최근 인공지능과 그에 따른 소프트웨어, 하드웨어 기술의 발전으로 자율주행이 급속도로 발전하고 있습니다. 자율주행 시스템은 민간 차량 운전자 지원 시스템, 자율 물류 로봇, 드론 및 기타 분야에서 사용되었습니다. 인지 구성요소는 자율주행 시스템의 핵심으로, 차량이 내부 및 외부 교통 환경에 대한 정보를 분석하고 이해할 수 있도록 해줍니다. 그러나 다른 소프트웨어 시스템과 마찬가지로 자율주행 인식 시스템도 소프트웨어 결함으로 인해 어려움을 겪고 있습니다. 또한 자율주행 시스템은 안전이 중요한 시나리오에서 작동하며 소프트웨어 결함으로 인해 치명적인 결과를 초래할 수 있습니다. 최근 자율주행 시스템의 결함으로 인한 사망자와 부상자가 속출하고 있다. 자율주행 시스템 테스트 기술은 학계와 산업계로부터 폭넓은 관심을 받아왔습니다. 기업과 연구 기관에서는 가상 시뮬레이션 테스트, 실제 도로 테스트, 가상 및 실제 결합 테스트를 포함한 일련의 기술과 환경을 제안했습니다. 그러나 입력 데이터 유형의 특수성과 자율주행 시스템의 운영 환경의 다양성으로 인해 이러한 유형의 테스트 기술을 구현하려면 과도한 리소스가 필요하고 더 큰 위험이 수반됩니다. 본 논문에서는 자율주행 인식 시스템 테스트 방법의 현재 연구 및 적용 현황을 간략하게 분석한다.
자율주행 인지 시스템의 품질 보증은 점점 더 중요해지고 있습니다. 인식 시스템은 차량이 도로 상태 정보를 자동으로 분석하고 이해할 수 있도록 도와야 합니다. 그 구성은 매우 복잡하며 다양한 교통 시나리오에서 테스트할 시스템의 신뢰성과 안전성을 완전히 테스트해야 합니다. 현재 자율주행 인지 테스트는 크게 세 가지로 분류된다. 어떤 테스트 방법을 사용하든 기존 테스트와는 다른 중요한 특징, 즉 테스트 데이터에 대한 강한 의존성을 보여줍니다.
첫 번째 유형의 테스트는 주로 소프트웨어 공학 이론 및 형식적 방법 등에 기반을 두고 인식 시스템 구현의 모델 구조 메커니즘을 진입점으로 삼습니다. 본 테스트 방법은 자율주행 인식의 작동 메커니즘과 시스템 특성에 대한 높은 수준의 이해를 기반으로 합니다. 이 편향된 인식 시스템 논리 테스트의 목적은 시스템 개발 초기 단계에서 인식 모듈의 설계 결함을 발견하여 초기 시스템 반복에서 모델 알고리즘의 효율성을 보장하는 것입니다. 연구진은 자율주행 알고리즘 모델의 특성을 바탕으로 일련의 테스트 데이터 생성, 테스트 검증 지표, 테스트 평가 방법 및 기술을 제안했다.
두 번째 유형의 테스트 가상 시뮬레이션 방법은 컴퓨터를 사용하여 실제 교통 시스템을 추상화하여 사전 설정된 가상 환경에서의 시스템 테스트 또는 인식 구성 요소의 독립적 테스트를 포함한 테스트 작업을 완료합니다. 가상 시뮬레이션 테스트의 효과는 가상 환경의 현실성, 테스트 데이터 품질, 구체적인 테스트 실행 기술에 따라 달라지며, 시뮬레이션 환경 구축 방법, 데이터 품질 평가 및 테스트 검증 기술의 유효성을 충분히 고려해야 합니다. 자율주행 환경 인식 및 장면 분석 모델은 훈련 및 테스트 검증을 위해 대규모의 효과적인 교통 장면 데이터에 의존합니다. 국내외 연구자들은 교통현장 및 그 데이터구조 생성기술에 대해 많은 연구를 진행해왔다. 데이터 돌연변이, 시뮬레이션 엔진 생성, 게임 모델 렌더링 등의 방법을 사용하여 가상 테스트 장면 데이터를 구축하여 고품질 테스트 데이터를 얻고, 생성된 서로 다른 테스트 데이터를 자율 주행 모델 및 데이터 증폭 및 향상에 활용합니다. 테스트 시나리오와 데이터 생성은 핵심 기술입니다. 테스트 케이스는 테스트 샘플의 상태 공간을 포괄할 수 있을 만큼 풍부해야 합니다. 이러한 경계 사용 사례에서 시스템의 결정 출력 모델의 안전성을 테스트하려면 극한의 트래픽 조건에서 테스트 샘플을 생성해야 합니다. 가상 테스트는 기존 테스트 이론과 기술을 결합하여 테스트 효과를 평가하고 검증하는 효과적인 방법을 구축하는 경우가 많습니다.
