당신은 주제를 찾고 있습니까 “자율 주행 딥 러닝 – 인공지능의 학습방법은 무엇일까?“? 다음 카테고리의 웹사이트 you.maxfit.vn 에서 귀하의 모든 질문에 답변해 드립니다: you.maxfit.vn/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 EBS 컬렉션 – 사이언스 이(가) 작성한 기사에는 조회수 7,018회 및 좋아요 85개 개의 좋아요가 있습니다.
자율 주행 딥 러닝 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 인공지능의 학습방법은 무엇일까? – 자율 주행 딥 러닝 주제에 대한 세부정보를 참조하세요
인공지능은 인간의 인식, 판단, 추론, 문제 해결, 그 결과로서의 언어나 행동 지령, 더 나아가서는 학습 기능과 같은 인간의 두뇌 작용을 이해하는 것을 연구 대상으로 하는 학문 분야이다. 세계 최고의 기술 산업들이 탄생한다는 미국 캘리포니아 실리콘밸리를 찾아가 자동차 자율주행 기술과 인공지능 학습방법에 대해 알아본다.
#인공지능 #딥러닝 #자율주행
자율 주행 딥 러닝 주제에 대한 자세한 내용은 여기를 참조하세요.
자율주행 자동차, ‘딥러닝’으로 시동 건다
주행 도중 전방에 나타난 물체의 정체를 판단하는 자율주행자동차 · 데이터를 반복적으로 입력하는 과정을 통해 스스로 학습하는 컴퓨터. · 딥러닝은 사물 …
Source: news.samsung.com
Date Published: 12/30/2022
View: 2118
자율주행 자동차의 인공지능 – Korea Science
to-End 딥러닝 기반 자율 주행. 앞서 설명한 기술들의 경우에는 인식시스템과 경. 로 설계 및 제어 알고리즘을 각각 개별적으로 설계해. 야 한다.
Source: www.koreascience.or.kr
Date Published: 7/15/2022
View: 182
머신러닝 딥러닝을 이용한 A.I. 자율주행 RC카 프로젝트 with …
머신러닝 딥러닝을 이용한 A.I. 자율주행 RC카 프로젝트 with 파이썬+아두이노』는 머신러닝 동키카로 체험하고 ESP32 아두이노 자율주행 자동차로 …
Source: www.yes24.com
Date Published: 5/9/2022
View: 6547
딥 러닝과 자율 주행 자동차 – 네이버 블로그
이세돌 9단과 알파고(AlphaGo)의 바둑 경기 이후로 딥 러닝(Deep Learning)이란 단어가 화두에 올랐습니다. 오늘은 딥 러닝이 무엇인지 알아보고, …
Source: m.blog.naver.com
Date Published: 12/8/2022
View: 3268
Brightics Deep Learning 기반의 자율 주행
자율 주행 기술의 여러 단계와 컴퓨터 비전(Computer Vision)에 대해 자세히 살펴보겠습니다.
Source: www.samsungsds.com
Date Published: 12/6/2021
View: 8380
[인터뷰] 자율주행에 AI 적용이 어려운 2가지 이유
[테크월드=선연수 기자] 자율주행 기술을 연구하는 사람은 자율주행차의 미래를 어떻게 … 딥러닝 기술, 가상·실차 시뮬레이션 기술 등을 연구하고 있다.Source: www.epnc.co.kr
Date Published: 6/4/2022
View: 6519
자율주행 자동차를 위한 딥러닝 알고리즘 – 단국대학교
자율주행 자동차를 위한 딥러닝 알고리즘. : 딥러닝 기반 ADAS 센서 고장 진단 알고리즘 개발. SW 중심 대학 사업 대학-대학원 연구과제 – 1차년도.
Source: cms.dankook.ac.kr
Date Published: 3/25/2022
View: 7016
딥러닝 기반의 인공지능, 자율주행 기술 경쟁의 핵심을 바꾼다
즉 자율주행 자동차 구. 현의 핵심이 특화 센서와 자동차 업계의 전문가에. 서 딥러닝 전문가와 주행 과정을 학습 시킬 수 있. 는 데이터로 이동하고 있는 …
Source: www.lgeri.com
Date Published: 2/16/2021
View: 6448
주제와 관련된 이미지 자율 주행 딥 러닝
주제와 관련된 더 많은 사진을 참조하십시오 인공지능의 학습방법은 무엇일까?. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
주제에 대한 기사 평가 자율 주행 딥 러닝
- Author: EBS 컬렉션 – 사이언스
- Views: 조회수 7,018회
- Likes: 좋아요 85개
- Date Published: 2021. 1. 14.
