Udacity NanoDegree
글로벌 인재들이 선택한 커리어 인증서
Udacity Nanodegree : 자율주행 자동차 엔지니어 상세페이지
Udacity Nanodegree
: 자율주행 자동차 엔지니어
차량 자율 기능의 전체 스택에 걸쳐 자율 주행 자동차에 동력을 공급하는 기술을 다룹니다.
차선 찾기 및 교통 표지판 분류 등 인식 문제에 대해 컴퓨터 비전 및 딥 러닝을 적용하는 방법과 행동 복제를 통해
운전을 위한 전체 엔드 투 엔드 알고리즘을 학습합니다. 또한, 센서 융합을 통해 레이더 및 라이다 데이터에서
물체를 추적하는 방법도 학습합니다. 학습 이후, 차량이 환경의 위치와
탐색 방법을 알 수 있도록 지역화, 경로 계획 및
제어의 개념을 통해 실제 산업에서 요구하는 자율주행 기술을 습득할 수 있습니다.
나노디그리
#자율주행
#컴퓨터비전
#머신 러닝
#카메라 센서
#3D 객체 감지
Udacity 나노디그리는 수료를 넘어, 실력 증명을 위한 가장 강력한 방법입니다.
전 세계 수많은 글로벌 인재들이 Udacity 나노디그리를 통해 실무 중심의 프로젝트를 성공적으로 수행하며, 업계가 요구하는 실전 역량을 갖춘 인재임을 입증하고 있습니다. 나노디그리는 단순한 학습의 결과물이 아닙니다. 현업에서 바로 통하는 실전 능력의 상징이며, 실리콘밸리와 글로벌 기업들이 주목하는 이유도 여기에 있습니다. 이 인증 하나만으로도, 당신은 단순히 ‘공부한 사람’이 아닌 ‘실제로 해낼 수 있는 사람’임을 증명할 수 있습니다. 이제 Udacity 나노디그리 수료증은 선택이 아닌, 당신의 가능성과 실력을 보여주는 필수 조건이 됩니다.
전 세계 수많은 글로벌 인재들이 Udacity 나노디그리를 통해 실무 중심의 프로젝트를 성공적으로 수행하며, 업계가 요구하는 실전 역량을 갖춘 인재임을 입증하고 있습니다. 나노디그리는 단순한 학습의 결과물이 아닙니다. 현업에서 바로 통하는 실전 능력의 상징이며, 실리콘밸리와 글로벌 기업들이 주목하는 이유도 여기에 있습니다. 이 인증 하나만으로도, 당신은 단순히 ‘공부한 사람’이 아닌 ‘실제로 해낼 수 있는 사람’임을 증명할 수 있습니다. 이제 Udacity 나노디그리 수료증은 선택이 아닌, 당신의 가능성과 실력을 보여주는 필수 조건이 됩니다.
업계에서 인정하는 공식 수료 인증
- 실무 중심 커리큘럼을 성공적으로 이수한 분에게 공식 수료증 제공- 글로벌 기업부터 스타트업까지 인정받는 교육 과정 완료 증명
이력서 및 링크드인(LinkedIn) 프로필 활용
- 취업 및 커리어 증명을 위한 이력서, 포트폴리오, LinkedIn에 공식 수료증 추가 가능- 채용 담당자에게 실무 프로젝트 경험을 증명할 수 있는 자료 제공
취업 및 커리어 전환 기회 확대
- 실무 중심의 프로젝트 기반 학습을 통해 포트폴리오 완성 & 실전 경험 확보- Udacity 커뮤니티 및 파트너사를 통한 취업 추천 및 네트워킹 기회 제공
커리어 코칭
- 개인 목표에 맞춘 커리어 상담 및 로드맵 제공- 이력서 리뷰 등 취업을 위한 실질적 코칭 제공
Info.
학습 안내
학습 안내
실무 중심의 프로젝트 기반 학습을 통해 가장 최신의 기술을 습득하고,
업계 전문가의 멘토링을 받으며 실제 기업 환경에서 적용 가능한
역량을 갖추세요. 탄탄한 이론 학습과 함께 실습을 병행하며, 전 세계
전문가들과 함께 성장할 기회를 만나보세요.
업계 전문가의 멘토링을 받으며 실제 기업 환경에서 적용 가능한
역량을 갖추세요. 탄탄한 이론 학습과 함께 실습을 병행하며, 전 세계
전문가들과 함께 성장할 기회를 만나보세요.
기본 학습 정보 총학습 시간 : 5개월 (주 10시간 학습기준)
학습 방식 : 프로젝트 + 온라인 VOD
학습 난이도 & 필요 역량 난이도 : 고급
사전 지식 필요 : Python, C++, 선형 대수, 미적분학
학습 환경 및 실습 방식 - Udacity 및 패스트캠퍼스 온라인 강의장
- 클라우드 기반 Workspace에서 프로젝트 진행
- 실제 기업 데이터셋을 활용한 프로젝트 진행
멘토링 & 피드백 지원 - 현업 전문가의 1:1 맞춤형 피드백
- 24시간 이내의 QnA 답변
- AI를 활용한 실시간 질의응답
- 학습 커뮤니티 지원
Self Driving
Car Engineer program.
자율주행 자동차 엔지니어 프로그램
Car Engineer program.
자율주행 자동차 엔지니어 프로그램
자율주행 기술은 더 이상 먼 미래의 이야기가 아닙니다.