세 번째 카테고리는 자율주행 인식 시스템을 탑재한 실제 차량의 도로 테스트로 사전 설정된 비공개 장면 테스트와 실제 도로 상태 테스트를 포함합니다. 이러한 유형의 테스트의 장점은 실제 환경에서 테스트하면 결과의 유효성을 완전히 보장할 수 있다는 것입니다. 그러나 이러한 방식은 다양한 요구를 충족하기 어려운 테스트 시나리오, 관련 교통 현장 데이터 샘플을 얻는 데 어려움, 실제 도로 수집 데이터를 수동으로 주석 처리하는 데 드는 비용이 높음, 주석 품질이 고르지 않음, 과도한 테스트 마일리지 요구 사항 등의 어려움이 있습니다. 너무 긴 데이터 수집 주기 등. 위험한 시나리오에서 수동 운전에는 안전 위험이 있으며, 현실 세계에서 테스터가 이러한 문제를 해결하기는 어렵습니다. 동시에 교통 현장 데이터는 단일 데이터 소스, 데이터 다양성 부족 등의 문제로 인해 소프트웨어 엔지니어링 분야의 자율 주행 연구자의 테스트 및 검증 요구 사항을 충족시키기에는 부족합니다. 그럼에도 불구하고 도로 테스트는 기존 자동차 테스트에서 없어서는 안 될 부분이며 자율주행 인식 테스트에서는 매우 중요합니다.
테스트 유형의 관점에서 인식 시스템 테스트는 차량 개발 라이프사이클에 따라 테스트 내용이 다릅니다. 자율주행 테스트는 Model-in-the-Loop(MiL) 테스트, Software-in-the-Loop(SiL) 테스트, Hardware-in-the-Loop(HiL) 테스트, Vehicle-in-the-Loop 테스트로 나눌 수 있습니다. (ViL) 테스트 등 이 기사에서는 자율주행 인식 시스템 테스트의 SiL 및 HiL 관련 부분을 중점적으로 다룹니다. HiL에는 카메라, 라이더, 인간-컴퓨터 상호 작용 인식 모듈과 같은 인식 하드웨어 장치가 포함되어 있습니다. SiL은 소프트웨어 시뮬레이션을 사용하여 실제 하드웨어에서 생성된 데이터를 대체합니다. 두 테스트의 목적은 자율주행 시스템의 기능, 성능, 견고성 및 신뢰성을 검증하는 것입니다. 특정 테스트 대상의 경우 각 인식 시스템 개발 단계에서 다양한 유형의 테스트가 다양한 테스트 기술과 결합되어 해당 검증 요구 사항을 완료합니다. 현재 자율주행 인지 정보는 주로 이미지(카메라), 포인트 클라우드(라이다), 융합 인지 시스템 등 여러 유형의 주요 데이터 분석을 통해 나온다. 이 글에서는 주로 이 세 가지 유형의 데이터에 대한 인식 테스트를 분석합니다.
여러 종류의 카메라에서 수집된 영상은 자율주행 인식을 위한 가장 중요한 입력 데이터 유형 중 하나입니다. 영상 데이터는 차량 운행 시 전방, 서라운드, 후방, 측면 환경 정보를 제공하고, 자율주행 시스템이 도로 측거, 목표물 인식 및 추적, 자동 차선 변경 분석 등의 기능을 구현하도록 돕습니다. . 이미지 데이터는 RGB 이미지, 의미 이미지, 깊이 이미지 등 다양한 형식으로 제공됩니다. 이러한 이미지 형식에는 고유한 특성이 있습니다. 예를 들어 RGB 이미지에는 더 풍부한 색상 정보가 있고, 심도 이미지에는 더 많은 장면 깊이 정보가 포함되어 있으며, 픽셀 분류를 기반으로 의미론적 이미지가 얻어지므로 대상 탐지 및 추적 작업에 더 유리합니다. .