- Video Url link: https://www.youtube.com/watch?v=GMTktxagR6s
자율주행 자동차, ‘딥러닝’으로 시동 건다
자율주행 자동차를 말할 때 빠지지 않고 등장하는 기술 중 하나가 딥러닝(deep learning)[1]이다. 이번 회차에선 딥러닝 기술이 자율주행 자동차에 어떻게 적용되는지, 그리고 자율주행 자동차와 딥러닝에 관해 어떤 논의가 이뤄지고 있는지 살펴보겠다.
딥러닝 기술, 핵심은 ‘데이터 반복 입력 통한 자가 학습’
운전자가 주행 도중 전방에 나타난 물체의 정체를 판단하는 일은 매우 중요하다. 그 물체가 차량인지 보행자인지 쓰레기 봉투인지에 따라 운전 방식을 바꿔야 하기 때문. 인간 두뇌가 정보를 분류하는 과정은 순서가 정해진 논리적 판단이라기보다 무의식 중 이뤄지는 습관적∙직관적 판단에 가깝다. 예를 들어 누군가가 “저 물체를 왜 차량으로 분류했느냐”고 물으면 대부분은 “(바퀴∙램프∙창문 등) 자동차를 구성하는 요소들이 적절히 갖춰져서”라고 설명하기보다 “그냥 머릿속에서 차(車)로 분류됐기 때문”이라고 답할 것이다. 그런 대답이 가능한 건 △대부분 어릴 때부터 수많은 자동차를 봐왔고 △그게 자동차란 사실을 교육 받았으며 △그런 경험을 통해 뇌 속에 자동차를 직관적으로 분류할 수 있는 신경 네트워크가 형성됐기 때문이다.
이처럼 인간이 경험을 거치며 스스로 학습하는 과정을 모방, 인공지능을 만들어내는 기술 분야가 바로 ‘머신러닝(machine learning)’이다. 지금껏 연구된 여러 머신러닝 기술 중 가장 주목 받는 건 인간 뇌를 형성하는 신경망을 모방해 학습하는 딥러닝이다.
딥러닝을 활용, 특정 기능을 인공지능으로 구현하려면 그 기능에 대한 논리나 규칙을 프로그래밍하기 보다 데이터를 반복적으로 입력하는 과정을 통해 컴퓨터가 필요한 기능을 스스로 학습해가도록 해야 한다. 즉, 딥러닝 기반 인공지능 구현에서 필요 기능에 대한 전문 지식보다 더 중요한 건 컴퓨터를 충분히 학습시킬 수 있는 데이터다. 오늘날 딥러닝이 신기술로 주목 받는 것도 데이터 제공∙처리에 필요한 여러 기술이 뒷받침됐기 때문이다. 클라우드를 기반으로 한 빅데이터 기술의 발전으로 학습에 사용할 수 있는 데이터의 양과 종류가 엄청나게 늘어났고, 딥러닝의 방대한 자료를 처리할 수 있는 컴퓨팅 플랫폼(computing platform)도 날로 발전하고 있다.
딥러닝은 데이터가 존재하는 분야라면 어디에든 적용할 수 있다. 오랫동안 ‘사진 속 물체를 분류하는’ 문제는 인간의 능력 밖 일로 치부돼왔다. 하지만 딥러닝의 등장으로 지금은 단순히 사진 속 물체 분류뿐 아니라 전체 사진이 어떤 내용인지 설명하는 문장까지 만들어낼 수 있다. 딥러닝의 등장으로 음성인식 분야의 성능 역시 기존 알고리즘에 비해 크게 향상됐다(스마트폰에 적용된 각종 음성인식 애플리케이션을 써보면 쉽게 확인할 수 있다). 그뿐 아니다. 딥러닝은 번역∙금융∙법률∙보험∙의료 등 학습 가능한 데이터가 존재하는 곳 어디서나 적용되고 있으며, 더 나아가 인간의 능력에 필적하는 성능을 발휘하고 있다. 자율주행 자동차도 마찬가지다. 자동차에 장착된 각종 센서에서 검출되는 데이터와 운전자(사람)의 운전 방식 데이터 덕에 딥러닝은 자율주행 자동차에도 다양하게 활용되고 있다.
사용자 기호∙감성까지 제어하는 자율주행차 탄생 ‘초읽기’
자율주행 자동차가 스스로 주행하려면 인지∙판단∙제어 등 세 가지 기능이 반드시 필요하다. 인지 기능은 카메라∙레이더∙라이다(LiDAR) 등 차체 내 센서 정보를 처리해 주변 환경 정보를 알아차리는 것, 판단 기능은 인지된 정보를 이용해 향후 벌어질 일을 예측한 후 가장 안전하고 빠른 차량 궤적을 생성하는 것, 제어 기능은 최종적으로 생성된 차량 궤적을 부드럽고 정확하게 따라갈 수 있도록 운전대∙액셀러레이터∙브레이크를 조작하는 것이다. 실제로 여러 곳에서 이 세 기능에 딥러닝 기술을 적용하는 연구가 활발하게 진행되고 있다. 지금껏 나온 여러 연구 결과만 봐도 딥러닝이 각각의 성능을 비약적으로 향상시킬 수 있단 사실을 알 수 있다.