이미 자동차 산업뿐만 아니라 물류, 배달, 교통 시스템 등 다양한 분야에서
혁신을 이끌고 있으며, 글로벌 기업들은 이를 실현할 인재를 적극적으로
찾고 있습니다. 하지만 자율주행 시스템을 구현하는 것은 결코
쉬운 일이 아닙니다. AI, 머신러닝, 컴퓨터 비전, 센서 융합 등 다양한 기술을
유기적으로 결합해야 하기 때문입니다.
Udacity 나노디그리 프로그램은 개념 학습을 넘어, 실질적인 프로젝트 중심의
커리큘럼을 제공합니다. 컴퓨터 비전, 딥러닝, 센서 융합, 경로 계획 및 제어 등
자율주행 기술의 핵심 요소를 학습하고, 이를 직접 구현하며 실전 감각을
익힐 수 있도록 설계되었습니다. 또한, 자율주행차가 도심 환경에서 주변을
인식하고, 판단하며, 주행하는 전 과정을 배우고 이를 직접 설계·실행하는
능력을 배양하는 것을 목표로 합니다.
기술이 빠르게 변화하는 시대, 앞으로 10년간 자율주행 엔지니어는
가장 중요한 역할 중 하나가 될 것입니다. 본 프로그램을 통해 실제
자율주행 프로젝트를 수행하며, 실무에서 요구되는 문제 해결 능력과
개발 역량을 극대화할 수 있습니다.
이미 자동차 산업뿐만 아니라 물류, 배달, 교통 시스템 등 다양한 분야에서
혁신을 이끌고 있으며, 글로벌 기업들은 이를 실현할 인재를 적극적으로
찾고 있습니다. 하지만 자율주행 시스템을 구현하는 것은 결코
쉬운 일이 아닙니다. AI, 머신러닝, 컴퓨터 비전, 센서 융합 등 다양한 기술을
유기적으로 결합해야 하기 때문입니다.
Udacity 나노디그리 프로그램은 개념 학습을 넘어, 실질적인 프로젝트 중심의
커리큘럼을 제공합니다. 컴퓨터 비전, 딥러닝, 센서 융합, 경로 계획 및 제어 등
자율주행 기술의 핵심 요소를 학습하고, 이를 직접 구현하며 실전 감각을
익힐 수 있도록 설계되었습니다. 또한, 자율주행차가 도심 환경에서 주변을
인식하고, 판단하며, 주행하는 전 과정을 배우고 이를 직접 설계·실행하는
능력을 배양하는 것을 목표로 합니다.
기술이 빠르게 변화하는 시대, 앞으로 10년간 자율주행 엔지니어는
가장 중요한 역할 중 하나가 될 것입니다. 본 프로그램을 통해 실제
자율주행 프로젝트를 수행하며, 실무에서 요구되는 문제 해결 능력과
개발 역량을 극대화할 수 있습니다.
프로그램 협업 개발사
필수 사항 다음 중 한 개의 환경에서 학습을 권장합니다.
✓ PC : 최신 업데이트가 설치된 Windows 7 이상 (Internet Explorer는 지원되지 않음)
✓ Mac : 최신 업데이트가 설치된 OS X 10.11 이상.
✓ Linux : 지원되는 브라우저가 설치된 최신 모든 최신 배포판.
✓ 우분투 : 17.10+ 또는 14.04 LTS+.
Overview.
한눈에 보기
한눈에 보기
Fast campus와 함께하는 Udacity 나노디그리, 이렇게 다릅니다.
가장 최신의, 그리고 최고의 학습 경험을 통해 즉시 실무 투입 가능한 수준으로
레벨업해보세요.
가장 최신의, 그리고 최고의 학습 경험을 통해 즉시 실무 투입 가능한 수준으로
레벨업해보세요.
-
POINT 1
글로벌 기업과 공동 설계한
실무형 커리큘럼
구글, 아마존, 마이크로소프트 등 글로벌 기업과 협력하여 실무에서 바로 활용할 수 있는 최신 기술과 트렌드를 반영한 커리큘럼을 제공합니다. -
POINT 2
100% 한글로
학습하는 나노디그리
강의, 실습, 멘토링, 학습자료까지 100% 한글 콘텐츠로 제공합니다. 언어 장벽 없이 최신, 최고의 기술을 편안하게 학습할 수 있습니다. -
POINT 3
실제 기업 데이터로
해결하는 실전 프로젝트
구글, BMW, 페이스북 등 글로벌 기업의 실제 데이터셋을 활용하여, 단순 예제가 아닌 기업이 원하는 실전 문제 해결 능력을 기를 수 있습니다.
-
POINT 4
최신 트렌드 반영
& 지속적인 업데이트
빠르게 변화하는 비즈니스 및 기술 트렌드를 반영하여 강의 내용 및 자료, 실습까지 가장 최신의 콘텐츠로 학습합니다. -
POINT 5
글로벌 현직 전문가가 제공하는
1:1 무제한 피드백 & 질의응답
실제 글로벌 기업의 전문가들이 1:1로 프로젝트 피드백 & 질의응답을 제공하여 원하는 실무 수준까지 성장할 수 있도록 지원합니다. -
POINT 6
고사양 PC 필요 없이,
실제 현장과 같은 환경에서 실습
클라우드 기반 실습 환경으로, 설치 과정과 비용 걱정 없이 즉시 실습이 가능합니다. 업계 표준 업무 환경에서 실무 경험을 쌓을 수 있습니다.
