생성형 AI 기반 차선 외란 데이터 증강을 통한 차선 검출 강건화 연구 = Robust Lane Detection via Generative AI-based Environmental Disturbance Data Augmentation

국문 초록 (Abstract)

차량의 첨단 운전자 보조 시스템(ADAS)과 자율주행 기술에서 차선 인식은 안전 주행의 핵심 기능으로, 특히 차선 유지 보조(LKA) 성능과 직결된다. 그러나 실제 도로 환경에서는 조도 변화, 빛 반사, 악천후(우천·안개 등) 등 다양한 요인이 존재하며, 이는 차선 검출 모델의 정확도 저하와 시스템 불안정을 초래한다.
기존 접근은 블러, 노이즈, 마스킹 등 규칙 기반 단순 증강으로 제한적 환경만 모사했으나, 실제 도로의 복합적 외란을 충분히 반영하지 못했다. 본 연구는 CycleGAN 생성형 AI를 활용해 정상 도로와 외란 환경 간 도메인 차이를 학습하고, 현실적 외란 패턴을 생성하여 데이터 다양성과 차선 검출 강건성을 향상시키는 기법을 제안한다.
제안 기법은 정상 도로와 다양한 외란 환경 조건 간의 도메인 차이를 학습하여 현실적인 외란 패턴을 생성한다. 이를 통해 실제 수집이 어려운 복합 환경 데이터를 인위적으로 생성함으로써 학습 데이터의 다양성과 차선 검출 모델의 강건성을 향상시킨다.
생성된 증강 데이터를 활용해 학습된 모델을 실차 실험을 통해 성능을 검증하며, 자율주행 차량의 차선 인식 신뢰도와 안전성을 높이는 데 기여한다. 본 연구는 생성형 AI 기반 실환경 대응형 데이터 증강 프레임워크를 제시함으로써, 향후 차세대 자율주행 기술의 강건성 향상과 실도로 적용성 확장에 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Lane detection is a core function for safe driving in advanced driver assistance systems (ADAS) and autonomous driving, and it is particularly critical to the performance of lane keeping assist (LKA). However, real-world driving environments involve various disturbances such as illumination changes, reflections, and adverse weather conditions (e.g., rain and fog), which can significantly degrade the accuracy and stability of lane detection models.
Conventional approaches rely mainly on rule-based data augmentation techniques, such as blur, noise injection, and masking, which are limited in their ability to simulate the complex and combined disturbances observed in real road environments. To address this limitation, this study proposes a generative AI–based data augmentation method that leverages CycleGAN to learn the domain gap between normal road scenes and disturbed driving conditions and to generate realistic disturbance patterns.
The proposed method learns domain differences between normal driving conditions and various disturbed environments, enabling the synthesis of realistic disturbance data that are difficult to collect in practice. By augmenting training datasets with these generated samples, the diversity of training data is significantly increased, leading to improved robustness of lane detection models.
The effectiveness of the proposed approach is validated through vehicle-level experiments using the augmented data. Experimental results demonstrate that the proposed method enhances the reliability and robustness of lane perception under real-world driving conditions. By presenting a generative AI–based data augmentation framework tailored for real-world environments, this study contributes to improving the robustness and practical applicability of next-generation autonomous driving systems.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목표 5
• 1.2.1 생성형 AI 기반 외란 상황 차선 데이터 증강 6
• 1.2.2 실제 차량에 적용 가능한 강건한 차선 검출 모델 개발 6
• 1.3 논문 구성 7
• 제2장 관련 연구 8
• 2.1 생성형 AI 8
• 2.1.1 생성적 적대 신경망 8
• 2.1.2 확산 모델 15
• 2.2 데이터 증강 18
• 2.2.1 규칙 기반 데이터 증강 19
• 2.2.2 생성적 적대 신경망 기반 데이터 증강 21
• 2.2.3 확산 모델 기반 데이터 증강 25
• 2.3 딥러닝 기반 차선 검출 27
• 2.3.1 세그멘테이션 접근 방식 28
• 2.3.2 파라미터화 접근 방식 29
• 제3장 생성형 AI 기반 데이터 증강 32
• 3.1 문제 정의 32
• 3.1.1 차선 외란 상황 정의 32
• 3.1.2 도메인 정의 32
• 3.1.3 Conditional CycleGAN 학습 설계 33
• 3.2 활용 데이터셋 37
• 3.2.1 AI Hub 고정밀데이터 수집 차량 악천후 데이터셋 37
• 3.2.2 CULane 차선 검출 데이터셋 39
• 3.3 모델 구성 및 학습 40
• 3.3.1 조건 벡터 설계 41
• 3.3.2 AdaIN 기반 스타일 변환 41
• 3.3.3 모델 구조 44
• 3.3.4 학습 과정 48
• 3.4 데이터 증강 49
• 제4장 차선 검출 50
• 4.1 문제 정의 50
• 4.2 활용 데이터셋 52
• 4.2.1 CULane 기반 증강 데이터셋 52
• 4.2.2 레이블 구성 53
• 4.3 모델 구성 54
• 4.3.1 특징 추출기 55
• 4.3.2 앵커 기반 차선 검출 헤드 56
• 4.3.3 세그멘테이션 기반 차선 검출 헤드 56
• 제5장 실험 및 결과 58
• 5.1 생성형 AI 기반 데이터 증강 58
• 5.1.1 실험 설정 58
• 5.1.2 하이퍼파라미터 설정 59
• 5.1.3 평가 지표 60
• 5.1.4 평가 방법 60
• 5.1.5 실험 결과 63
• 5.2 차선 검출 65
• 5.2.1 실험 설정 65
• 5.2.2 하이퍼파리미터 설정 66
• 5.2.3 평가 지표 67
• 5.2.4 실험 결과 68
• 제6장 결론 70
• 6.1 연구 결론 70
• 6.2 향후 연구 방향 71