특히 카메라를 이용한 주행 환경 인지 분야에서 딥러닝은 가장 중요한 기술로 자리 잡았다. 카메라를 통해 입력된 이미지에 딥러닝을 적용하면 자율주행 시스템에 필요한 정적(靜的) 환경 정보(차선∙운전가능도로∙교통표지판∙교통신호 등)와 동적(動的) 환경 요소(차량∙보행자∙이륜차 등)를 전부 검출, 분류할 수 있다. 그 성능도 기존 머신러닝 알고리즘보다 월등히 뛰어나다. 또한 기존엔 인식이 불가능하다고 여겨졌던 영역의 성능까지 점차 개선되고 있다. 앞으로 카메라의 이미지 정보뿐 아니라 레이더와 라이다(LiDAR)의 센서 정보, 그리고 차량 간 통신에서 오는 정보를 모두 딥러닝에 적용할 경우 인간의 인지 능력을 뛰어 넘는 자율주행 자동차의 인지 시스템을 구현할 수 있을 전망이다.
딥러닝은 차량의 궤적을 생성하는 판단 기능에도 사용될 수 있다. 미래의 움직임을 판단하고 결정하려면 다른 운전자의 움직임을 예측해야 한다. 하지만 다양한 운전 방식을 파악하고 이를 (정답이 딱 떨어지는) 수학 모델로 정의하긴 쉽지 않다. 다른 차량 운전자가 어떻게 운전할지 논리적으로 예측하는 건 불가능하기 때문이다. 이처럼 행동 방식을 논리적으로 파악하기 어려울 때 딥러닝은 매력적 솔루션이 된다. 다양한 운전 방식과 관련 센서 정보를 데이터로 입력한 후 이를 딥러닝 알고리즘으로 학습한다면 정확한 수학 모델 없이 데이터만으로도 다른 운전자의 운행을 예측할 수 있는 인공지능 구현이 가능하다. 이런 방식은 논리적으로 설명하기 어려운, 운전자들의 미묘한 운전 규칙도 포함할 수 있기 때문에 발전 가능성이 무궁무진하다.
차량 제어 분야에서도 딥러닝을 응용할 수 있다. 고도의 안정성이 요구되는 차량 제어 기능을 구현하려면 검증된 기존 기술을 사용하는 게 일반적이다. 하지만 탑승자의 승차감을 튜닝(tuning)하기 위한 제어 기능엔 딥러닝을 적용할 여지가 있다. 승차감은 개개인이 느끼는 감성적 요소인 만큼 ‘공학적 기준’을 만들어 적용하기엔 한계가 있다. 따라서 이 경우, 딥러닝 기술을 활용해 개개인의 운전 방식을 데이터화하면 인간 감성을 고려한 차량 제어가 가능해진다. 다시 말해 단순 자율주행 기능뿐 아니라 탑승자의 안색∙음성∙상태 등을 인식, 개별 탑승자에게 ‘맞춤형 편의 기술’을 제공하는 서비스에도 딥러닝이 적용될 수 있다.
운전 과정 통째로 익히는 ‘엔드투엔드’ 방식도 한계 뚜렷
앞서 살펴본 것처럼 자율주행 자동차의 기능은 인지∙판단∙제어로 분류된다. 하지만 이 모두는 사람이 설계한 범위 안에서 작동하기 때문에 설계 시점에서 예상치 못한 상황엔 적절히 대처할 수 없다. 따라서 이런 가정을 해볼 수 있다. 기능적 구분과 설계 없이 운전에 필요한 과정을 통째로 학습하는 딥러닝으로 자율주행 알고리즘을 구현하면 어떨까?
자율주행에 필요한 중간 기능 분류 없이 운전 과정 전체를 학습하는 방법을 ‘엔드투엔드(end-to-end)’ 자율주행이라고 한다. 엔드투엔드 자율주행 자동차는 운전에 필요한 센서 데이터를 직접 입력 받고 다양한 운행 상황에 대해 학습한 후 스티어링(steering)과 액셀러레이터, 브레이크 값을 직접 출력해낸다. 즉 딥러닝 알고리즘 안에서 인지∙판단∙제어 기능이 처음부터 끝까지 네트워크로 구현되는 것이다.
엔드투엔드 학습 방식엔 운전자(사람)의 운행 방식을 데이터로 수집, 이를 모방하는 학습 방식과 시뮬레이터를 이용해 가장 최적화된 운전 방식을 스스로 학습하는 강화학습 기반 방식이 있다. 엔드투엔드 방식을 자율주행 자동차에 적용하면 새로운 운행 환경과 관련해 추가 기능이 필요할 때 인지∙판단∙제어 알고리즘을 매번 재설계하거나 변경하지 않고, 새로운 상황에 대한 데이터를 추가해 학습함으로써 자율주행 시스템을 구현할 수 있다.
