자율주행차에 인공지능을 적용할 때 발생할 수 있는 주요 이슈별 방안을 제시합니다.
자율주행차 인공지능 주요 이슈별 인공지능 적용 방안(요약)
① 기존 자율주행 구현 방식은 많은 특화 센서와 주행 규칙 필요
→ ➊ 범용 센서와 데이터 학습 딥러닝 기술로 자율주행 패러다임 혁신
② 카메라와 복합적 센서 정보만으로는 주행 상황 인식에 한계
→ ➋ 시각 인식 지능을 통해 인식된 사물들의 의미 이해 수준까지 발전
③ 특수한 주행 상황에서의 대처 한계를 극복하기 위한 방안 필요
→ ➌ 강화학습을 적용하여 특수 상황에서도 인간 개입 없이 목적 달성
④ 현재 차선 변경은 상대 차량과의 단순 거리 비교를 통하는 수준
→ ➍ 차선 변경 시, 관계형 추론과 움직임 예측이 가능한 기술 적용
⑤ 국가별, 지역별로 상이한 주행법규 및 교통인프라 커버 불가능
→ ➎ 주행 지능 이식을 통해 특정 지역에 국한되지 않고 확장 가능
⑥ 자율주행을 위한 카메라 인식 딥러닝이 다양하게 연구되고 있음
→ ➏ 다양한 딥러닝 알고리즘으로 기존의 자율주행 한계를 극복
⑦ 세단과는 기술적·제도적 특징이 다른 트럭·택시·버스 특화 기술 필요
→ ➐ 트럭·택시·버스 등에 특화된 V2X, 군집주행, 단거리 노선 등 상용화
⑧ 완전자율주행(Level 5)을 위한 기술 확보 필요
→ ➑ 완전자율주행(Level 5)을 위한 하드웨어와 소프트웨어 개발 집중
⑨ 자율주행 기술의 한계 분석
→ ➒ 지능형 자동차산업의 잠재력은 무한하고, 스마트 모빌리티의 핵심
자율주행차 인공지능 주요 이슈별 인공지능 적용 방안(상세)
① 범용 센서와 데이터 학습 딥러닝 기술로 자율주행 패러다임 혁신
◯ 실리콘밸리 Startup인 comma.ai는 딥러닝 기반의 자율주행차를 선보이며 “사람이 운전하면 자동차가 주행하는 방법을 스스로 깨우친다”고 주장
◯ 물론 구글과 comma.ai가 개발한 자율주행 기능의 기술 수준 및 완성도의 차이는 크지만 딥러닝을 적용해 기존 자율주행 개발 패러다임을 혁신한 것. 최근 1~2년간 실리콘밸리를 중심으로 자율주행 기술을 개발해 낸 Startup이 빠르게 출현하고 있으며 이들은 대부분 딥러닝을 핵심으로 활용하고 있음. 즉 자율주행차 구현의 핵심이 특화 센서와 자동차 업계의 전문가에서 딥러닝 전문가와 주행 과정을 학습시킬 수 있는 데이터로 이동하고 있는 것
◯ comma.ai는 자동차가 마치 인간처럼 운전을 지속적으로 반복하며 학습하는 과정을 딥러닝으로 구현해 오픈파일럿(OpenPilot)이라는 오픈 소스로 공개
◯ 딥러닝을 기반으로 한 인공지능을 통해 자율주행을 구현하는 방식은 과거의 방식과 크게 다른데, 딥러닝 기반의 인공지능이 장착된 차량을 사람이 운전하면 인공지능이 운전자의 주행 과정을 관찰하며 운전하는 방법을 스스로 학습함
◯ 따라서 딥러닝 기반의 자율주행 구현 방식은 과거 방식과 달리 자동차 산업 내 전문성 보다는 인공지능, 특히 딥러닝 관련 역량과 주행 데이터가 핵심
② 시각 인식 지능을 통해 인식된 사물들의 의미 이해 수준까지 발전
◯ 딥러닝 기반의 인공지능 기술은 기존 한계를 혁신적으로 극복하고 있음. 실제 인공지능을 통해 이미지 속 사물의 정확도를 측정하는 경진 대회인 ImageNet Challenge에서는 지난 2015년 마이크로소프트가 96.43%의 정확도를 달성하며 인간의 인식률을(94.90%) 추월함(2017년 정확도는 97.85%)
◯ 이렇게 발전된 시각 인식 지능은 자율주행 기술 구현에 빠르게 적용되고 있음. 다양한 사물을 높은 정확도로 인식 가능하게 한 기술은 주변의 차량, 보행자 및 각종 표지판을 인식하는 수준. 더 나아가 관련 연구 기관, 기업들에서는 어두운 밤이나, 눈·비가 내리는 기상 환경에서도 높은 정확도로 사물을 인식할 수 있는 기술로 발전시켜 나가고 있음. Nvidia 등 일부 기업들의 시각 인식 관련 기술 시연에서는 인간의 시각으로는 인식하기 어려운 물체들까지 인공지능이 더 높은 성능으로 인식해 내기도 함
◯ 인식 지능(Perception) 기술을 적용한 DeepScale과 SAIPS
