보여주었다. 기존 학습 데이터가 적은 시나리오에서 주행 성능이 감소하는 문제를 해결하기 위해 본 논문은 BPM (BEV Perception Module)을 제안한다. 그림 4에 나타난 바와 같이, BPM은 학습 데이터 불균형으로 인해 충분히 학습되지 못한 시나리오에서 주행에 필수적인 특징을 효과적으로 추출하며, 이는 충돌률 감소에 기여함을 볼 수 있다.

Fig. 4.

Comparison of avoidance performance by network.

V. 결론

본 논문에서는 학습 데이터가 적은 시나리오에서 주행 성능을 향상시키기 위한 end-to-end 방법을 제안하였다. 학습 데이터가 적은 시나리오에 대해 기존 모방학습 기반 방법들은 강인한 주행 명령을 예측하기 어려웠다. 이 문제를 해결하기 위해 제안 방법은 직관적인 공간적 BEV특징을 추출한 후, 시간적 특징을 융합하여 제한된 시나리오에서도 견고한 주행이 가능하도록 BPM(BEV Perception Module)을 제안했다.

MORAI 시뮬레이터를 활용한 실험 결과, 제안 방법은 학습 데이터가 부족한 시나리오에서 성능 향상을 보였다. 좌/우 회전 및 회피와 같은 학습 데이터가 상대적으로 적은 시나리오에서 횡방향 오차가 0.83m 감소하였으며, 충돌률은 27.78% 개선되었다. 이러한 결과는 제안 방법이 학습 데이터가 부족한 시나리오를 처리하는데 효과적임을 보였다.

Acknowledgments

본 논문은 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원을 받아 수행된 지역지능화혁신인재양성사업임 (IITP-2025-RS-2020-II201462).