하지만 (인간이 아닌) 딥러닝이 자율주행 알고리즘을 만들어냈단 사실은 자칫 엔드투엔드 자율주행 실현의 발목을 잡을 수 있다. 딥러닝 네트워크는 수 백만 개의 뉴럴 네트워크가 학습을 통해 복합적으로 연결돼 있고, 그 결과가 출력되는 구조다. 하지만 이 네트워크를 차근차근 분석해 왜 그런 결과가 나왔는지 논리적으로 분석, 검증하는 건 매우 어렵다. 대다수의 운전자가 정확한 논리 구조와 절차에 의해 운전하는 게 아니라 머릿속 운전 신경 네트워크를 따라 습관적으로 운전하듯 엔드투엔드 방식도 설계된 논리적 절차가 아니라 학습으로 형성된 네트워크에 의해 운전하기 때문이다.
쉽게 말해 일반 자동차 운행에서 주어진 상황에 따라 운전자(사람)가 어떻게 운전할지 100% 예측하기 어려운 것처럼 엔드투엔드 방식을 적용한 자율주행 자동차 역시 어떻게 운전할지 100% 예측이 불가능하다. 이상 행동을 보일 때에도 논리적 분석을 통해 해결하긴 어려울 것이다. 이런 블랙박스 구조(architecture)는 안전과 직결된 기능에서 100% 검증이 불가능한 만큼 엔드투엔드 딥러닝을 기반으로 한 자율주행을 실현하려면 더 많은 연구가 필요하다.
데이터∙학습의 선순환, ‘보다 안전한’ 자율주행차 만들 것
자동차가 움직이려면 동력기관 연료가 있어야 한다. 마찬가지로 자율주행 자동차가 움직이려면 딥러닝 기술 구현에 활용될 데이터 구축이 필수다. 자동차는 도로를 주행하며 차량 안팎의 다양한 센서를 동원, ‘빅데이터’를 형성할 테고 이 데이터는 클라우드 서비스로 공유된 후 자율주행 자동차의 딥러닝 알고리즘 학습에 쓰일 것이다. 빅데이터를 통합 딥러닝 학습은 한층 발전된 자율주행을 가능케 할 것이며, 자율주행으로 생성된 빅데이터는 다시 공유, 학습될 것이다. 이 같은 데이터와 학습의 선순환 구조가 자율주행 자동차를 더 안전하게, 자율주행 자동차가 누빌 도로를 더 원활하게 만들길 기대한다.
※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다
[1] ‘딥 뉴럴 네트워크(deep neural network)’라고도 한다
머신러닝 딥러닝을 이용한 A.I. 자율주행 RC카 프로젝트 with 파이썬+아두이노
『머신러닝 딥러닝을 이용한 A.I. 자율주행 RC카 프로젝트 with 파이썬+아두이노』는 머신러닝 동키카로 체험하고 ESP32 아두이노 자율주행 자동차로 코딩하며 인공지능을 배울 수 있는 책이다. 책은 크게 인공지능 자율주행 자동차 체험하기와 인공지능 자율주행 자동차 코딩하기로 구성되어 있다.
Chapter 01에서는 자율주행 자동차에 대해 알아보고 딥러닝 기반의 인공지능 자율주행 RC카인 동키카를 시뮬레이터를 통해 체험해 본다. 이 과정에서 인공지능 학습의 전체적인 흐름을 이해해 봅니다. 간단히 강화학습도 체험해 본다. Chapter 02에서는 인공지능 자율주행 RC카 개발 환경을 구성하고 직접 제작한 RC카를 이용하여 인공지능 자율주행 RC카 체험을 해 본다. RC카와 카메라를 이용하여 데이터를 수집하고, 수집한 데이터를 CNN 인공 신경망을 통해 학습시키고, 학습된 CNN 인공 신경망을 이용하여 자율주행을 수행하는 단계로 체험해 본다.
Chapter 03에서는 자율주행 RC카 구동을 위해 필요한 아두이노 라이브러리와 파이썬 패키지의 사용법을 익혀본다. 아두이노에서는 문자열 출력, LED 제어, DC 모터 제어 원리를 코딩해본다. 파이썬에서는 조이스틱, 쓰레드, 메시지 큐를 코딩해 본다. Chapter 04에서는 인공지능 자율주행 RC카를 구성하는 카메라 동영상 송수신, WiFi 통신, 인공지능 관련된 소스를 하나하나 살펴보면서 그 원리를 이해하고 응용할 수 있도록 한다. 구체적으로 TCP/IP 네트워크 통신을 공부하고, 통신을 이용하여 카메라 영상과 조이스틱 데이터를 주고 받아본다. 통신을 통해 수집한 영상과 조이스틱 데이터를 이용하여 CNN 인공 신경망 학습을 수행하고 학습된 CNN 인공 신경망을 이용하여 자율주행을 수행해 본다. 부록에서는 구글의 Teachable Machine을 이용하여 인공지능을 학습 시킨후, 자율주행을 수행해 본다.
