글로벌오토뉴스

상단배너

  • 검색
  • 시승기검색
ä ۷ιλƮ  ͼ  ī 󱳼 ڵδ ʱ ڵ 躴 ͽ ǽ ȣٱ Ÿ̾ Auto Journal  Productive Product

[오토저널] 자율주행, 데이터를 통해 완전 자율주행 준비하자

페이지 정보

글 : 오토저널(ksae@ksae.org)
승인 2020-08-25 16:02:38

본문

최근 국제머신러닝을 보고 트렌트 애디(Trent Eady)가 작성한 글은 너무 자세히도 우리나라가 앞으로 자율주행에서 무엇을 준비해야하는지를 설명하고 있으며, 필자는 자주 이런 질문을 받곤 한다. 자율주행 데이터를 모아서 뭐하나요? 무언가 새로운 것이 있느냐는 질문일 것이다. 그러나 자율주행 데이터는 본질적으로 자율주행 기술의 완성도를 지원하는 방향으로 활용되어야 한다. 여기서는 이러한 완성도를 높이기 위해 현재 세계 최고 기업에서 진행되고 있는 내용을 외국 기사를 인용하여 보다 쉽게 설명하고자 한다.

 

먼저 테슬라로부터 시작해보겠다. 트랜트 애디는 “테슬라는 지금까지 총 판매한 차량 78만대 중 오토파일럿 하드웨어 2.0이상이 적용된 차량이 대략 65만대가 현재 주행하고 있습니다. 이 차량들은 한 달에 약 1,000마일 또는 650백만 마일을 운행하고 있으며. 구글의 웨이모는 한 달에 약 백만 마일을 운전합니다. 테슬라의 차량은 650배 더 운전하고 있습니다.”라고 말하였다.

89140b8dae144c73748c549de07f9c8e_1598338

이것이 왜 중요한 문제가 될까? 만약 테슬라가 마일리지 정보를 유용하게 사용하기 위해 모든 비디오 프레임에 대한 가공(라벨링이라고함, 특정 영상에서 중요한 정보를 추출하는 과정, 예, 차량이나 보행자, 교통신호등)을 사람이 직접한다면 중요하지 않을 수 있을 것이다. 그러나 실제로 테슬라는 이 과정에 사람이 직접 가공하는 과정 없이 할 수 있다.

죽스(Zoox)는 이 과정에 대한 설명을 “예측(Prediction) 즉 자동차와 보행자의 이동 궤적 추적”을 통해 설명했으며, “에측” 주행이라는 기술을 개발하기 위해 “우리는 무료의 가공정보(Groud truth)라고 하며, 이는 센서로부터 얻어진 정보를 통해 차량과 물체의 위치, 거리 등을 추출해서 얻은 정보)를 가지게 되었다”라고 한다.

자율주행의 핵심 기술(인지, 측위, 판단 및 제어) 중 인지 기술은 차량 주변의 물체 궤적을 찾아내는 기술(검출)이며, 이 궤적의 다양한 소스(장애물/차량의 상대적임 움직임 정보들의 조합)를 통해 예측 기술을 학습할 수 있는 실제적인 정보를 얻게 된다. 테슬라는 이것을 “자동 라벨링”이라고 하고, 이것은 일부의 데이터 학습을 통해 그 나머지의 데이터를 예측하는 과정(예. 일부 영상만 보여주고 다른 부분을 추측하는 것과 같은 과정으로 전체 10초 녹화된 영상에서 처음 5초의 저장된 정보를 기반으로 다음 5초를 예측하는 과정)이며, 딥러닝 중의 한 형태인 “자체-교사학습(Supervised learning)”의 입력 데이터로 사용된다.

이 과정은 기존에 “사람”에 의해 각 데이터에 대해 옳고 그름으로 교사하듯이 라벨링하는 것을 대신하여 신경망을 통해 데이터 자체가 다음 예측할 정보의 옳고 그름을 판단하는 것이다.

예측 과정은 자율주행에서 매우 중요한 영역으로 테슬라는 매달 650백만 마일의 데이터를 이용하여 자체교사학습을 “사람”에 의하지 않고 진행하고 있다. 더 나아가 테슬라는 자신들의 기술이 찾아내지 못한 예측 값이나 잘못된 오류가 발생한 예측 값이 존재하는 이벤트에 대해서만 데이터를 업로드하도록 설계한다. 이러한 과정은 이론적으로 테슬라가 기존 최고 기술을 상당한 수준으로 향상 시킬 수 있는 가능성을 보여 준다. 아직도 어떤 사람들은 완벽한 자율주행을 만드는 것은 불가능하다고 하고, 인공지능 분야 세계적인 전문가 중 한 분인 얀르쿤(Yann LeCun)은 모든 차들이 자율주행이 되면 완벽한 자율 주행이 되는 과정이 더 단순할 것이라고 생각하고 있다.

오로라(Aurora)는 사람의 운전이 자율주행 기술 중 특히 경로 생성과 판단에 얼마나 중요한 데이터인지를 설명한다. 특히 학습을 묘사하는 동안 사람의 개입을 매우 중요시 생각한다. 운전자가 궤적을 추적하는 동안, 오로라의 SW는 얼마나 그 궤적인 오로라 플래너에서 만든 것과 유사한 지를 결정한다. 만일 그 확률이 낮으면, 운전사와 오로라의 플래너가 불일치한다는 것을 나타낸다. 이러한 처리 과정은 오로라 서버에 저장된 데이터를 통해 수행된다. 차에 있는 시스템에서 진행되는 것이 아니다.