-
POINT 7
Udacity Nanodegree
수료증 & 취업지원
나노디그리 제공으로 글로벌 기업에서도 인정받을 수 있습니다. 또한 이력서 첨삭 및 포트폴리오 구성까지 지원하여 취업과 이직을 돕습니다. -
POINT 8
패스트캠퍼스 평생 수강
강의 제공
나노디그리 수료 외에도 우리의 배움은 멈추면 안 되기에, 실무 수준의 콘텐츠를 언제나 배우고 학습할 수 있도록 평생 소장 콘텐츠를 제공합니다. -
POINT 9
함께 성장하는
커뮤니티
혼자 공부하는 것이 아닌, 같은 목표를 가진 학습자들과 소통합니다. 양질의 콘텐츠를 교류하여 지속적인 동기부여 및 네트워킹이 가능합니다.
Curriculums.
교육 과정
교육 과정
Udacity 나노디그리는 PBL(Project-Based Learning) 방식을 채택하여,
각 단계별 실무 프로젝트를 수행하며 핵심 이론을 학습합니다.
실제 기업의 데이터셋을 기반으로 업계에서 검증된 기술을 익히며, 현업에서 즉시 활용 가능한 문제해결 능력 및 역량을 갖출 수 있는 커리큘럼으로 설계되었습니다.
각 단계별 실무 프로젝트를 수행하며 핵심 이론을 학습합니다.
실제 기업의 데이터셋을 기반으로 업계에서 검증된 기술을 익히며, 현업에서 즉시 활용 가능한 문제해결 능력 및 역량을 갖출 수 있는 커리큘럼으로 설계되었습니다.
↔ 밀어서 보기
컴퓨터 비전 & 딥러닝.
Computer vision & Deep learning
1개 프로젝트 4주
Computer vision & Deep learning
1개 프로젝트 4주
자율주행 차량의 핵심 기술인 객체 인식과 감지 기술을 학습합니다.
컨볼루션 신경망(CNN)과 텐서플로(TensorFlow)를 활용하여
이미지 데이터를 분석하고, 차량·보행자·도로 표지판을 감지하는 방법을
익힙니다. 또한, Waymo Dataset을 기반으로 실제 도심 환경에서의
머신러닝 모델 적용법을 실습하며, 컴퓨터 비전 기술이 자율주행에 어떻게
활용되는지 깊이 이해할 수 있습니다.
컨볼루션 신경망(CNN)과 텐서플로(TensorFlow)를 활용하여
이미지 데이터를 분석하고, 차량·보행자·도로 표지판을 감지하는 방법을
익힙니다. 또한, Waymo Dataset을 기반으로 실제 도심 환경에서의
머신러닝 모델 적용법을 실습하며, 컴퓨터 비전 기술이 자율주행에 어떻게
활용되는지 깊이 이해할 수 있습니다.
Real-world Project ➊
: 도심 환경에서 객체 감지
: 도심 환경에서 객체 감지
학습 목표
- Waymo 데이터셋을 활용한 보행자, 차량, 자전거 감지 모델 개발
- CNN(컨볼루션 신경망)을 활용한 객체 분류 및 감지
- TensorFlow 기반 이미지 처리 및 학습 모델 최적화
핵심 기술
- 머신러닝 프로젝트의 수명 주기 및 최적화 기법
- 이미지 데이터 전처리 및 증강 기법
- 컨볼루션 신경망(CNN) 및 객체 감지 모델 구축
- TensorBoard를 활용한 학습 과정 모니터링
- Waymo 데이터셋을 활용한 보행자, 차량, 자전거 감지 모델 개발
- CNN(컨볼루션 신경망)을 활용한 객체 분류 및 감지
- TensorFlow 기반 이미지 처리 및 학습 모델 최적화
핵심 기술
- 머신러닝 프로젝트의 수명 주기 및 최적화 기법
- 이미지 데이터 전처리 및 증강 기법
- 컨볼루션 신경망(CNN) 및 객체 감지 모델 구축
- TensorBoard를 활용한 학습 과정 모니터링
이론 자세히 보기
1과
머신 러닝 워크플로
- ML 문제를 정의하고 주요 이해관계자를 분석하기
- 데이터 분석을 통해 문제를 구조화하고 적절한 모델 선택하기
- 최적의 평가 지표(메트릭)를 설정하고 데이터 시각화하기
2과
센서 및 카메라 캘리브레이션
- 이미지 데이터를 보정하고 기하학적 변환 적용하기
- 체커보드 패턴을 활용해 카메라 캘리브레이션 수행하기
- 픽셀 단위의 이미지 변환 및 데이터 조정하기
3과
선형 회귀에서 순전파 신경망까지
- 텐서플로를 활용해 로지스틱 회귀 및 신경망 구축하기
- 역전파와 경사 하강법을 활용해 모델 최적화하기
- 분류 작업을 위한 맞춤형 신경망 설계 및 구현하기
4과
컨벌루션 신경망을 사용한 이미지
분류
- 텐서플로를 사용해 맞춤형 CNN 모델 설계하기
- 데이터 증강 기법을 적용해 모델 성능 향상하기
- 과적합 방지를 위한 정규화 기법 활용 및 네트워크 구조 분석하기
5과
이미지 내 객체 감지
- 텐서플로 객체 감지 API를 활용해 이미지 내 객체 탐지하기
- 문제에 적합한 최적의 객체 감지 모델을 선택하고 성능 최적화하기
- 최대 억제 기법을 활용한 중복 감지 제거 및 평균 정밀도(AP) 계산하기
센서 융합
Sensor Fusion
2개 프로젝트 4주
Sensor Fusion
2개 프로젝트 4주
카메라만으로는 환경을 완벽하게 인식하기 어렵기 때문에,
라이다(LiDAR)와 레이더 데이터를 결합해 더욱 정밀한 객체 감지 시스템을
구축하는 방법을 학습합니다. 3D 라이다 포인트 클라우드 분석, 확장된
칼만 필터(EKF)를 활용한 다중 객체 추적을 실습하며, 센서 데이터를
최적화하여 신뢰성 높은 인식 시스템을 구현하는 기술을 익힙니다.