※ 이 책의 예제 소스파일 다운로드 방법은 4쪽을 참조하고, 책을 보면서 궁금한 사항의 질의응답 방법은 5쪽을 참조합니다.
※ 이 책의 실습 준비물은 6쪽 또는 40쪽을 참고하고, A.I. 자율주행 RC카 조립 방법 40~55쪽을 참조합니다.
딥 러닝과 자율 주행 자동차
1) 시각 인식 지능의 적용
자율 주행 기술의 가장 핵심은 사물 인식 기술입니다. 전방 충돌 방지, 차선 이탈 방지, 차간 거리 조절 등 지능형 주행 및 자율 주행과 관련한 모든 기능은 주변 상황을 인식하는 것에서부터 시작합니다. 인간은 시각 정보에 의해 운전하지만, 자율 주행 자동차는 카메라, 레이더, 라이다, 초음파, 적외선 등 다양한 정보를 복합적으로 활용했습니다. 하지만, 딥 러닝을 활용한 시각 인식 지능은 2015년도에 마이크로소프트(96.43%)가 인간의 수준(94.90%)을 뛰어넘었습니다.
2) 학습 지능의 적용
기존의 차량 주행 기능들은 상황들을 규칙으로 정의하고 모델링 한 후 소프트웨어로 구현하는 규칙기반 방식(Rule-based Approach)으로 구현되었습니다. 하지만, 규칙기반 방식은 산업별 전문 인력이 필요하고 상황마다 정교하게 규칙을 만들어야 되기 때문에 비효율적입니다. 또한, 모든 상황을 예측하여 반영하는 것은 거의 불가능하고, 기후나 주행 규칙이 다른 국가 적용하기에 확장성(Scalability)이 떨어집니다. 반면, 딥 러닝 기술을 적용하면 처음에는 초보운전자처럼 실수가 있지만, 많은 데이터를 확보해갈수록 스스로 학습하여 완성도 높은 자율 주행이 가능해집니다.
자율 주행 기술은 고가의 센서와 자동차 산업의 전문성을 기반으로 하여 소수의 기업만이 구현할 수 있었습니다. 하지만, 규칙기반 방식이 아닌 컴퓨터 스스로 학습할 수 있는 딥 러닝 방식을 적용하며 높은 진입 장벽이 허물어지고 있습니다. 따라서 자율 주행 기술이 더욱 빠르게 발전하고 있으며, 강화 학습(Reinforcement Learning), 관계형 추론(Relational Networks), 지능 이식(Transferring Intelligence)과 같은 기술을 자율 주행에 접목시키기 위한 연구가 진행 중입니다.
인공지능과 같이 복잡한 소프트웨어 기술이 사람의 안전과 직결되는 자동차에 접목되면서 자율 주행 자동차의 안전에 많은 관심이 집중되고 있습니다. ISO26262를 기반으로 다양한 자동차 소프트웨어 검증에 힘쓰고 있는 슈어소프트테크도 안전한 자율 주행이 가능해지는 그날까지 함께 노력하도록 하겠습니다.
[참조]딥러닝 기반의 인공지능 자율 주행 기술 경쟁의 핵심을 바꾼다(LG경제연구원, 이승훈)
인공지능과 머신 러닝, 딥 러닝의 차이를 알아보자(8월 3일, 2016 by NVIDIA KOREA)
딥러닝이란 무엇인가?(Oct 10, 2017, SuaLab Reserch Blog, 김길호)
Brightics Deep Learning 기반의 자율 주행
인공지능
Yogesh Luthra
본 아티클에서는 자율 주행 기술의 여러 단계와 컴퓨터 비전(Computer Vision)에 대해 자세히 살펴보겠습니다. 시맨틱 세그먼테이션(Semantic segmentation)이란 이미지를 구성하고 있는 픽셀들을 구별하는 기능입니다. 인스턴스 세그먼테이션 (Instance segmentation)은 고유의 객체 감지 기능이 추가된 시맨틱 세그먼테이션입니다.
인스턴스 세그먼테이션 (Instance Segmentation)
[그림1] 인스턴스 세그먼테이션 시각 자료. 클래스(class) = “차량(car)”인 여러 인스턴스가 고유의 객체로 감지됨컴퓨터 비전(Computer Vision)은 자율 주행 기술에서 매우 중요한 부분을 차지하고 있습니다. 한 장면에 등장하는 다양한 객체들을(예 : 자동차, 버스, 트럭, 사람, 신호등, 표지판) 인지하고 분류하는 어려운 기능을 수행해야 하기 때문이죠. 고유한 객체(예 : 사람 1, 사람 2, 자동차 1, 자동차 2)를 분류하고 추적하는 것은 어려운 일입니다. 객체를 현지화하고 분류해서 얻는 정보는 자율 주행의 다양한 단계에서 매우 유용하게 작용합니다. 자율 주행 시스템은 현장에서 여러 객체들을 이해하고(인스턴스 세그먼테이션), 각각의 위치를 파악해 최상의 경로를 찾습니다.
