4대 혁신으로 자율주행차 AI가 한 단계 도약한다

 

(2020.07.06.) 자율주행차에는 다양한 자율주행 기능이 탑재되어 개발된다. 일부 차량은 크루즈 컨트롤, 사각지대 감지 등 기본적인 자동화를 제공하는 반면 완전자율 기능에 도달하고 있는 차량도 있다. 이 중 많은 기능이 AI 기술로 가능해지고 있다. 자율주행차가 도시 전체에 배치되는 미래를 실현하기 위해 도움이 될만한 자율주행차 AI와 지도 제작의 혁신적인 기술 4가지를 살펴보려한다.

 

 

① 심층강화학습(Deep Reinforcement Learning, DRL)

자율주행차 개발에는 DRL을 포함해 다양한 종류의 머신러닝이 적용되고 있다. 이 방법은 알고리즘 훈련을 보다 효율적으로 자동화하기 위한 시도로 딥러닝(Deep Learning)과 강화형 기계학습(reinforcement learning)의 전략을 결합한 것이다. DRL 구현 할 때, 연구자들은 보상 기능을 이용해 software-defined agents 프로그램을 강화학습 대상으로 안내하고 있다. 훈련을 통해 에이전트(agent) 프로그램은 목표를 달성하는 방법 또는 이후의 단계에 걸쳐 보상을 최대화하는 법을 배우게 된다. 현재 자율주행차, 인간 운전자, 제조사로부터 수집된 데이터 덕분에 이러한 에이전트 프로그램은 결국 독립적으로 작동하도록 훈련될 수 있다. 또한 DRL은 차량의 하위 레벨 자동화에 유용한 응용 프로그램을 가지고 있다. 또한 공장 자동화 및 차량 정비의 변혁에 적용할 수 있는 차량 제조의 가치를 제공할 수 있다.

 

 

② 경로 계획

경로 계획은 자율주행차가 안전하고 편리하며 경제적인 노선을 결정하기 위해 사용하는 의사결정 과정이며 거리 구성, 정적 및 동적 장애물, 조건 변경을 고려해야 한다. 현재 경로 계획은 행동 기반 모델, 실현 가능 모델, 예측 제어 모델의 조합에 기초하고 있다. 이 과정은 대략 다음과 같다.

 

• 경로 계획 메커니즘은 이용 가능한 도로나 차선에 따라 A지점에서 B지점까지의 경로를 결정한다.

• 그런 다음 교통이나 기상 조건과 같은 환경 변수에 따른 차량 이동을 결정하기 위해 행동 기반 단계를 적용한다.

• 이러한 결정은 차량 운행을 안내하기 위해 실현 가능하고 예측가능한 모델에 적용된다.

• 프로세스가 진행됨에 따라 센서와 분석 피드백이 이들 부품에 공급 및 실시간으로 수정되어 오류 또는 예기치 못한 사건에 대한 조정이 가능하다.

 

위의 프로세스에서 비교적 쉬운 부분은 차량 자체가 특정 조건에서 어떻게 동작할 지를 예측하는 것이라면 더 어려운 부분은 차량을 운행하는 환경에서 일어날 수 있는 일을 예측하는 것이다. 예를 들어, 차량은 옆 차량이 방향을 바꾸거나 보행자가 도로를 들어갈 때를 어떻게 예측 할 수 있을까?

 

이런 예측 기능을 향상시키기 위해 연구자들은 가능한 물체의 궤적과 속도를 시뮬레이션하기 위해 다중 모델 알고리즘을 적용하고 있다. 이 모델들은 자율 시스템이 동시에 여러 개의 시나리오를 준비할 수 있도록 한다. 그런 다음 발생하는 각 시나리오의 평가된 확률에 기초하여 시스템은 차량이 어떻게 반응하는지를 정의할 수 있다.

 

 

③ SLAM(Simultaneous localization and mapping)

위치 측정 및 동시 지도화(SLAM)는 차량 주변을 실시간으로 탐색하고 자신의 위치를 측정하며 동시에 지도를 작성하는 기술이다. 아직 초기 단계이지만 결국 이 기술은 지도를 사용할 수 없거나 사용 가능한 지도가 잘못된 경우 차량이 지역에서 자율적으로 작동할 수 있도록 한다. 이 기술을 구현하는데 어려운 이유는 현재 매핑이 먼저 물체의 방향을 아는 것에 기초한다는 점이다. 단 방향은 일반적으로 센서 데이터를 기존 주변 지도와 비교하여 결정된다. 위치 측정과 동시 지도화를 이중적으로 의존하는 것은 랜드마크 정보를 알 수 없는 경우 어느 하나의 목표도 달성하기 어렵게 만든다. 이 문제를 극복하는 방법 중 하나는 GPS 데이터는 차량이 환경을 지나갈 때 개선되는데 GPS 데이터를 기반으로 대략적인 지도를 결합하는 것이다. 또한 끊임없이 환경을 측정하고 세심한 계산을 적용하여 차량 이동 및 센서 정확도를 교정하는 차량 센서가 필요하다. SLAM 응용 사례로는 구글 맵스 데이터 생성에 사용되는 구글의 자율주행차에서 볼 수 있다. 이 차량은 지붕에 부착된 레이저레이더(LIDAR) 조립체를 이용해 주변을 측정한다. 차량 이동 속도에 따라 초당 최대 10회까지 측정한다. 그렇게 수집된 데이터는 Bayesian filters 확률 접근법과 Monte Carlo 알고리즘을 포함한 일련의 통계 모델을 통해 전달되어 기존 지도를 정확하게 개선한다.

 

 

④ HD 지도

고정밀 지도는 센티미터 수준의 정밀도를 갖춘 미세한 환경 디테일이 포함된 지도이다. 이 지도에는 차선 표시, 곡선 각도, 도로 경계 또는 포장 경사도 등 운전 중 운전자가 실시간으로 보고 해석할 수 있는 상세 정보가 포함되어 있다. 또한 고정밀지도가 제공하는 세부사항 수준은 자율주행차가 행동을 보다 정확하게 예측하고 방향을 보다 정확하게 잡을 수 있도록 돕는다. 고정밀지도는 실시간 환경 변화의 평가 필요성을 없애주는 것은 아니지만 센서 데이터를 철저하게 처리하고 분석 해야하는지에 대한 부담을 덜어준다.

 

 

결론

AI 알고리즘은 완전 자율 차량에 동력을 공급하기 위해 필요한 구성 요소의 일부에 불과하다. AI는 고급 센서에서 수집되거나 보다 정확한 지도에서 파생된 데이터 같은 고품질 데이터의 통합으로 성장한다. 딥러닝 모델이 자율주행차 AI 개선에 크게 기여했지만, 이들 차량이 직면한 과제는 여전히 많으며 완전 자율주행을 달성하기 전에 해결해야 할 것이다.

 

 

 

 

 

[출처]

https://www.enterpriseai.news/2020/07/06/4-innovations-taking-autonomous-vehicle-ai-to-the-next-level/

Four Innovations Taking Autonomous Vehicle AI to the Next Level

Edited by Lucy