UberATG, GAN(Generative Adversarial Network)을 활용해 차량의 움직임 예측 정확도 향상시켜

credit : bantersnaps

[2020.04.25] 자율주행차량 연구자들은 완전자율주행을 구현하기 위해서는 주변 차량들이 어떻게 움직일 것인지 정확하게 예측해야 한다는 것을 잘 알고 있을것이다. 차량의 움직임을 정확하게 예측하는 것은 인간 운전자에게도 어려울 수 일이다. 한편 우버 연구진들은 현재의 차량탐지시스템과 여러 지도 데이터를 활용한 인공지능을 통해 차량 움직임 예측 정확도를 크게 개선하고 있다. 

 

자율주행차량에 있어서 오작동은 절대 허용될 수 없다.

자율주행차량이 잘못된 의사결정을 하게 되면 이는 바로 교통사고로 이어진다. 전세계는 2018년 우버의 자율주행차량 프로토타입이 보행자와 충돌하여 사망에 이르게 한 사고를 기억하고 있을 것이다. 당시 보행자는 어두운 다차선 도로에서 자전거를 밀면서 길을 건너고 있었다.

 

美 교통안전위원회(National Transportaion Safety Boards)가 발표한 자료에 따르면, 우버의 프로토타입 차량은 보행자와 충돌하기 6초전 이미 라이다와 레이더 시스템으로 보행자를 탐지했다고 한다. 그러나 소프트웨어에서는 보행자를 정체미상으로 분류했다가, 차량으로 분류했다가, 자전거로 분류했다. 이 각각의 판단에 대한 대응(움직임)은 매우 상이하다. 충돌회피를 위해 비상제동이 필요하다고 판단한 시점은 충돌 1.3초 전이었다. 불행히도 테스트 중에는 자율주행차량의 잘못된(erratic) 반응을 방지하기 위해 차체 내부의 비상제동 시스템이 작동하지 않았고, 백업드라이버(실제로 운전은 하지 않지만 테스트 차량에 탑승하여 비상상황 시 보조운전을 실시함)도 보행자를 발견하지 못했다.

 

우버 연구진이 이룬 성과

공로에서 안전한 주행을 하기 위해서는 자율주행기술이 주변 차량의 경로를 탐지하고 모니터링하고 예측할 수 있어야 한다. UberATG는 탐지된 주변 차량이 어떻게 움직일지에 대한 예측을 더 정확하게 할 수 있는 방법을 내놓았다. 이 연구는 'GAN(Generative Adversarial Network)'라고 불리는 기술을 활용하여 차량의 움직임을 예측한다는 점에서 새롭다고 할 수 있다. 연구진들은 이를 통해 차량의 이동경로 예측 정확도를 10배 가까이 향상시켜 자율주행에 도움이 될 것이라고 전했다. 

 

GAN(Generative Adversarial Network)이란?

GAN은 2014년 개발된 머신러닝 프레임워크로, 쉽게 말하자면 실제적인(진짜) 상황에 대하여 '훈련된' 식별(discriminator) 네트워크로부터 승인받을 수 있는 가상의 결과물(outputs)을 생성한다. 식별네트워크가 단순히 특정상황을 보고 미리 정의해놓은 상황과 부합하는지 판단하도록 하는 것이 아니라, 식별네트워크가 진짜라고 판단하도록 속이는 데이터를 생성하는 것이다. 그래서 'adversarial(대립의)'라는 이름이 붙었다. 이 과정에서 두 시스템은 각각의 역할을 더 잘 수행하기 위해 상호학습한다. 용례로는 GAN으로 화가가 그린 실제 미술작품을 흉내내도록 하여, 식별네트워크가 여기서 생성된 미술작품이 진짜라고 판단하게 한 사례가 있다. 

 

우버의 연구성과, 'SC-GAN(scene-compliant, 상황적응형)' 

우버의 SC-GAN'은 다른 차량의 움직임을 상황(scence)이나 위치에 대한 제한(restriction)을 따르도록 하는데 성공했다. 이를 달성하기 위해 SC-GAN가 도로, 횡단보도 표지판, 신호등, 차선 방향과 같은 정보를 포함한 정밀지도에 접근할 수 있게 했다. 그리고 이를 레이더, 라이다, 카메라 센서 등 차체에 장착된 트래킹 및 탐지 시스템의 데이터와 결합했다. SC-GAN은 차량의 전방과 좌측을 X, Y축으로 정의하고, 이를 기준으로 하는 프레임에 인근 차량에 대한 레퍼런스를 생성한다. SC-GAN이 경로를 예측하고자 하는 차량들에는 앞서 설명한 것과 같은 상황 정보나 지도 제한 조건 등에 대한 수학적 매트릭스를 생성할 수 있다. 이 매트릭스 이미지는 차량 앞뒤 10m, 양옆 30m를 커버한다.