REFERENCES

W. Zhang, M. Elmahgiubi, K. Rezaee, B. Khamidehi, H. Mirkhani, F. Arasteh, C. Li, M. A. Kaleem, E. R. Corral-Soto, D. Sharma, and T. Cao, “Analysis of a modular autonomous driving architecture: The top submission to CARLA Leaderboard 2.0 Challenge,” arXiv preprint arXiv:2405.01394, , May 2024. [https://doi.org/10.31224/3656]
A. Álvarez, J. J. Guerrero, and M. Mazo, “Integrating modular pipelines with end-to-end learning: A hybrid approach for robust and reliable autonomous driving,” Sensors, vol. 24, no. 7, p. 2097, Apr. 2024. [https://doi.org/10.3390/s24072097]
G. Kaljavesi, X. Su, and F. Diermeyer, “Integrating end-to-end and modular driving approaches for online corner case detection in autonomous driving,” arXiv preprint arXiv:2409.01178, , Sep. 2024. [https://doi.org/10.1109/SMC54092.2024.10831409]
J. Cui, B. Zhao, and M. Qu, “An integrated lateral and longitudinal decision-making model for autonomous driving based on deep reinforcement learning,” IEEE Transactions on Intelligent Transportation Systems, vol. 24, no. 4, pp. 1234–1245, Apr. 2023. [https://doi.org/10.1155/2023/1513008]
X. Dauptain, A. Koné, D. Grolleau, and M.-T. Do, “Conception of a high-level perception and localization system for autonomous driving,” IEEE Access, vol. 10, pp. 45678–45689, Dec. 2022.
Y. Xiao, F. Codevilla, D. Porres, and A. M. López, “Scaling vision-based end-to-end autonomous driving with multi-view attention learning,” Proceedings of the IEEE International Conference on Robotics and Automation, pp. 7122–7128, May 2023. [https://doi.org/10.1109/IROS55552.2023.10341506]
Y. Hu, J. Yang, L. Chen, K. Li, C. Sima, X. Zhu, S. Chai, S. Du, T. Lin, W. Wang, L. Lu, X. Jia, Q. Liu, J. Dai, Y. Qiao, and H. Li, “UniAD: Planning-oriented autonomous driving,” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 7234–7244, Jun. 2023.
B. Liao, S. Chen, H. Yin, B. Jiang, C. Wang, S. Yan, X. Zhang, X. Li, Y. Zhang, Q. Zhang, and X. Wang, “DiffusionDrive: Truncated diffusion model for end-to-end autonomous driving,” Proceeding of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Jun. 2025. [https://doi.org/10.1109/CVPR52734.2025.01124]
W. Zheng, R. Song, X. Guo, C. Zhang, and L. Chen, “GenAD: Generative end-to-end autonomous driving,” arXiv preprint arXiv:2402.11502, , Apr. 2024. [https://doi.org/10.1007/978-3-031-73650-6_6]
P. Li and D. Cui, “Navigation-guided sparse scene representation for end-to-end autonomous driving,” Proceeding of the International Conference on Learning Representations, May 2025.
B. Jiang, S. Chen, Q. Xu, B. Liao, J. Chen, H. Zhou, Q. Zhang, W. Liu, C. Huang, and X. Wang, “VAD: Vectorized scene representation for efficient autonomous driving,” Proceeding of the IEEE/CVF International Conference of Computer Vision, pp. 10843–10852, Oct. 2023. [https://doi.org/10.1109/ICCV51070.2023.00766]
P. Wu, X. Jia, L. Chen, J. Yan, H. Li, and Y. Qiao, “Trajectory-guided control prediction for end-to-end autonomous driving: A simple yet strong baseline,” Proceeding of the Thirty-Sixth Conference on Neural Information Processing Systems, Dec. 2022.
S. Azam and V. Kyrki, “Multi-task adaptive gating network for trajectory distilled control prediction,” IEEE Robotics and Automation Letters, vol. 9, no. 5, pp. 4862–4869, May 2024. [https://doi.org/10.1109/LRA.2024.3385695]
K. Kim and S. Kee, “Teleoperated driving with virtual twin technology: A simulator-based approach,” World Electric Vehicle Journal, vol. 15, no. 7, p. 311, Jul. 2024. [https://doi.org/10.3390/wevj15070311]
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 770–778, Jun. 2016. [https://doi.org/10.1109/CVPR.2016.90]
J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, “Empirical evaluation of gated recurrent neural networks on sequence modeling,” arXiv preprint arXiv:1412.3555, , Dec. 2014.
Q. Tan, M. Ye, B. Yang, S. Liu, A. J. Ma, T. C.-F. Yip, G. L.-H. Wong, and P. C. Yuen, “DATA-GRU: Dual-attention time-aware gated recurrent unit for irregular multivariate time series,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 34, no. 4, pp. 5017–5024, Feb. 2020. [https://doi.org/10.1609/aaai.v34i01.5440]
B. Zhou and P. Krähenbühl, “Cross-view transformers for real-time map-view semantic segmentation,” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 13750–13759, Jun. 2022. [https://doi.org/10.1109/CVPR52688.2022.01339]
K. Kim, C. Jeong, J. Kim, S. Lee, and C. Kang, “Neural network modeling approach for vehicle lateral dynamics using real vehicle data,” Journal of Institute of Control, Robotics and Systems (in Korean), vol. 30, no. 7, pp. 696–702, Jul. 2024. [https://doi.org/10.5302/J.ICROS.2024.24.0082]
D. Lee and J. Jeong, “Simulation-based aircraft attitude estimation using CNN–RNN approach,” Journal of Institute of Control, Robotics and Systems (in Korean), vol. 30, no. 10, pp. 1104–1109, Oct. 2024. [https://doi.org/10.5302/J.ICROS.2024.24.0171]

이 전 혁

2021년 충북대학교 전자공학부 졸업. 2022년 충북대학교 제어로봇공학 석사 졸업. 2022년~현재 충북대학교 제어로봇공학 박사과정. 관심분야는 자율주행 환경 인지, End-to-end 네트워크 학습 방법 등.

연 주 연

2024년 충북대학교 전자공학부 졸업. 2024년~현재 충북대학교 지능로봇공학 석사과정. 관심분야는 자율주행 환경 인지, End-to-End 자율주행을 위한 적응형 도메인 등.

박 태 형

1988년 서울대 제어계측공학과 졸업. 1990년 동 대학원 석사. 1994년 동 대학원 박사. 1994년~1997년 삼성테크원㈜ 선임연구원 1997년~현재 충북대학교 지능로봇공학과 교수. 2000년~2001년 토론토 대학교 방문교수. 2012년~2017년 대한전기학회 로보틱스 및 자동화 연구회 위원장. 2020년~현재 과기정통부 지정 산업인공지능 연구센터 (Grand ICT) 센터장. 관심분야는 로보틱스, 자율주행, 산업인공지능 등.

방법	시나리오
방법	차선 유지	좌/우 회전	회피
TCP	0.67	1.46	48.61
BPM + TCP	0.44	0.63	20.83