자율 주행(Autonomous Driving)
자율 주행은 [그림 2]의 단계로 구성됩니다.
[그림2] 자율주행 단계1) 인식(Perception)
먼저 환경을 정확히 이해해야 합니다. 자율 주행에서는 ‘인식(Perception)’이라고 부르죠.
인식은 다음과 같습니다.
컴퓨터 비전(Computer Vision): 자연 이미지는 매우 복잡하기 때문에 기존에는 이 기술을 구현하는 것이 굉장히 어려웠습니다. 그러나 최근 CNN(Convolutional Neural Networks)의 발전으로 이 분야는 상당한 진전을 보이고 있습니다.
자연 이미지는 매우 복잡하기 때문에 기존에는 이 기술을 구현하는 것이 굉장히 어려웠습니다. 그러나 최근 CNN(Convolutional Neural Networks)의 발전으로 이 분야는 상당한 진전을 보이고 있습니다. 센서 퓨전(Sensor Fusion): 시각 데이터를 보강하는 단계로, 다음과 같은 센서 데이터를 활용합니다.
RADAR: 객체의 움직임에 따라 신호를 생성합니다. 하지만 객체를 분류할 수는 없습니다.
비용은 수백 달러에 달합니다.
LIDAR: 3D 포인트 클라우드를 생성합니다. 자율 주행의 다양한 단계에서 매우 유용하게 쓰이며, 비용은 수천 달러 수준입니다.
울트라 소닉 센서(Ultra-sonic Sensors): 광파 대신 음파를 사용해 객체 이동 신호를 생성합니다.
RADAR 만큼 안정적이지는 않지만 제조 비용이 저렴합니다.
인식 후에는 위치 선정(Localization), 경로 계획(Path Planning), 제어(Control) 단계가 이어집니다.
2) 위치 선정(Localization)
위치 선정 단계에서는 특정 환경 내 차량의 위치를 결정합니다. 고화질 지도를 사용해 SLAM(Simultaneous Localization And Mapping) 알고리즘을 기반으로 차량의 정확한 위치를 인식합니다.
3) 경로 계획(Path Planning)
경로 계획 단계에서는 다이내믹하게 변하는 환경에서 최상의 경로를 파악할 수 있습니다. 주변 객체와의 거리를 최대화할 수 있는 경로를 찾는 이 기능은 다양한 다중 모델(Multi-Model, MM) 알고리즘이 사용됩니다.
(예: 자율 다중 모델, GPB (Generalized Pseudo-Bayesian) 알고리즘)
4) 제어(Control)
마지막으로 제어 단계는 브레이크, 가속, 스티어링 등의 차량 제어를 통해 기계적인 조작을 실행합니다. 경로 계획대로 동작을 실행합니다.
딥러닝 기반의 컴퓨터 비전
Deep 이란 많은 CNN 레이어가 쌓여있는 것을 의미합니다. 실제로 네트워크가 깊어질수록 복잡한 환경을 이해할 수 있는 학습 능력이 더 높아지는 것이 증명됐습니다. 도시 운전과 같은 것 말이죠.
인스턴스 세그먼테이션 기술 (Instance Segmentation Techniques )
인스턴스 세그먼테이션은 여러 가지 방법으로 수행할 수 있습니다. 이 분야의 연구는 활발히 이루어지고 있는데, 가장 많이 사용되는 방법은 아래와 같습니다.
• Mask RCNN ( 링크 )
• 인스턴스 세그먼테이션을 위한 Path Aggregation Network (링크)
• 비국소적 신경망 (링크)
[그림3]에 나온 것처럼 Mask RCNN 논문에서는 모든 종류의 인스턴스(관심 영역 또는 “RoI”)에 대해 세그먼테이션 마스크가 생성되는 아키텍처 예시를 설명합니다. 인스턴스의 세그먼테이션 마스크는 기본적으로 인스턴스에 해당하는 픽셀 위치에 1이 있고, 그렇지 않으면 0이 되는 바이너리 마스크입니다. [그림3 ] 마스크 RCNN의 인스턴스 세그먼테이션 아키텍처학습과정
흔히 사용되는 알고리즘(이 경우에는 신경망)은 감독 학습 기술이 적용됩니다. 즉, 훈련 시간 동안 네트워크에는 각 인스턴스에 대한 원본 이미지와 바이너리 마스크가 표시되죠. 예를 들어 (TensorFlow Object Detection API에서는 원본 이미지, 바이너리 마스크 목록, 해당 바운딩 박스(BBs) 목록, 그리고 해당 분류 ID 목록이 하나의 트레이닝 세트를 형성합니다. ([그림4] 참조)
[그림4] 인스턴스 세그먼테이션 학습 과정성공적인 학습 결과는 잘 훈련된 모델을 의미하며 특정 측정 항목으로 평가할 수 있습니다. 예를 들어, 인스턴스 세그먼테이션 작업의 경우 일반적으로 평균 정밀도(Average Precision, AP)를 측정하죠. 평균 정밀도는 정확성(Precision)과 재현율(Recall) 지표를 통합한 영역이며, 이는 바이너리 마스크 페어 (Ground Truth, Predicted Mask)에 대한 IoU(Intersection-Over-Union) 임계 값을 각기 다르게 해 구성할 수 있습니다. 다음은 TensorBoard에서 제시한 평가 측정 항목의 예입니다.