 

테스트 방법과 결과

우버 연구진들은 구글의 머신러닝 플랫폼 Tensorflow에서 이 AI 시스템을 작동시켜보았다. 이때, 미국 여러도시에서 각각 다른 시간, 날짜, 교통상황에서 240시간 정도 주행한 실제 대용량 데이터셋을 사용했다. 각 차량은 0.1초마다 데이터포인트를 생성했다. 각 데이터포인트에는 속도, 가속도, 조향방향, 방향전환 속도 등에 대한 0.4초전~현재 기록이 포함되어있다. 결과적으로 총 780만개의 데이터포인트와 고정밀지도 정보를 모델훈련과 시험평가에 활용했다. 

 

연구진에 따르면 SC-GAN은 결과기준(baseline)과 비교했을때, 도로를 이탈하거나 주행불가구역에 있을 것으로 예측한 경우가 50% 감소했다. 뿐만 아니라 기존의 최첨단 GAN 아키텍처의 성능보다 더 나은 결과라고 전했고, 결과적으로 예측오류에 대한 평균과 최종값(final numbers)은 약간 감소하였다. 

 

연구진들은 또한 SC-GAN이 꽤나 난이도 있는 차선 관련 상황에서도 성공적으로 차량의 움직임을 예측했다고 밝혔다. 예를 들어, 차량이 직진전용 차선에서 교차로쪽으로 주행할때, 차량의 전방부가 왼쪽으로 좀 기울어져 있어도 차량이 좌회전하는 것이 아니라 직진할 것이라고 올바르게 예측했다. 또 다른 상황에서는 SC-GAN은 회전차전에서 교차로 쪽으로 주행하는 차량은 우회전할 것으로 정확하게 예측했다. 

 

자율주행에서의 의의

연구진들이 짚었다시피 차량 움직임을 예측하는 것은 자율주행의 필수요건 중 하나이다. 자율주행차량 주변에서 감지되고 추적되는 운전자의 다음 행동이나 불확실성을 모델링해야 한다는 것이다. 연구진들은 종합적인 분석을 통해 개발한 이 방법론이 다른 것들보다 더 나은 최상의 성능(더 정확하고 사실에 가까운 예측이 가능함)을 가지고 있다고 주장했다.

 

자율주행차량의 보험

전통적으로 자동차보험은 어떤 차를 운전하던 운전자를 따르지만, 자율주행이 도입되면 이 패러다임은 완전히 바뀔 것이다. 자율주행 차량 시대의 보험은 운전이 무엇을 의미하는지에 대한 근본적인 질문에 도달하는데, 보험 책임에 대한 이 문제에 대해선 아직 이렇다 할 해답이 없다.

 

[원출처] Uber’s AI lets driverless cars accurately predict the movement of other vehicles / ZME Science

Uber’s AI lets driverless cars accurately predict the movement of other vehicles

---

[더보기]  GAN(Generative Adversarial Network)이란?

 

• (정의) 두 개의 신경망을 사용하는 알고리즘 아키텍처로, (가짜 데이터가) 실제 데이터로 통할 수 있도록 해주는 새로운 합성 데이터 인스턴스를 생성하기 위해 한 쪽을 다른 한 쪽과 대립시키는 것(adversairal) 
• (활용) 주로 이미지 생성, 비디오 생성, 음성 생성에 활용됨
• (평가) 2014년 몬트리올大 Ian Goodfellow 외 여러명의 연구진의 논문을 통해 처음 소개되었다. Yann LeCun 페이스북 AI연구 디렉터는 GAN에 대해 ‘지난 10년 중 머신러닝 분야의 가장 흥미로운 아이디어’라고 평가했다.
• (특징) 어떤 데이터의 분산방식(distributoin)도 모방할 수 있기 때문에, 선과 악의 잠재성을 모두 가지고 있다. 그림, 음악, 산문, 연설 등 어느 분야가 되었던 아주 비슷하게 생성하도록 학습시킬 수 있다. 즉 어떤 면에서 보면 로봇 아티스트라고 할수도 있고, 생산성이 매우 뛰어나다. 그러나 가짜 미디어 콘텐츠를 생성하는 딥페이크의 기반이 되는 기술이기도 하다.
• (비교) ‘생성(Generative) 알고리즘’과 ‘식별(Discriminative) 알고리즘’을 비교해보면 GAN을 쉽게 이해할 수 있다. 식별 알고리즘은 입력값을 분류하고자 한다. 즉 데이터 인스턴스의 속성(features)을 고려하여 식별 알고리즘은 해당 데이터가 속하는 레이블과 카테고리를 예측한다. 따라서 식별 알고리즘은 속성들을 라벨에 매핑한다. 이 알고리즘은 오로지 이 상관관계에만 집중한다. 반면 생성 알고리즘은 특정 속성이 해당하는 레이블을 예측하는 것이 아니라 특정 레이블로 해당하는 속성을 예측해내려고 한다. 다시 쉽게 설명하자면 식별모델은 (레이블, 카테고리) 종류의 경계에 대해 학습하는 것이고, 생성모델은 각 종류의 분산방식을 학습하는 것이다.

[참고자료] https://pathmind.com/wiki/generative-adversarial-network-gan

A Beginner's Guide to Generative Adversarial Networks (GANs)

Researcher Jasmine