백서

가상/물리적 프레임워크를 사용한 ADAS 개발 지원

예상 소요 시간: 14분
알고리즘, 안전 및 편의성에 중점을 둔 폐루프 검증 방법론을 사용한 ADAS 개발

ADAS 시스템의 안전 및 편의성을 초기에 파악

ADAS 개발 내에서 시스템의 하위 집합에서 작업하는 엔지니어링 팀은 실제 시나리오에서 전체 차량 성능에 대한 기여도를 평가할 수 없는 경우가 많습니다. 결과적으로 시스템에 대한 전체 평가는 문제 해결이 매우 어렵고 비용이 많이 드는 프로토타입 단계에서 물리적 테스트를 통해서만 수행할 수 있습니다.

본 백서에서는 전체 시스템은 물론 개발 시 시스템의 하위 집합에 초점을 맞추는 경우에도 활용할 수 있는 가상 테스트 솔루션을 살펴봅니다. 안전 및 편의성을 위한 체크포인트 외에도 인식, 경로 계획, 제어 작업 등 ADAS 알고리즘의 폐루프 검증 방법론에 대해 알아보십시오.

ADAS 개발의 폐루프 검증에 관한 본 백서에서는 다음을 수행하는 방법에 대해 알아봅니다.

  • 센서 세트 (유형, 번호, 위치) 평가하여 머신러닝 알고리즘을 기반으로 주행 상황을 정확하게 파악
  • 실제 주행 조건에서 시스템 동작 확인
  • 인식 및 제어 전략, 알고리즘 테스트 및 확인
  • 가상 모델로 시스템의 물리적 검증 및 확인 지원

폐루프 ADAS 개발 방법론이 중요한 이유는 무엇입니까?

기존 ADAS 시스템은 운전자의 기대에 미치치 못하는 경우가 많으며 오늘날 많은 문제가 발생하고 있습니다. 예를 들어, 주행 상황에 대한 잘못된 인식으로 인한 AEB(자동 긴급 제동)의 오작동이 문서화되었습니다. AAA(미국 자동차 협회)의 최근 설문조사에 따르면 차선 유지 시스템, 어댑티브 크루즈 컨트롤 및 교통 체증 지원이 기대에 미치지 못하여 결국 안전 및/또는 편의성 문제를 초래합니다.

OEM과 공급업체는 ADAS 개발 프로세스 초기에 이러한 문제를 파악해야 하므로 필요에 맞게 맞춤화된 프레임워크가 필요합니다. 지원에는 전용 인식 라이브러리, 경로 계획 및 제어 알고리즘, 관련 시나리오, 전용 차량 동역학 모델, 가상 컴포넌트를 물리적 컴포넌트로 교체 등이 포함됩니다.

공유

관련 자료

Rapid Algorithm to HW: Using HLS for Computer Vision and Deep Learning Seminar
Webinar

Rapid Algorithm to HW: Using HLS for Computer Vision and Deep Learning Seminar

How HLS helps project teams rapidly & accurately explore power/performance of algorithms, quickly get to FPGA implementations to create demonstrator/prototypes & use same source RTL IP for ASIC implementation.

에지 기계 학습: HLS를 이용한 전력 및 성능 최적화
White Paper

에지 기계 학습: HLS를 이용한 전력 및 성능 최적화

기계 학습을 에지(edge)로 옮기려면 전력과 성능 면에서 중요한 요구사항이 뒤따릅니다. 평범한 상용 솔루션을 사용하는 방안은 실용적이지 않습니다.

AI 가속기 생태계: 개요
White Paper

AI 가속기 생태계: 개요

Catapult HLS 플랫폼은 AI 설계자들에게 프로젝트를 바로 시작할 수 있는 환경을 제공하는 AI 가속기 생태계를 제시합니다. 이 에코시스템은 IP 라이브러리부터 완전한 툴키트까지의 리소스를 실무 엔지니어에게 제공합니다.