이를 통해, 다양한 센서를 융합해 실시간 객체 탐지 및 추적이 가능한
자율주행 인지 시스템을 구축할 수 있습니다.
라이다(LiDAR)와 레이더 데이터를 결합해 더욱 정밀한 객체 감지 시스템을
구축하는 방법을 학습합니다. 3D 라이다 포인트 클라우드 분석, 확장된
칼만 필터(EKF)를 활용한 다중 객체 추적을 실습하며, 센서 데이터를
최적화하여 신뢰성 높은 인식 시스템을 구현하는 기술을 익힙니다.
이를 통해, 다양한 센서를 융합해 실시간 객체 탐지 및 추적이 가능한
자율주행 인지 시스템을 구축할 수 있습니다.
Real-world Project ➋
: 3D 객체 감지 및 센서 데이터 결합
: 3D 객체 감지 및 센서 데이터 결합
학습 목표
- 라이다 & 카메라 데이터를 융합하여 객체 감지
- Kalman 필터를 이용한 다중 객체 추적
- 3D 포인트 클라우드 데이터 분석 및 시각화
핵심 기술
- 센서 융합(카메라, 라이다, 레이더) 및 데이터 융합 알고리즘
- Kalman 필터를 활용한 객체 추적
- 3D 포인트 클라우드 분석 및 시각화 기법
- 라이다 & 카메라 데이터를 융합하여 객체 감지
- Kalman 필터를 이용한 다중 객체 추적
- 3D 포인트 클라우드 데이터 분석 및 시각화
핵심 기술
- 센서 융합(카메라, 라이다, 레이더) 및 데이터 융합 알고리즘
- Kalman 필터를 활용한 객체 추적
- 3D 포인트 클라우드 분석 및 시각화 기법
Real-world Project ➌
: 센서 융합을 통한 다중 객체 추적
: 센서 융합을 통한 다중 객체 추적
학습 목표
- 확장된 Kalman 필터를 활용한 센서 데이터 통합
- 카메라 & 라이다 감지 데이터를 결합하여 객체 추적
- 실시간 차량 추적을 위한 트랙 관리 시스템 개발
핵심 기술
- 확장 칼만 필터(EKF) 및 다중 객체 추적
- 실시간 차량 추적 및 트랙 관리 시스템 구현
- 센서 데이터 기반 객체 추적 최적화
- 확장된 Kalman 필터를 활용한 센서 데이터 통합
- 카메라 & 라이다 감지 데이터를 결합하여 객체 추적
- 실시간 차량 추적을 위한 트랙 관리 시스템 개발
핵심 기술
- 확장 칼만 필터(EKF) 및 다중 객체 추적
- 실시간 차량 추적 및 트랙 관리 시스템 구현
- 센서 데이터 기반 객체 추적 최적화
이론 자세히 보기
1과
센서 융합 및 인식 소개
- 각 센서(카메라, 라이다, 레이더)의 특징과 장단점 비교하기
- 센서 데이터를 활용한 객체 감지 및 추적 원리 이해하기, 시각화하기
2과
라이다(Lidar) 센서
- 자율주행에서 라이다의 역할과 활용 사례 분석하기
- Waymo 데이터셋에서 라이다 데이터를 추출하고 처리하기
- 라이다 좌표 및 기술적 속성 분석 및 시각화하기
3과
라이다(Lidar) 객체 검출
- 3D 객체 감지를 위한 최신 기술 및 알고리즘 학습하기
- 포인트 클라우드 데이터를 전경(BEV) 이미지로 변환하기
- BEV 기반 모델을 활용한 객체 감지 및 결과 시각화하기
- 성능 평가 메트릭을 활용해 감지 모델 비교 및 분석하기
위치 추정 및 지역화
Localization
1개 프로젝트 4주
Localization
1개 프로젝트 4주
자율주행 차량이 GPS 없이도 자신의 위치를 정밀하게 파악하는 기술을 다룹니다. Markov Localization을 활용한 위치 추정, ICP(Iterative Closest Point) 및 NDT(Normal Distributions Transform) 알고리즘을 적용한
포인트 클라우드 스캔 매칭 기술을 실습합니다. 또한, CARLA 시뮬레이터에서
3D 포인트 클라우드 맵을 활용하여 라이다 기반 위치 추정 시스템을 구현하며, 복잡한 주행 환경에서도 차량이 정확한 위치를 유지할 수 있도록 하는
지역화 기술을 익힙니다.
포인트 클라우드 스캔 매칭 기술을 실습합니다. 또한, CARLA 시뮬레이터에서
3D 포인트 클라우드 맵을 활용하여 라이다 기반 위치 추정 시스템을 구현하며, 복잡한 주행 환경에서도 차량이 정확한 위치를 유지할 수 있도록 하는
지역화 기술을 익힙니다.