― 검증 측정 항목 ―
[그림5] Google의 시각화 도구인 TensorBoard에서 볼 수 있는 인스턴스 세그먼테이션의 성능 측정 항목학습 과정을 성공적으로 마친 모델은 원본 이미지로 표시되고, 해당 이미지에는 클래스 레이블, 바운딩 박스 그리고 바이너리 마스크가 생성됩니다. 이때 각 ROI에 대한 마스크가 하나씩 생성됩니다. ([그림6] 참조)
[그림6] 인스턴스 세그먼테이션 학습 예제다음 그림은 학습된 모델이 임의의 도시 운전 상황에서 인스턴스 세그먼테이션을 적용한 결과입니다.
왼쪽은 원본이미지이며, 오른쪽은 바이너리 마스크가 원본 이미지 위에 덮어씌워진 것을 확인 할 수 있습니다. 이때 모든 객체는 각각 다른 색상으로 표시되죠.
[그림7] 인스턴스 세그먼테이션 학습 된 결과 예제Brightics Deep Learning (SBrain)
[인터뷰] 자율주행에 AI 적용이 어려운 2가지 이유
[테크월드=선연수 기자] 자율주행 기술을 연구하는 사람은 자율주행차의 미래를 어떻게 바라볼까?충북대학교 스마트카연구센터장 기석철 교수
충북대학교 스마트카연구센터에는 7명의 교수진과 약 40여 명의 대학원생들이 자율주행 센서 인지기술, 인공지능(AI) 판단기술, 안전제어 기술, 초고속 통신 기술, 딥러닝 기술, 가상·실차 시뮬레이션 기술 등을 연구하고 있다. 삼성전자와 만도에서의 연구 경력에 기반해 스마트카연구센터장을 맡은 기석철 교수와 서면, 전화 인터뷰를 통해 2021년 자율주행 산업을 조망해봤다.
Q. 총 295억 원이 투입되는 자율주행차 지역 테스트베드가 충북대학교 오창 캠퍼스에 구축된다. 가칭 C-트랙(C-Track)으로 불리는 이곳은 어떤 역할을 하게 되는가?
C-트랙은 자율주행차 개발을 위한 센서, 부품, 통신 단말, 지능형 소프트웨어 등의 단위 기술부터 자율주행 통합시스템까지 성능과 안전성을 평가할 수 있는 연구 인프라다. 자율주행 기술을 연구, 개발하는 대학, 연구소, 중소 벤처기업들이 서로 협업하면서 자유롭게 활용할 수 있는 공개형 협력 공간으로 운영될 예정이다.
기존 성능시험장은 자동차 관련 기업의 제품 인증이나 양산 검증을 위해 많이 사용됐다. 양산 업체는 신기술 테스트에 있어 보안 유지를 원하기 때문에 경쟁사는 어떤 실험을 진행했는지 전혀 알 수 없다. 차량 테스트도 중요하지만 부품이나 센서 소프트웨어 테스트가 더 많이 이뤄진다. 현대자동차와 같이 완성차를 연구하는 곳은 자체적으로 검증하기 때문에 외부의 테스트 트랙을 이용하는 경우가 드물다.
그러나 대학 연구소나 벤처기업은 트랙을 가지기 어렵다. 이번 C-트랙에서는 차량, 센서 등이 제공돼 소프트웨어를 가져오면 아이디어 수준의 기술도 테스트해볼 수 있게 된다. C-트랙은 업체의 제품 양산·검증보다는 레벨4 이상의 자율주행차 개발을 위한 선행기술 연구를 목적으로 한다. 비용 측면에서는 영리 기관이 아니기 때문에 최소한의 운영비용을 통해 다른 곳보다 훨씬 저렴한 가격에 테스트해볼 수 있을 것이다.