테슬라의 오토파일럿, 호출 그리고 완전 자율주행에서 필요하고 유용한 데이터에 “라벨링”하는 것이 데이터 사용의 한 예라고 하며, 일반 운전자와 오로라 데이터의 불일치를 분석하는 것이 중요한 데이터 분석의 예일 것이다. 모든 SW가 업데이트 될 때 마다 좀 더 학습하여 더 많은 상황에 대해 “알맞은” 주행을 하도록 한다. 이런 방법으로 더 이상 운전자와 플래너 사이의 “불일치”가 생기지 않으면 되는 것이다! 그래서 테슬라는 실패한 경우를 찾아서, 운전자의 개입이나 불일치가 생기면 이를 학습을 위해 업로드한다.

예측과 경로 생성은 많은 수의 차량 주행 관리(Fleet)을 통해 “오류 발생 건수”를 자동화된 방법을 통해 신경망을 학습한다. 새로운 SW를 업데이트하면서 이러한 오류 건수가 많아지지만 이를 통해 수십억개의 예제를 만들어 낼 수 있다. 또한 사람의 개입과 자동화된 학습 방법을 융합한 방안도 있다.

89140b8dae144c73748c549de07f9c8e_1598338

모빌아이의 RSS와 엔비디아의 SFF도 같은 방법이다. 모빌아이는 자율주행차의 의사 결정이 보다 안전하게 이루어지도록 기술 중립적인 수학 모델인 ‘책임 민감성 안전모델(RSS, Responsibility-Sensitive Safety)’을 개발했으며, 중국 교통부 산하 표준기구인 중국 ITS 얼라이언스(China ITS Alliance)는 RSS를 향후 자율주행차 안전 표준의 기본 골격으로 사용 승인했으며, 발레오(Valeo)는 자체 자율주행차 프로그램을 위해 RSS를 채택하고 업계 표준 분야에서 협력하기로 합의했다. 바이두는 아폴로 프로젝트(Project Apollo)에서 RSS의 오픈소스 구현에 성공했음을 발표했다.

엔비디아는 차량과 탑승자, 그 외 도로 이용자를 보호하는 강력한 주행 정책인 세이프티 포스 필드(Safety Force Field™, 이하 SFF)를 제공한다. SFF는 센서 데이터를 수집하고, 차량 및 기타 도로 이용자를 보호하기 위한 일련의 조치를 결정함으로써 주변 환경의 움직임을 분석하고 예측한다. SFF 프레임워크는 운행 중 안전하지 않은 상황이 발생하거나 유도하지 않도록 하며, 잠재적인 위험을 완화하기 위해 필요한 조치도 포함하고 있다.

강력한 계산 기능을 갖춘 SFF는 제한된 통계 데이터로 실제 상황 시나리오의 높은 복잡성을 모델링하는 대신, 차량이 수학적인 제로-충돌(Zero-collisions) 검증에 기반해 안전을 유지하도록 한다. 엔비디아 드라이브 플랫폼에서 실행되는 프레임별 물리 기반의 SFF 연산은 차량 센서 데이터에서 직접 수행된다. SFF는 또한 현실세계에서 재현하기에는 다소 위험할 수 있는 고속도로 및 도심주행 관련 시나리오를 포함한 실제 데이터와 정밀 시뮬레이션을 통한 검증을 거친 상태이다.

이러한 방법들은 신경망 기술이 불안정하고, 어리석으며 위험한 결과를 초래할 수 있는 위험을 줄이는 방안이다. 융합적인 플래너는 우리가 아는 일반적이고 상식적인 법칙을 준수하도록 도와 준다. 예를 들면, “다른 차와 부딪치지 않기”, “갓길에서 운전 안하기”, 그리고 “이중 노란색선에서는 운전 안하기 등”이다.

크루즈(Cruise)는 2019년 말까지 평균적인 운전자보다는 11~15% 정도 자신들의 자율주행차가 안전할 것이라고 예상한다. 이보다 3배수 이상 많은 차를 운영하는 테슬라는 보다 더 완전 자율주행에 다가갈 것이고, 이런 계산이라면 아마도 테슬라는 운전자 보다 50~110% 정도 안전한 기술적 성과를 가질 것이다. 구글 알파벳의 자율주행 택시 서비스 기업인 웨이모는 “탑승자만 탑승하는 택시”의 운영을 곧 추진할 예정이며, 미국에서는 이미 4개의 기업이 해당 기능을 검증하고 있다. 웨이모와는 달리 테슬라는 라이다 센서를 가지고 이중화를 하고 있지 않지만 훨씬 더 많고 더 좋은 데이터를 이용하여, 예측, 경로 생성 그리고 컴퓨터로 인지할 수 있는 능력을 가지고 있다.

지금까지 자율주행 데이터를 이용한 자율주행 성능 향상에 대해 살펴 보았다. 아직 필자는 이런 내용을 국내 기업들로부터 듣지 못했다. 우리가 노력해야 하는 부분이 어떻게 객관적으로 우리의 수준을 증명하느냐이고 이런 관점에서 스프링클라우드가 하고 있는 일을 다시 한번 객관적으로 살펴보고 검증하고자 한다. 

글 / 송영기 (스프링클라우드)
출처 / 오토저널 2020년 1월호 (http://www.ksae.org)  
  • 페이스북으로 보내기
  • 트위터로 보내기
  • 구글플러스로 보내기
하단배너
우측배너(위)
우측배너(아래)