Real-world Project ➍
: 3D 스캔 매칭을 통한
자율주행차 위치 추정
: 3D 스캔 매칭을 통한
자율주행차 위치 추정
학습 목표
- CARLA 시뮬레이터에서 차량의 실시간 위치 추적
- GPS, IMU, 라이다 데이터를 활용한 지역화(Localization)
- Markov Localization 및 NDT 기반 스캔 매칭 구현
핵심 기술
- Markov Localization, Kalman 필터 기반 위치 추정
- ICP (Iterative Closest Point), NDT (Normal Distributions Transform)
- 실시간 지도 업데이트 및 동적 환경 인식
- CARLA 시뮬레이터에서 차량의 실시간 위치 추적
- GPS, IMU, 라이다 데이터를 활용한 지역화(Localization)
- Markov Localization 및 NDT 기반 스캔 매칭 구현
핵심 기술
- Markov Localization, Kalman 필터 기반 위치 추정
- ICP (Iterative Closest Point), NDT (Normal Distributions Transform)
- 실시간 지도 업데이트 및 동적 환경 인식
이론 자세히 보기
1과
Kalman 필터를
활용한 객체 추적
- 선형 Kalman 필터를 적용하여 시간 흐름에 따른 객체 추적하기
2과
확장 Kalman 필터 (EKF)
활용
- 확장 Kalman 필터를 적용하여 비선형 환경에서 객체 추적하기
- 모션 및 측정 모델을 구현하고 최적화하기
- 비선형 모델의 야코비언 행렬을 도출하고 적용하기
- 센서 및 차량 좌표 변환을 수행하여 데이터 정밀도 향상하기
- 카메라와 라이다 데이터를 융합하여 감지 성능 개선하기
3과
다중 객체 추적
(Multi-Object Tracking)
- 객체 추적 시스템을 위한 트랙 초기화, 업데이트 및 삭제 수행하기
- 트랙 점수 및 상태를 정의하고 관리하는 기법 학습하기
- 탐지 확률 및 가시성 기반 추론을 적용하여 객체 인식 정확도 향상하기
- 다중 객체 추적을 위한 측정값과 트랙 연결 최적화하기
- 게이팅 기법을 활용하여 연산 복잡도 최소화하기
- RMSE를 활용하여 추적 성능을 평가하고 분석하기
- 성능 평가 메트릭을 활용해 감지 모델 비교 및 분석하기
경로 계획 및 의사 결정
Path Planning & Decision Making
1개 프로젝트 2주
Path Planning & Decision Making
1개 프로젝트 2주
차량이 단순히 이동하는 것이 아니라, 안전하고 효율적인 주행 경로를 스스로 생성하고 의사 결정을 내리는 방법을 학습합니다. 유한 상태 머신(FSM)을
적용해 차량의 주행 전략을 설계하고, 충돌 회피 알고리즘을 활용한
최적의 주행 경로를 생성하는 실습을 진행합니다. 또한, 주변 차량의 행동을
예측하여 복잡한 교통 흐름 속에서도 안전하고 자연스러운 주행이 가능하도록 의사 결정 알고리즘을 개발합니다.
적용해 차량의 주행 전략을 설계하고, 충돌 회피 알고리즘을 활용한
최적의 주행 경로를 생성하는 실습을 진행합니다. 또한, 주변 차량의 행동을
예측하여 복잡한 교통 흐름 속에서도 안전하고 자연스러운 주행이 가능하도록 의사 결정 알고리즘을 개발합니다.
Real-world Project ➎
: 복잡한 도심 환경에서
최적의 주행 경로 설계
: 복잡한 도심 환경에서
최적의 주행 경로 설계
학습 목표
- 차량의 주행 경로를 결정하는 행동 계획 및 동작 계획 이해
- 도심 환경에서의 경로 최적화를 위한 알고리즘 설계
- 실시간 장애물 회피 및 차선 변경을 고려한 주행 로직 구현
핵심 기술
- 유한 상태 머신(Finite State Machine, FSM)을 활용한 차량 동작 예측
- 스플라인(Spline) 곡선 및 비용 함수 기반 최적 경로 생성
- 차량 주행 중 발생하는 다양한 시나리오(차선 변경, 장애물 회피 등) 대응 알고리즘
- 차량의 주행 경로를 결정하는 행동 계획 및 동작 계획 이해
- 도심 환경에서의 경로 최적화를 위한 알고리즘 설계
- 실시간 장애물 회피 및 차선 변경을 고려한 주행 로직 구현
핵심 기술
- 유한 상태 머신(Finite State Machine, FSM)을 활용한 차량 동작 예측
- 스플라인(Spline) 곡선 및 비용 함수 기반 최적 경로 생성
- 차량 주행 중 발생하는 다양한 시나리오(차선 변경, 장애물 회피 등) 대응 알고리즘
이론 자세히 보기
1과
지역화 개요
- 자율주행 차량이 GPS 및 탐지된 객체 데이터를 활용해 위치를 파악하는 방법 학습하기
- 자전거 모션 모델(Bicycle Motion Model)을 활용해 차량의 미래 위치 예측하기
2과
Markov 지역화
- 총 확률 법칙을 적용하여 로봇의 이동 경로 예측하기
- Bayes/Markov 필터를 기반으로 한 위치 추정 기법 이해하기
- C++을 활용한 1D 지역화(Localization) 알고리즘 구현하기
3과
스캔 매칭 알고리즘 구현
- ICP(Iterative Closest Point) 알고리즘을 활용한 지역화 기법 학습하기
- NDT(Normal Distributions Transform) 기반의 지도 정렬 기법 이해하기
- C++을 사용하여 2D 환경에서 ICP 및 NDT 알고리즘 구현하기
4과
3D 스캔 매칭 활용
- ICP를 이용한 3D 포인트 클라우드 지도 정렬하기
- NDT를 활용해 3D 환경에서 보다 정밀한 지도 정렬 수행하기
- CARLA 시뮬레이터에서 포인트 클라우드 기반 지역화 시스템 구축하기
차량 제어
Control
1개 프로젝트 1주
Control
1개 프로젝트 1주
자율주행 차량이 생성된 경로를 따라 안정적으로 주행할 수 있도록
제어하는 기술을 학습합니다. 비례-적분-미분(PID) 제어기와 모델 예측 제어(MPC)를 활용하여 차량의 주행을 최적화하고, 다양한 도로 환경에서도
피드백 제어를 적용하여 차량이 안정적인 주행 성능을 유지할 수 있도록 하는 원리를 익힙니다. 이를 통해, 실제 도로 주행에서도 차량이 주어진 경로를 정확히 따르고, 최적의 속도와 조향을 유지할 수 있도록 제어하는 시스템을 구현할 수 있습니다.
