인공지능을 드라이버로
채용한 자율주행 자동차
#인공지능
#ai
#자율주행
보통 CEO의 기행이 잦아지면 서서히 회사의 인지도가 하락하고 회사의 기술 역시 퇴보하게 마련입니다. 그러나 이상하게도 테슬라는 다르더군요. 일국의 수장에게 대결을 신청하고, 유명 SNS 서비스를 충동구매 하는 등 특이한 행보를 보이지만 테슬라 전기차의 주식은 여전히 우상향 곡선을 그리고 있습니다.
‘CEO 리스크’에도 끄떡없는 테슬라의 상승 요인은 ‘겨룰 자 없는 인공지능 자율주행’ 때문이라는 의견이 지배적입니다. 실제로 대부분의 자율주행 업체가 테슬라를 따라잡기 위해 노력하고 있고, 전문가들은 ‘자율주행 기술 자체가 소비자가 차를 선택하는 중요한 기준이 될 것’이라 예측하는데요. 그렇다면, 자율주행 인공지능 기술의 핵심에는 어떤 것이 자리 잡고 있을까요?
인공지능, 자율주행에서 가장 중요한 요소
자율주행은 2000년대 이전부터 꾸준히 연구되어 온 주제였습니다. 이전에도 특정한 공간을 지정해 다른 교통의 개입이 없는 상황에서 일정한 공간을 운행하는 자율주행 셔틀버스 등은 여러 공간에서 활용이 되고 있었는데요. 21세기, 사람이 운전하듯 모든 장애물을 해결하며 달려가는 자율주행 운전기술의 현실화 가능성이 처음으로 제기됐습니다. 바로 미국 라스베이거스에서 열리는 세계 최대의 IT 전시회 CES에서 인공지능 기술과 5G 통신 기술인 IoT가 자율주행을 만난 것입니다.
자율주행 인공지능 분야에서도 가장 중요한 것은 머신러닝(Machine Learning) 기술이라 할 수 있습니다. 머신러닝은 라벨링(Labeling) 된 데이터를 학습해, 이 데이터를 기반으로 결과값을 내주는 인공지능 기술입니다. 자율주행 차량이 주행할 때 주변의 상황과 전방에 있는 사물 등은 데이터화 되어 머신러닝을 거친 프로세서로 입력되고, 프로세서는 입력된 데이터를 판단해 엔진과 브레이크, 핸들을 조작해 차량을 운전하게 됩니다.
딥러닝, 머신러닝과 어떤 차이일까?
그러나 세상에는 수많은 사람이 있고, 사람들이 도로에서 보여주는 모습과 행동 패턴 역시 셀 수 없을 정도로 많습니다. 그 뿐인가요? 탈 것 역시 버스와 승합차, 승용차와 오토바이 등 다양한 데다, 도로 위에는 사람과 차 외에도 반려동물, 자전거, 쓰레기 등등 다양한 오브제가 존재할 수 있습니다. 이 모든 것들을 학습시키기 위해 구성해야 하는 이미지 데이터셋은 수억 장 이상의 천문학적 양(빅데이터)이 될 것이고, 이것을 라벨링하고 변화에 따라 다시 데이터셋을 구성하는 것은 불가능에 가깝습니다. 이때 필요한 것이 바로 딥러닝입니다. 딥러닝은 머신러닝 기술의 일종으로 인간의 뇌를 형성하는 신경망의 기전을 모방해 컴퓨터에게 학습하도록 하는 머신러닝의 하위 기술입니다.
우리의 생명을 담보로 하는 기술인 자율주행에서는 딥러닝이 머신러닝보다 훨씬 효율적이고 안전합니다. 그 이유는 뭘까요? 머신러닝은 학습할 데이터를 인간이 사전 처리하는 ‘라벨링’(Labeling) 작업을 통해 컴퓨터가 인식할 수 있도록 준비하고, 그 자료들을 받아들인 컴퓨터는 그 자료들을 분류하고 학습해 결과값을 내놓습니다.
그러나 딥러닝은 학습 데이터를 스스로 라벨링 해 그것을 학습해 결과값을 냅니다. 우리가 운전하면서 앞에 있는 물체가 차인지를 판단할 때, 논리에 의해 판단하 어떤 논리를 세우기 보다 무의식 중에 직관적으로 ‘저건 차구나.’라고 인식하는 것처럼요. 그건 어릴 때부터 이미 수많은 자동차를 보고 경험하면서 이미 우리 뇌 속에 자동차를 인지할 수 있는 신경망이 형성되었기 때문입니다.
자율주행에 딥러닝이 필요한 이유는?