- DeepScale은 딥러닝 기반의 시각 인식 기술을 자율주행 분야에 적용하는 Startup. DeepScale의 차별성은 고사양의 딥러닝 전용 하드웨어가 아닌 범용적으로 사용되고 있는 하드웨어(Processor)에서도 구동 가능하도록 한다는 데 있음
- 이스라엘의 Startup인 SAIPS는 딥러닝 기반의 차량용 시각 인식에 최적화된 소프트웨어를 구현. 단순히 전방의 차량, 보행자, 장애물을 인식하는 것과 같은 일시적 정보를 인식하는 것에 그치지 않고 정보를 지속적으로 분석해 패턴화
③ 강화학습을 적용하여 특수 상황에서도 인간 개입 없이 목적 달성
◯ 강화학습 분야의 연구가 이제 자율주행 기술 구현에 적용되기 시작하고 있음. 특히 기존 방법으로 모델링이 어렵고 주행 데이터 확보의 제약으로 인해 충분한 학습이 어려운 분야에 우선적으로 시도되고 있음
- 신호등이 없는 교차로, 비보호 좌회전, 우회전, 램프 진입 등과 같은 경우들은 차량 주행 시 매우 빈번하게 발생하지만 차량들의 진입 속도, 진행 방향, 교통량 등 다양한 변수들이 매 순간 매우 다양한 경우의 수로 발생함
- 이러한 상황들에서 인간은 오랜 운전 경험이나 직관에 의존해 상황을 판단하거나 충돌위험이 발생하더라도 즉각적으로 반응해 위험 상황을 회피하기도 함
- 하지만 이러한 과정을 인간이 일일이 개입해 규칙기반 방식의 인공지능으로 구현하거나 제한된 데이터를 통한 학습만으로 구현해 내기는 매우 어려움
◯ 예를 들어, 차량이 램프에 진입 시 진입 차량과 주변 차량의 상대 속도, 거리, 진입 속도 등 다양한 변수들을 매우 미세하게 조절해 가며 발생 가능한 다양한 상황들을 구성함. 초반 시도에서는 대부분의 경우 다른 차량들과 충돌해 사고를 내겠지만 이러한 충돌 과정을 반복하면서 인공지능은 서서히 충돌을 회피하고 위험 상황을 사전에 방지하는 방법을 서서히 터득하게 됨. 물론 이러한 것을 실제 환경에서 재현해 실험하는 것은 거의 불가능하기 때문에 매우 정교하게 구현된 시뮬레이션 환경에서 상황을 반복하게 됨
④ 차선 변경 시, 관계형 추론과 움직임 예측이 가능한 기술 적용
◯ 인간처럼 생각하는 관계형 추론 알고리즘
- (인간처럼 생각하며 주행하는 자율주행 지능의 구현 가능성) 인공지능 분야의 다양한 연구 중 최근 딥마인드가 발표한 두 편의 연구는 자율주행 분야에 적용된다면 매우 큰 효과를 거둘 수 있을 것으로 전망됨. 이들 논문은 관계형 추론(Relational Reasoning)이 가능한 인공지능의 구현에 관한 논문으로서 인공지능 학계에서는 2017년 가장 혁신적인 논문들로 꼽히고 있음
◯ 상대 차량 움직임 예측 가능한 수준까지 도달
- 딥마인드의 또 다른 논문에서는 이러한 관계형 추론에서 한 발 더 나아가 예측까지 가능한 인공지능을 제안. 논문에서 제안된 인공지능은 사물의 움직이는 패턴을 학습. 사물들이 서로 부딪히며 움직이는 각도, 속도가 지속적으로 변화하는 패턴을 학습하여 향후의 움직임을 추론
⑤ 주행 지능 이식을 통해 특정 지역에 국한되지 않고 확장 가능
◯ 지능의 이식(Transferring Intelligence) 관련 연구 또한 자율주행 기술에 적용 가능한 매우 유망한 최신 기술임. 이는 유사한 기능을 수행하는 인공지능이 이미 존재한다면 기존의 지능을 새로운 인공지능에 이식해 활용하는 기술. 딥마인드 등에서 매우 활발하게 연구가 진행되는 분야. 인공지능이 새로운 영역에 활용될 때 적용 분야가 서로 다르더라도 기존 지식을 최대한 활용하기 때문에 단시간에 성능을 발휘하는 것이 가능하다는 개념
⑥ 다양한 딥러닝 알고리즘으로 기존의 자율주행 한계를 극복
◯ 가장 널리 활용되는 DNN과 CNN
- 딥 뉴럴 네트워크(DNN, Deep Neural Network)는 인간의 신경망을 모방한 네트워크로서 이전의 출력 값이 다음 층의 입력으로 작동되는 계층 구조를 가짐. 매 계층의 출력 단에는 비선형 함수가 존재하며, 모든 연결에는 가중치가 있음. 이 가중치는 학습에 의해 구해지게 되는데, 이 과정은 최상위 계층의 출력 값으로부터 오류를 계산하고 하위 계층으로 오류를 전파하는 방식임. 이러한 DNN을 학습시키고 이용하는 기술을 딥러닝 기술이라고 함