제어하는 기술을 학습합니다. 비례-적분-미분(PID) 제어기와 모델 예측 제어(MPC)를 활용하여 차량의 주행을 최적화하고, 다양한 도로 환경에서도
피드백 제어를 적용하여 차량이 안정적인 주행 성능을 유지할 수 있도록 하는 원리를 익힙니다. 이를 통해, 실제 도로 주행에서도 차량이 주어진 경로를 정확히 따르고, 최적의 속도와 조향을 유지할 수 있도록 제어하는 시스템을 구현할 수 있습니다.
Real-world Project ➏
: 차량의 안정적 주행을 위한
궤적 추적 시스템 개발
: 차량의 안정적 주행을 위한
궤적 추적 시스템 개발
학습 목표
- 차량의 주행 궤적을 안정적으로 따르는 제어 시스템 설계
- PID 및 MPC(모델 예측 제어) 컨트롤러를 활용한 속도 및 방향 제어
- 실제 도로 주행을 고려한 차량의 스티어링, 가속 및 감속 최적화
핵심 기술
- 주행 궤적 유지 및 진동 최소화를 위한 비례-적분-미분 제어 적용
- 차량 동역학을 고려한 최적의 경로 추적 알고리즘 구현
- 스티어링 및 속도 조절을 위한 최적의 매개변수 조정
- 차량의 주행 궤적을 안정적으로 따르는 제어 시스템 설계
- PID 및 MPC(모델 예측 제어) 컨트롤러를 활용한 속도 및 방향 제어
- 실제 도로 주행을 고려한 차량의 스티어링, 가속 및 감속 최적화
핵심 기술
- 주행 궤적 유지 및 진동 최소화를 위한 비례-적분-미분 제어 적용
- 차량 동역학을 고려한 최적의 경로 추적 알고리즘 구현
- 스티어링 및 속도 조절을 위한 최적의 매개변수 조정
이론 자세히 보기
1과
거동 계획 (Behavior Planning)
- 자율주행 차량이 높은 수준에서 주행 전략을 결정하는 원리 학습하기
- 주행 환경을 분석하고 차량의 최적 거동(차선 변경, 정지, 우회 등)을 계획하는 방법 익히기
2과
궤적 생성 (Trajectory Generation)
- C++ 및 Eigen 선형 대수 라이브러리를 활용하여 차량의 주행 궤적 후보 생성하기
- 경로 생성 알고리즘을 적용하여 최적의 주행 경로 설계하기
3과
동작 계획 (Motion Planning)
- 도심 환경에서 차량이 안전하고 효율적으로 주행할 수 있도록 의사 결정 시스템 구현하기
- 모션 계획 알고리즘을 적용하여 환경 데이터를 반영한 경로 생성하기
- 충돌이 없는 최적의 주행 경로를 설계하고 시뮬레이션을 통해 검증하기
- 인간 운전자처럼 도로 규칙을 준수하며 도시 주행 시나리오를 시뮬레이션하기
Lecturer.
강사 소개
강사 소개
Udacity 나노디그리는 실제 업계 최고의 현직자이자 강사에게 배웁니다.
글로벌 기업에서 쌓아온 커리어와 경험을 통해, 실무에서 요구되는
핵심 기술과 노하우를 직접 전수합니다.
글로벌 기업에서 쌓아온 커리어와 경험을 통해, 실무에서 요구되는
핵심 기술과 노하우를 직접 전수합니다.
Thomas Hossler
수석 딥러닝 엔지니어
지구물리학자로 경력을 시작했지만, 컴퓨터 비전에 대한 열정으로 딥러닝 엔지니어로 전향했습니다. 다수의 스타트업에서 딥러닝 기술을 활용한 컴퓨터 비전 솔루션을 개발하며 실무 경험을 쌓았으며, 더 많은 사람들이 쉽게 배울 수 있도록 온라인 교육 콘텐츠 제작에도 힘쓰고 있습니다.