이미지 기반 자율주행 인식 시스템 테스트는 훈련 및 테스트 검증을 위해 대규모의 효과적인 교통 현장 이미지를 사용합니다. 그러나 실제 도로 수집 데이터를 수동으로 라벨링하는 데 드는 비용이 높고, 데이터 수집 주기가 너무 길고, 위험한 장면에서 수동 운전에 대한 법률 및 규정이 불완전하고, 라벨링 품질이 고르지 않습니다. 동시에 교통 현장 데이터는 단일 데이터 소스, 불충분한 데이터 다양성 등의 요인에 의해 영향을 받으며, 이는 자율 주행 연구의 테스트 및 검증 요구 사항을 충족하기에 충분하지 않습니다.
국내외 연구자들은 가상 테스트 장면 데이터를 구축하기 위해 데이터 변이, 적대 생성 네트워크, 시뮬레이션 엔진 생성, 게임 모델 렌더링 등의 방법을 사용하여 교통 장면 데이터 구축 및 생성 기술에 대해 많은 연구를 진행해 왔으며, 이를 통해 고품질 테스트 데이터를 얻고, 자율 주행 모델 및 데이터 증강을 위해 생성된 다양한 테스트 데이터를 사용합니다. 하드 코딩된 이미지 변환을 사용하여 테스트 이미지를 생성하는 것이 효과적인 방법입니다. 다양한 수학적 변환 및 이미지 처리 기술을 사용하여 원본 이미지를 변경하여 다양한 환경 조건에서 자율 주행 시스템의 잠재적인 잘못된 동작을 테스트할 수 있습니다.
Zhang et al.은 특정 환경 조건에서 차량 운전 장면을 시뮬레이션하기 위해 이미지 스타일 변환을 위한 적대적 생성 네트워크 기반 방법을 사용했습니다. 일부 연구에서는 물리적 시뮬레이션 모델의 3D 모델을 사용하여 교통 장면을 구성하고 이를 인식 시스템의 입력으로 2D 이미지로 렌더링하는 가상 환경에서 자율 주행 테스트를 수행합니다. 테스트 이미지는 합성, 저차원 이미지의 하위 공간에서 수정 가능한 콘텐츠 샘플링 및 이미지 합성을 통해 생성될 수도 있습니다. 이미지의 직접적인 변형과 비교하여 합성 장면이 더 풍부하고 이미지 교란 작업이 더 자유롭습니다. Fremont et al.은 자율주행 분야별 프로그래밍 언어인 Scenic을 사용하여 테스트 시나리오를 사전 설계하고, 게임 엔진 인터페이스를 사용하여 특정 교통 장면 이미지를 생성하고, 학습 및 검증을 위해 타겟 탐지 모델에 렌더링된 이미지를 사용했습니다.
Pei 등은 자율 주행 조향 모델의 일관되지 않은 출력을 찾기 위해 차동 테스트 아이디어를 사용했습니다. 또한 뉴런 범위, 즉 사전 설정을 초과하는 신경망의 뉴런 비율을 사용하도록 제안했습니다. 주어진 활성화 임계값을 사용하여 테스트 샘플의 성능을 측정합니다. 연구자들은 신경 커버리지를 기반으로 뉴런 경계 커버리지, 강력한 뉴런 커버리지, 계층적 뉴런 커버리지 등과 같은 많은 새로운 테스트 커버리지 개념을 제안했습니다. 또한, 목표 테스트 사례를 찾기 위해 휴리스틱 검색 기술을 사용하는 것도 효과적인 방법입니다. 핵심 어려움은 검색을 안내할 테스트 평가 지표를 설계하는 데 있습니다. 자율주행 영상 시스템 테스트에는 특수 운전 시나리오에 대한 라벨링 데이터 부족 등 일반적인 문제가 있습니다. 본 팀은 자율주행 인식에서 심층신경망 테스트 데이터 라벨링에 따른 높은 인적자원 비용 문제를 해결하기 위해 소프트웨어 테스팅 분야의 적응형 무작위 테스트(Adaptive Random Testing) 아이디어에서 영감을 받아 적응형 심층신경망 테스트 사례 선택 방법 ATS를 제안했다. 시스템.이 문제.