자율주행 자동차는 인공지능·빅데이터·IoT 등 최첨단 센서와 네트워크 기술이 융복합 적용된 자동차입니다. 강릉시에서는 2023년부터 관광객이 이용할 수 있는 자율주행 차량을 운행하고 있는데요. 차량 내 모니터를 통해 자동차 운행에 대한 수많은 데이터가 오가는 것을 확인할 수 있었습니다.
“테슬라의 자율 주행은 수많은 주행 데이터를 학습하고 또 학습시켜서 최적의 안전한 운전 방법을 스스로 만들어 냅니다.”
테슬라의 자율주행 솔루션 ‘오토파일럿’ 역시 딥러닝을 기반으로 합니다. 자율주행에서 딥러닝이 학습하는 것은 차량의 위치와 운행 관련 데이터입니다. 자율주행 자동차에서는, 먼저 자동차에 장착된 카메라와 라이다(LiDAR) 센서, 초음파 센서 등 다양한 IoT 센서에서 들어오는 신호가 발생합니다. 또한 주변 교통상황 속에서 내 차량의 위치와 GPS 정보, 도로 신호체계 및 교통정보 역시 지속해서 발생하게 됩니다. 자율주행 자동차에 적용된 딥러닝 기술은 이 신호들을 계속 학습해 신경망을 생성하며, 이것을 토대로 차가 도로에서 주행할 때 다양한 상황을 판단해 운전할 수 있도록 합니다.
강화학습으로 안전도와 패턴 높인다
자율주행 자동차에는 ‘강화학습’도 진행됩니다. 행동심리학에서 영감을 받은 강화학습은 어떤 환경에서 학습 대상이 현재의 상태를 인식해, 가능한 행동 중 보상을 최대화하는 행동을 선택하도록 하는 방법입니다. 자율주행 자동차의 인공지능은 그동안 주행 데이터와 다른 차량의 주행 데이터 등을 다시 학습해 자율주행의 정확도와 안전도를 높일 수 있습니다.
또한 이렇게 수집된 정보를 토대로 차량의 궤적을 재구성해 판단하고 학습할 수 있는데요. 이를 통해 논리적으로 설명이 힘든 운전자들의 관행 등도 학습할 수 있습니다. 예를 들어, 차 밖으로 손을 내밀어 신호하면 앞으로 끼어들게 해준다거나, 고속도로에서 앞차가 갑자기 속력을 줄일 경우 비상등을 켠다거나 하는 것들이 이에 속합니다.
딥러닝을 기반으로 한 인공지능의 발전에는 IoT와 5G 네트워크의 도움도 상당했습니다. IoT는 ‘Internet of Things’, 즉 사물 인터넷이라는 뜻으로 데이터를 수집하고 공유할 수 있는 센서나 소프트웨어 및 네트워크에 연결된 디바이스나 차량, 가전제품 등의 네트워크를 의미합니다. 자율주행 자동차는 교통 신호 체계나 GPS 등과 서로 통신해 도로와 신호 체계, 앞뒤 차량 상황을 파악해 운전해야 하는 만큼, IoT 디바이스를 탑재하는 것이 필수적입니다. 또한 이러한 신호를 0.01초라도 빨리 주고받아야 하기 때문에, 현재 가장 빠른 무선 네트워크 서비스인 5G 네트워크 사용이 필수적이죠.
자율주행 기반 기술을 한 번에 체험해 보려면?
아무래도 융복합 기술인 만큼, 자율주행 기술을 위해 공부할 분야는 많습니다. 딥러닝 기술뿐만 아니라 컴퓨터 비전과 센서 인식, 자동차 위치정보를 확인하고 경로를 계획하는 기술은 물론, 이것들을 기반으로 한 차량 제어 기술 등 다양한 분야에 관해 공부해야 하는데요. 이 많은 기술들을 하나하나 찾아서 공부하는 것은 쉽지 않습니다.
현재 패스트캠퍼스에서는 ‘온라인 초격차 패키지’ 시리즈의 일환인 ‘자율주행을 위한 컴퓨터비전과 라이다 & 센서 퓨전까지’라는 제목으로 자율주행에 대한 전반적인 이론과 실제를 경험해 볼 수 있습니다. 국내 최초로 자율주행을 한 번에 학습할 수 있도록 6개의 기술을 52개의 프로젝트 실습으로 마스터할 수 있게 했으며, 주요 Computer Vision 알고리즘을 활용해 자율주행 대표 기술인 ADAS와 DMS를 직접 구현할 수 있도록 했습니다. 또한 전체 자율주행 시스템 아키텍처를 이해하기 위한 융합 프로젝트도 경험해 볼 수 있으니 관심 있으신 분들은 신청해 보세요.