Antje Muntzinger
자율주행 자동차 엔지니어
Mercedes-Benz에서 센서 융합 기술을 총괄하는 자율주행 엔지니어입니다. 고급 운전자 지원 시스템(ADAS)을 위한 센서 융합 기술을 연구하며 박사 학위 논문을 저술했으며, 자율주행 차량의 정밀한 환경 인식을 위한 핵심 기술 개발에 기여했습니다. 현재는 미래의 자율주행 엔지니어를 양성하는 데 힘쓰며, 완전 자율주행 실현을 위한 인재 교육에 앞장서고 있습니다.
Andreas Haja
교수
컴퓨터 과학 박사 학위를 가진 엔지니어이자, 자율주행 기술을 연구하는 교육자입니다. 현재 교수로 프로젝트 기반 학습을 통해 실무 중심의 엔지니어링 교육을 진행하고 있습니다. Volkswagen과 Bosch에서 카메라 기술 및 자율주행 차량 프로토타입 개발에 참여하며 실무 경험을 쌓았으며, 자율주행 기술의 발전과 교육을 결합해 차세대 엔지니어를 양성하는 데 주력하고 있습니다.
Aaron Brown
수석 AV 소프트웨어 엔지니어
전기공학, 로봇공학, 딥러닝을 아우르는 전문 지식을 보유한 자율주행 소프트웨어 엔지니어입니다. 현재 Mercedes-Benz Research & Development에서 수석 자율주행차 소프트웨어 엔지니어로 활동하고 있으며, 자율주행 시스템 개발 및 최적화에 집중하고 있습니다. Udacity에서 자율주행차 프로젝트 개발을 위한 콘텐츠 개발자 및 시뮬레이션 엔지니어로 근무하며, 실무 중심의 교육 콘텐츠를 제작하고 시뮬레이션 환경을 구축하는 데 기여했습니다.
Munir Jojo Verge
Mitre의 수석 자율주행 및 AI 시스템 개발자
Amazon에서 모션 계획 및 의사 결정 팀을 이끌었던 전문가입니다.자율주행 자동차 분야에서 핵심 기술을 개발했으며, 월트 디즈니 상하이 빌딩 Tron Lightcycle 프로젝트에도 참여한 경험이 있습니다. 항공우주 공학 학사, 물리학 석사, 우주 연구 석사 학위를 보유하고 있으며, 자율주행 차량의 경로 계획 및 의사 결정 기술을 연구하고 개발해 온 실무형 엔지니어입니다
David Silver
커리큘럼 리드
Udacity에서 자율주행 시스템 교육을 총괄하는 리더입니다. Ford 자율주행차 팀에서 연구 엔지니어로 활동하며 최신 자율주행 기술 개발에 기여했습니다. Princeton University에서 컴퓨터과학 학사(BSE)를, Stanford University에서 MBA 학위를 취득했으며, 업계에서 검증된 전문성과 교육 경험을 바탕으로 자율주행 엔지니어를 양성하고 있습니다.
Mathilde Badoual
UC 버클리 박사과정 5년 차
강화 학습, 최적화, 제어 시스템 분야에서 깊은 전문성을 보유한 엔지니어입니다. 프랑스 Supelec에서 전기공학 학위를 취득했으며, 이전에는 Tesla의 에너지 및 최적화 팀에서 근무하며 실무 경험을 쌓았습니다. 자율주행 시스템의 효율적인 제어 및 최적화 기법을 연구하며, 강화 학습을 활용한 지능형 제어 시스템 개발에 집중하고 있습니다.
Growth Support.
성장 지원
성장 지원
Udacity 나노디그리는 단순한 강의 제공을 넘어, 실무에서 경쟁력을
갖출 수 있도록 철저한 지원을 제공합니다. 업계 전문가의 피드백과 최신 기술을
반영한 학습 환경을 통해, 실제 현장에서 활용할 수 있는 실무 역량을
갖출 수 있도록 설계되었습니다.
갖출 수 있도록 철저한 지원을 제공합니다. 업계 전문가의 피드백과 최신 기술을
반영한 학습 환경을 통해, 실제 현장에서 활용할 수 있는 실무 역량을
갖출 수 있도록 설계되었습니다.
SUPPORT 1
글로벌 현직 전문가가 제공하는
1:1 무제한 피드백 & 질의응답
글로벌 현직 전문가가 제공하는
1:1 무제한 피드백 & 질의응답
글로벌 기업에서 활약하는 멘토가 1:1로 여러분의 프로젝트를 검토하고,
실무 수준의 피드백을 무제한으로 제공합니다. 멘토의 글로벌 경험과 인사이트를
바탕으로 더욱 넓은 시야에서 문제에 접근하고, 실질적인 성장의 기회를
포착할 수 있습니다.
실무 수준의 피드백을 무제한으로 제공합니다. 멘토의 글로벌 경험과 인사이트를
바탕으로 더욱 넓은 시야에서 문제에 접근하고, 실질적인 성장의 기회를
포착할 수 있습니다.
SUPPORT 2
고사양 PC 필요 없이, 실제 현장과 같은
클라우드 기반 실습 환경 제공 (Workspace)
고사양 PC 필요 없이, 실제 현장과 같은
클라우드 기반 실습 환경 제공 (Workspace)
별도의 고사양 PC나 복잡한 설치 과정 없이, 클라우드 기반 워크스페이스에서
실무와 동일한 환경을 경험하세요. 언제 어디서나 접근 가능한 클라우드 환경에서
실제 업무 프로세스를 익히고, 현업에서 바로 적용할 수 있는 실습을
진행할 수 있습니다.