Lidar는 센서 송신기와 대상 물체 사이의 전파 거리를 측정하고 반사되는 에너지 크기와 표면 반사를 분석할 수 있는 자율 주행 시스템에 중요한 센서입니다. 대상 물체의 파동 스펙트럼의 진폭, 주파수, 위상과 같은 정보입니다. 수집된 포인트 클라우드 데이터는 주행 장면 내 다양한 객체의 3차원 스케일과 반사 강도 정보를 정확하게 표현하므로 카메라의 부족한 데이터 형식과 정확도를 보완할 수 있습니다. Lidar는 자율주행 표적 감지, 위치 파악 매핑 등의 작업에서 중요한 역할을 하며 단일 비전만으로는 대체할 수 없습니다.
자율주행은 전형적인 복합 지능형 소프트웨어 시스템으로 라이더가 포착한 주변 환경 정보를 입력으로 받아, 인지 모듈에서 인공지능 모델을 통해 판단한 뒤, 다양한 주행 임무를 완수한다. 인공 지능 모델의 높은 복잡성으로 인해 자율 주행 시스템에 인식 기능이 제공되지만 기존의 기존 테스트 기술은 포인트 클라우드 데이터를 수동으로 수집하고 주석을 작성하는 데 의존하므로 비용이 많이 들고 비효율적입니다. 반면, 포인트 클라우드 데이터는 무질서하고 명확한 색상 정보가 부족하며 날씨 요인에 의해 쉽게 간섭되고 신호가 쉽게 감쇠되므로 테스트 프로세스 중에 포인트 클라우드 데이터의 다양성이 특히 중요합니다.
LiDAR 기반 자율 주행 시스템 테스트는 아직 초기 단계입니다. 실제 드라이브 테스트와 시뮬레이션 테스트 모두 높은 비용, 낮은 테스트 효율성, 테스트의 적절성을 보장할 수 없는 등의 문제가 있습니다. 변경 가능한 테스트 시나리오, 크고 복잡한 소프트웨어 시스템, 막대한 테스트 비용 등 자율주행 시스템이 직면한 문제를 고려할 때, 도메인 지식을 기반으로 한 테스트 데이터 생성 기술을 제안할 수 있다는 것은 자율주행 시스템 보장에 큰 의미가 있습니다. .
레이더 포인트 클라우드 데이터 생성 측면에서 Sallab et al.은 주기 일관성 생성 적대 네트워크를 구축하여 레이더 포인트 클라우드 데이터를 모델링하고 시뮬레이션된 데이터에 대한 특징 분석을 수행하여 새로운 포인트 클라우드 데이터를 생성했습니다. Yue 등은 자율주행 장면을 위한 포인트 클라우드 데이터 생성 프레임워크를 제안했는데, 이 프레임워크는 주석이 달린 객체를 기반으로 게임 장면의 포인트 클라우드 데이터를 정확하게 변경하여 이 방법을 사용하여 얻은 데이터를 포인트 클라우드로 재교육했습니다. 자율주행 시스템의 데이터 처리 모듈을 탑재해 정확도 향상을 달성했습니다.
이 팀은 주로 자율 차량 표적 탐지 시스템의 자동화 테스트에 사용되는 LiDAR 자동화 테스트 도구인 LiRTest를 설계하고 구현했으며 시스템 견고성을 개선하기 위해 추가로 재교육할 수 있습니다. LiRTest는 먼저 도메인 전문가가 물리적 및 기하학적 모델을 설계한 다음 모델을 기반으로 변환 연산자를 구성합니다. 개발자는 실제 데이터에서 포인트 클라우드 시드를 선택하고, 포인트 클라우드 처리 장치를 사용하여 이를 식별 및 처리하고, 변환 연산자 기반 돌연변이 알고리즘을 구현하여 자율 주행 3D 타겟 감지 모델의 견고성을 평가하는 테스트를 생성합니다. 마지막으로 LiRTest는 테스트 보고서를 받아 운영자 설계에 대한 피드백을 제공함으로써 반복적으로 품질을 개선합니다.
