자동차 임베디드 알고리즘은 지연 시간, 정확도, 전력 소비 측면에서 매우 엄격한 제약 조건을 갖는다. 본 연구에서는 이벤트 카메라로부터 생성되는 데이터를 직접 활용하여 스파이크 신경망(Spiking Neural Networks, SNNs)을 훈련함으로써 빠르고 효율적인 자동차 임베디드 응용 시스템을 설계하는 방법을 제안한다. 실제로 SNN은 뉴런이 이산적이고 비동기적인 스파이크 신호를 통해 상호작용하는 생물학적으로 더 현실적인 신경망으로, 자연스럽게 에너지 효율적이며 하드웨어 친화적인 동작 방식을 제공한다. 이와 같은 특성상, 공간적·시간적으로 이산적이고 이진적인 이벤트 데이터는 SNN에 가장 적합한 입력 형태이다. 그러나 현재까지는 복잡한 환경에서의 객체 탐지와 같은 자동차 실세계 문제 해결에 충분한 성능을 보이지 못해 왔다. 이러한 문제를 해결하기 위해, 본 연구는 스파이크 역전파 기술의 최신 발전 — 예를 들어, 대체 경사도 학습(surrogate gradient learning), 파라메트릭 LIF(Leaky Integrate-and-Fire), SpikingJelly 프레임워크 — 와 함께 새로운 \textit{보크셀 큐브}(voxel cube) 이벤트 인코딩 기법을 활용하여 SqueezeNet, VGG, MobileNet, DenseNet과 같은 인기 있는 딥러닝 아키텍처 기반의 4종류의 SNN을 훈련하였다. 그 결과, 기존 문헌에서 고려되던 SNN의 크기와 복잡도를 크게 증가시킬 수 있었다. 본 논문에서는 두 가지 자동차용 이벤트 데이터셋을 대상으로 실험을 수행하여, 스파이크 신경망 분야에서 새로운 최고 성능 기록을 달성하였다. 이러한 성과를 바탕으로, SNN과 SSD(Single Shot Detector)를 결합하여 복잡한 GEN1 자동차 탐지 이벤트 데이터셋에서 객체 탐지가 가능한 최초의 스파이크 신경망을 제안하였다.