◯ R-CNN 알고리즘으로 물체 검출 처리 속도 향상
- 자율주행을 위한 ‘물체 검출 기술’은 전방에 있는 차량 혹은 보행자를 검출하고 자동으로 차량의 제동 시스템을 제어하여 사고를 미연에 방지할 수 있는 긴급제동시스템(AEB, Autonomous Emergency Braking System) 등에 활용할 수 있는 기술임. 기존에는 개발자들이 직접 만든 특징을 이용하여 분류기를 학습하고, 학습된 분류기를 이용하여 주변 환경에 있는 물체를 검출하고 인식하였으나, 최근에는 CNN을 이용하여 물체를 검출하고 인식을 수행하는 방식이 높은 인식률을 보임
◯ YOLO 알고리즘으로 저전력 차량 환경에서 물체 검출
- 하지만 이러한 기술도 저전력을 사용하는 차량 환경과 같은 임베디드 환경에 적용하기에는 적합하지 않았기 때문에 최근 YOLO라는 기법이 개발됨. 이 기법은 입력영상을 겹쳐지지 않은 그리드 형태로 쪼개어 각 그리드에 대해서만 CNN을 적용하여 R-CNN보다 훨씬 빠른 속도로 물체 검출을 수행할 수 있음. 이를 통해 차량 환경에서도 실시간처리가 가능하게 되었으며, 차량이나 보행자뿐만 아니라 각종 동물이나 자전거 등 다양한 물체 검출 및 인식이 가능해 짐
◯ 복합 환경 인식(시멘틱 세그멘테이션)
- 물체 검출 기능은 일반적으로 물체 단위로 한정되어 있는데 예를 들어 차량 및 보행자와 같은 것에 대한 검출은 가능하지만 도로나 건물, 인도와 같은 영역에 대한 검출은 고려하지 않고 있음. 이러한 환경을 인식하기 위해 시멘틱 세그멘테이션(Semantic Segmentation)이 이용되고 있는데, 이 기술은 같은 속성을 갖는 것들끼리 같은 그룹으로 클러스터링(Clustering) 함
◯ End-to-end 딥러닝 기반 자율주행 기술
- NVIDIA는 2016년 기존의 자율주행 구현 기술의 패러다임을 바꾸어 놓았는데, 물체 검출 기술이나 시멘틱 세그멘테이션 기술과 같은 단계를 거치지 않고 바로 영상 입력으로부터 차량의 제어 신호를 추정할 수 있는 기법을 발표하였음. 이 기술은 딥러닝 기술의 End-to-end Learning 기법을 활용한 대표적인 예라고 할 수 있음
⑦ 트럭·택시·버스 등에 특화된 V2X, 군집주행, 단거리 노선 등 상용화
◯ (트럭) 현재 대부분의 업체들이 기술 테스트 단계에 머물러 있지만, 미국 테슬라와 중국 투썬웨이라이(TuSimple)는 2019년 상용화 계획을 발표하였고, 특히 두 거점지역 간 고속도로를 V2X(Vehicle-to-X) 기술을 이용하여 2대 이상의 트럭들이 줄지어 주행하는 군집주행(Platooning) 기술의 경우, 업체들이 현재 상당한 기술력을 확보하고 있어 법적/사회적 여건만 성숙된다면 상용화는 예상보다 앞당겨질 가능성이 높음
◯ (택시) 자율주행 택시의 경우에는 Level 4 자율주행 택시가 제한적인 상용화 시작
◯ (버스) 단거리 구간 운행용 셔틀버스 형태의 자율주행 버스가 점진적으로 상용화되는 양상을 보이고 있음
⑧ 완전자율주행(Level 5)을 위한 하드웨어와 소프트웨어 개발 집중
◯ 자동차 업계는 Level 5 수준의 자율주행차를 위하여 개발에 집중하고 있음
⑨ 지능형 자동차산업의 잠재력은 무한하고, 스마트 모빌리티의 핵심
◯ 여러 한계점에도 불구하고 지능형 자동차는 편리성, 안전성, 시간 절약, 친환경 등의 큰 장점을 내포하고 있어 충분히 개발할 가치가 있으며, 이로 인해 한계점의 극복은 시간이 경과함에 따라 가능할 것임
◯ (편리성) 시스템이 자동으로 운전과 주차를 하므로 사람이 직접 운전할 필요 없음
◯ (안전성) 사고의 대부분을 차지하는 운전자 과실로 인한 사고를 예방
◯ (시간 절약) 혼잡한 도로에서 운전해야하는 시간을 줄여주며, 나아가 주차 장소를 탐색하거나 주차하는데 사용하는 시간을 줄여줌
◯ (친환경) 불필요한 가감속 빈도를 낮추는 동시에 다른 차량과 더 가깝게 유지하며 주행하는 것을 가능하게 만들어 연료 소비량이 감소함