자율주행 시스템은 전형적인 정보-물리 융합 시스템으로, 그 작동 상태는 사용자 입력 정보와 소프트웨어 시스템의 내부 상태에 따라 결정될 뿐만 아니라 물리적 환경에도 영향을 받습니다. 현재 다양한 환경적 요인에 영향을 받는 포인트 클라우드 데이터 생성 문제에 초점을 맞춘 연구는 소수이지만, 포인트 클라우드 데이터의 특성상 생성된 데이터의 진위 여부를 주행 테스트 데이터와 동일시하기는 어렵습니다. 추가 자원 소비를 크게 늘리지 않고 이를 수행하는 방법은 무엇입니까? 이 경우 다양한 실제 환경 요인을 설명할 수 있는 포인트 클라우드 데이터를 자동으로 생성하는 것이 해결해야 할 핵심 문제입니다.
자율 주행 소프트웨어의 일반적인 소프트웨어 아키텍처에서 인공 지능 모델은 운전 결정 및 시스템 동작에 매우 중요한 영향을 미칩니다. 영향을 미치는 기능에는 객체 인식, 경로 계획, 행동 예측 등이 있습니다. 포인트 클라우드 데이터 처리를 위해 가장 일반적으로 사용되는 인공지능 모델은 심층신경망을 사용하여 구현되는 표적 탐지 모델입니다. 이 기술은 특정 작업에 대해 높은 정확도를 달성할 수 있지만 결과에 대한 해석 가능성이 부족하여 사용자와 개발자가 동작을 분석하고 확인할 수 없기 때문에 테스트 기술 개발과 테스트 적절성 평가에 큰 어려움을 초래합니다. 이는 미래의 LiDAR 모델 테스터가 직면해야 할 모든 과제입니다.
자율주행 시스템에는 일반적으로 환경 정보를 감지하기 위한 다양한 센서가 탑재되어 있으며, 다양한 자율주행 작업을 완료하기 위한 다양한 소프트웨어와 알고리즘이 탑재되어 있습니다. 센서마다 물리적 특성이 다르며 적용 시나리오도 다릅니다. 융합 센싱 기술은 단일 센서의 열악한 환경 적응성을 보완하고, 여러 센서의 협력을 통해 다양한 환경 조건에서 자율주행 시스템의 정상적인 작동을 보장할 수 있습니다.
정보를 기록하는 다양한 방법으로 인해 다양한 유형의 센서 간에는 강력한 보완성이 있습니다. 카메라 설치 비용이 저렴하고, 수집된 이미지 데이터는 고해상도와 색상, 질감 등 풍부한 시각적 정보를 가지고 있습니다. 그러나 카메라는 환경에 민감하므로 밤, 강한 조명 및 기타 조명 변화가 있는 경우에는 신뢰성이 떨어질 수 있습니다. 반면 LiDAR는 빛의 변화에 쉽게 영향을 받지 않으며 주야간에도 정확한 3차원 인식을 제공합니다. 그러나 LiDAR는 비용이 많이 들고 수집된 포인트 클라우드 데이터에는 색상 정보가 부족하여 명확한 모양이 없으면 대상을 식별하기 어렵습니다. 융합 센싱 기술에서는 각 모달 데이터의 장점을 어떻게 활용하고 더 깊은 의미 정보를 마이닝하는가가 중요한 문제가 되었습니다.
연구원들은 다양한 데이터 융합 방법을 제안해왔습니다. 딥러닝을 기반으로 한 라이다와 카메라의 융합 센싱 기술은 정확도가 높아 주요 연구 방향이 되고 있다. Feng 등은 융합 방법을 초기 단계, 중간 단계 및 후기 단계 융합의 세 가지 유형으로 간략하게 요약했습니다. 초기 융합은 원본 데이터 또는 전처리된 데이터만 융합하고, 중간 단계 융합은 각 분기에서 추출된 데이터 특징을 교차 융합하고, 후기 융합은 각 분기의 최종 출력 결과만 융합합니다. 딥러닝 기반 융합 센싱 기술은 기존 벤치마크 데이터 세트에서 큰 잠재력을 입증했지만, 이러한 지능형 모델은 복잡한 환경의 실제 시나리오에서 여전히 부정확하고 예상치 못한 극단적인 동작을 보여 치명적인 손실을 초래할 수 있습니다. 자율 주행 시스템의 안전성을 보장하려면 이러한 융합 인식 모델을 철저히 테스트해야 합니다.