실무와 동일한 환경을 경험하세요. 언제 어디서나 접근 가능한 클라우드 환경에서
실제 업무 프로세스를 익히고, 현업에서 바로 적용할 수 있는 실습을
진행할 수 있습니다.
SUPPORT 3
최신 기술 & 지속적인 업데이트
최신 기술 & 지속적인 업데이트
트렌드에 따른 학습 자료와 실습 자료를
지속적으로 업데이트하여 업계에서 요구하는
최신 스킬을 습득할 수 있습니다.
지속적으로 업데이트하여 업계에서 요구하는
최신 스킬을 습득할 수 있습니다.
SUPPORT 4
Q&A & 멘토링 지원
Q&A & 멘토링 지원
글로벌 기업의 멘토와의 1:1 Q&A 및 멘토링을 통해
기술 및 학습 과정에서 마주하는 문제를 해결하고,
보다 깊이 있는 학습 경험을 제공합니다.
기술 및 학습 과정에서 마주하는 문제를 해결하고,
보다 깊이 있는 학습 경험을 제공합니다.
SUPPORT 5
함께 성장하는 커뮤니티
함께 성장하는 커뮤니티
전 세계 학습자들과 교류하며 인사이트를 나누고,
최신 정보와 경험을 공유하세요. 함께 성장하는
커뮤니티를 통해 더 넓은 시야를 확보할 수 있습니다.
최신 정보와 경험을 공유하세요. 함께 성장하는
커뮤니티를 통해 더 넓은 시야를 확보할 수 있습니다.
SUPPORT 6
AI를 활용한 학습 지원
AI를 활용한 학습 지원
전문가 Q&A뿐만 아니라 Udacity AI를 지원하여,
언제든지 빠르고 정확한 답변을 즉각적으로
받을 수 있습니다.
언제든지 빠르고 정확한 답변을 즉각적으로
받을 수 있습니다.
나노디그리 수료는 끝이 아니라, 커리어 성장의 시작입니다.
커리어를 발전시키는 과정에서 새로운 지식을 쌓고, 언제 어디서라도 최신 기술을 익힐 수 있도록
패스트캠퍼스의 강의를 평생 소장으로 제공합니다. 지속적인 학습을 통해 더 큰 도약을 준비하세요.
* 결제 이후, 1개 강의를 평생 소장할 수 있는 쿠폰을 발급해 드립니다.
패스트캠퍼스의 강의를
상황에 맞게 활용해 보세요.
런칭 기념 특별 혜택.
패스트캠퍼스 x Udacity Nanodegree 런칭 기념 특별 상품 구성
오직 이번 런칭 기간 동안만! 최적의 구성과 특별한 가격으로 만나보세요.
여러분의 커리어를 한 단계 끌어올릴 3가지 옵션 중 가장 적합한 상품을 선택하세요.
유다시티 나노디그의
교육 우수성은 숫자가 증명합니다.
누적 수강생 수
16,900,000 명+
전 세계 160개국 이상에서 1,690만 명 이상의 학습자가 경험
제출된 프로젝트 수
2,600,000 개+
기업이 요구하는 실전 프로젝트 문제 약 260만 개 이상 제출
수료증 발급 수
205,000 개+
20만 개 이상의 유다시티 나노디그리 수료증 발급
졸업생 경력 변화
73 %
니노디그리 졸업생의 73%가 커리어 성장을 경험
나노디그리를 경험한
학생들의 리뷰를 만나보세요.
자율주행을 위한 머신러닝 개념을 효과적으로 익힐 수 있었던 과정이었습니다.
머신러닝과 자율주행 차량의 객체 감지 기술을 한눈에 이해할 수 있어 좋았습니다. 특히, 강의 사이사이 제공되는 실습이 개념을 익히는 데 큰 도움이 되었습니다. 마지막 프로젝트의 문서화를 참고한 문제해결 뿐만아니라, 전반적으로 실무에 적용할 수 있는 유익한 과정이었습니다.
Christoph S.
도전 끝에 얻은 성취감, 실무 역량을 키울 수 있었던 과정이었습니다.
프로젝트를 마쳤다는 것이 자랑스럽습니다! 쉽지 않은 과정이었지만, 문제를 해결하며 배운 경험이 정말 값졌습니다. 실무에 필요한 사고력을 키울 수 있었고, 끝까지 도전하는 힘을 기를 수 있었습니다. 배운 내용을 실전에 적용할 수 있는 강의였고, 전반적으로 훌륭한 과정이었습니다!
Isabelle D.
실제 프로젝트를 통해 배움을 극대화할 수 있었던 과정이었습니다.
전체적으로 원활하게 진행되었지만, 과정 중간중간 어려움도 있었습니다. 하지만 이러한 도전이 저의 약점을 발견하고 보완하는 데 큰 도움이 되었습니다. 특히, 자율주행을 위한 컴퓨터 비전 학습 목표에 정확히 부합하는 프로젝트여서 매우 만족스러웠습니다.
익명의 수강생.
핵심 개념을 제대로 짚어주는 실무형 커리큘럼입니다.
자율주행 기술을 배우는 데 있어 핵심 개념을 빠짐없이 다루는 강의였습니다. 프로젝트를 진행하며 실제 적용 사례를 경험할 수 있었고, 문제 해결력을 키울 수 있었습니다. 전반적으로 매우 유익한 과정이었으며, 실무에서 활용할 수 있는 강력한 기반을 다질 수 있었습니다.
Davidson Daniel R.