현재 융합 센싱 테스트 기술은 아직 초기 단계에 있으며, 거대한 테스트 입력 영역과 높은 데이터 수집 비용이 주요 문제이므로 자동화된 테스트 데이터 생성 기술이 널리 주목을 받고 있습니다. Wang 등은 테스트 데이터 세트를 생성하기 위해 기하학적 일관성 규칙에 따라 가상 객체를 이미지와 포인트 클라우드에 삽입하는 교차 모드 데이터 향상 알고리즘을 제안했습니다. Zhang 등은 포인트 클라우드와 이미지 픽셀 간의 올바른 매핑을 유지하기 위해 다중 모드 변환 흐름을 활용하는 다중 모드 데이터 향상 방법을 제안했으며, 이를 기반으로 다중 모드 잘라내기 및 붙여넣기 향상 방법을 추가로 제안했습니다.
실제 장면의 복잡한 환경이 센서에 미치는 영향을 고려하여 우리 팀은 다중 모드 융합 감지 시스템을 위한 데이터 증폭 기술을 설계했습니다. 이 방법에는 도메인 전문가가 각 모달 데이터에 대한 현실적인 의미론을 사용하여 일련의 돌연변이 규칙을 공식화하고 테스트 데이터를 자동으로 생성하여 실제 시나리오에서 센서를 방해하는 다양한 요인을 시뮬레이션하고 소프트웨어 개발자가 융합 감지 시스템을 테스트하고 평가하는 데 도움이 됩니다. 이 방법에 사용되는 돌연변이 연산자에는 신호 잡음 연산자, 신호 정렬 연산자 및 신호 손실 연산자의 세 가지 범주가 포함되며 실제 장면에 존재하는 다양한 유형의 간섭을 시뮬레이션합니다. 노이즈 연산자란 센서 데이터 수집 과정에서 환경적 요인의 영향으로 인해 수집된 데이터에 노이즈가 존재하는 것을 말합니다. 예를 들어, 이미지 데이터의 경우 Spot, Blur 등의 연산자를 사용하여 카메라가 강한 빛을 만나 흔들리는 상황을 시뮬레이션합니다. 정렬 연산자는 특히 시간 정렬 오류와 공간 정렬 오류를 포함하여 다중 모달 데이터 모드의 정렬 오류를 시뮬레이션합니다. 전자의 경우 전송 혼잡이나 지연을 시뮬레이션하기 위해 하나의 신호가 무작위로 지연됩니다. 후자의 경우, 차량 이동 중 차량 지터 및 기타 문제로 인한 센서 위치의 약간의 변화를 시뮬레이션하기 위해 각 센서의 보정 매개변수를 약간 조정합니다. 신호 손실 연산자는 센서 오류를 시뮬레이션합니다. 구체적으로, 하나의 신호를 무작위로 버린 후 융합 알고리즘이 시간 내에 응답할 수 있는지 또는 정상적으로 작동할 수 있는지 관찰합니다.
간단히 말하면, 다중 센서 융합 인식 기술은 자율주행 발전에 있어서 피할 수 없는 추세입니다. 복잡한 실제 환경에서 시스템이 정상적으로 작동하는지 확인하기 위해서는 완전한 테스트가 필요합니다. 여전히 시급히 해결해야 할 문제입니다.
자율주행 인식 테스트는 자율주행 소프트웨어 개발 프로세스와 긴밀하게 통합되고 있으며, 다양한 유형의 루프 내 테스트가 점차 자율주행 품질 보증에 필요한 구성요소가 될 것입니다. 산업용 애플리케이션에서는 실제 드라이브 테스트가 여전히 중요합니다. 그러나 과도한 비용, 부족한 효율성, 높은 안전 위험 등의 문제가 있어 자율주행 지능형 인식 시스템의 테스트 및 검증 요구를 충족시키기에는 거리가 멀습니다. 다양한 연구 분야에서 정형 방법과 시뮬레이션 가상 테스트의 급속한 발전은 테스트를 개선하는 효과적인 방법을 제공합니다. 연구원들은 가상 시뮬레이션 테스트 방법을 지원하기 위해 지능형 운전에 적합한 모델 테스트 지표와 기술을 탐색하고 있습니다. 본 팀은 고품질의 자율주행 인식 시스템을 확보하기 위해 이미지, 포인트 클라우드 데이터, 인식 융합 테스트를 기반으로 3가지 측면에 대한 심도 있는 연구에 중점을 두고 자율주행 인식 테스트 데이터의 생성, 평가 및 최적화 방법을 연구하는 데 전념하고 있습니다. .
위 내용은 지능형 운전 인식 시스템의 테스트 기술을 자세히 설명하는 기사의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