충북 자율자동차 테스트베드(C-Track) 조감도
Q. 삼성전자와 만도에 있을 때 영상인식 기술 기반 소프트웨어, 자율주행차 센서, 제어기기 등에 관해 연구·개발한 것으로 안다. 자율주행을 위한 다양한 센서 기술 중 가장 중요한 기술은 무엇인가?
모든 센서는 각기 다른 장단점을 가지고 있어 특정 센서 하나에 의존하기보다는 융합 활용이 필수적이라고 생각한다.
센서의 기능 확장성 측면에서 보면 카메라, 라이다(LiDAR), 레이더(Radar) 순으로 볼 수 있다. 보통 카메라는 차선, 신호등, 보행자, 차량 등 인식할 수 있는 대상이 많다. 그러나 라이다는 인식 대상이 카메라 대비 50%밖에 되지 않고, 레이더는 그보다 적다. 레이더는 인식 대상이 승용차인지 이륜차인지 구분하는 것도 아직 어려운 수준이다.
열악한 환경에서의 강인성 측면에서 본다면 레이더, 라이다, 카메라 순서다. 레이더는 눈·비가 오나 낮·밤에 관계없이 언제든 대상을 잘 찾아낸다. 물론 대상을 단순하게 감지할 뿐이다. 그러나 카메라는 빛이 없으면 찾기 어렵고, 흔들림이나 차의 진동, 빠른 속도 등의 상황에서 대상 인식이 어렵다. 또한, 온도가 너무 높거나 낮아도 성능이 많이 떨어질 수 있다.
전자파에도 간섭이 있을 수 있는데, 이는 센서마다 노이즈의 형태가 다르게 나타난다. 레이더는 전자기파를 이용하는 센서라 전자파에 특히 취약하다. 라이다는 직진성이 좋은 레이저 광원을 이용하지만, 공기 중에 물방울이나 초미세먼지가 많으면 산란이 많이 일어난다. 카메라 역시 기상 상황이나 어둠에 취약하다.
센서 양산 가격 측면에서는 카메라, 레이더, 라이다 순으로 매길 수 있다. 라이다의 가격이 낮아졌다고 하지만 여전히 다른 센서 대비 10배 이상 높은 편이다. 시장에서 많이 사용될수록 가격이 떨어질 수는 있지만, 아무리 세탁기를 많이 생산해낸다고 해도 믹서기보다 싸게 제작할 수는 없듯이 라이다는 그만큼 구조가 복잡하고 비싼 부품이 많이 탑재된다. 카메라와 레이더는 이미 수백만 대씩 양산되고 있으며, 라이다는 이제 양산 초기 단계에 접어들었다. 기술의 난이도를 고려했을 때도 향후 가격 순서는 바뀌지 않을 것으로 본다.
Q. 과거 세미나에서 자율주행차에 인공지능을 적용하는 것은 아직 어려운 일이라고 말한 바 있다. 그 이유가 무엇인가?
이유로는 차량용 인공지능(AI) 하드웨어 성능의 한계, AI 모델 안전성 검증 방법의 모호함을 꼽을 수 있다.
독립적인 단말기로 볼 수 있는 자동차에 알파고를 실행시킬 만한 커다란 AI 서버나 컴퓨터를 싣고 다니긴 어렵다. AI 기능을 수행할 수 있는 반도체를 작은 컴퓨팅 보드로 만든다고 해도 성능적인 한계가 있다. 칩 하나가 상당한 AI 성능을 낼 수 있어야 하는 것이다. 반면, 통신이 발달하는 것도 하나의 방법이다. 차량 외부의 서버와 데이터를 매우 빠르게 주고받으면 되는 것이다. 현재로서는 통신과 반도체 두 분야 모두 발달해야 한다.
AI 모델의 안전성 검증 방법의 모호함에 대해 설명하자면, AI가 만능은 아니기에 틀리는 순간이 발생할 수 있다. 다른 시스템에서는 틀릴 경우 다시 실행하면 되지만, 자동차는 심각한 사고를 일으킨다. 그래서 안정성 검증이 굉장히 중요하다. 한 번의 사고만으로도 자율주행차 회사는 경영상태에 큰 타격을 입을 수 있다.
문제는 AI가 왜 틀렸는지 알 수 없다는 것이다. 현재의 검증 방법만으로 해결법을 찾기에는 모호한 부분이 많다. 알파고가 이세돌에게 졌을 때, 다음 경기에서 알파고가 이기기 위한 구체적인 방법이 있는 것이 아니다. 데이터를 더 많이 학습시키면 더 똑똑해지지 않을까 하는 것 뿐이다. 그러나 새로운 데이터를 학습시킨다고 해서 승리가 보장되지는 않는다. 이와 관련해 인공지능 소사이어티에서 ‘설명 가능한 AI(eXplainable Artificial Intelligence, XAI)’를 많이 연구하고 있다. 이는 단계적인 해소가 가능할 것으로 예측한다.
차량 데이터 활용 문제도 중요하지만 데이터 형식의 표준화, 데이터 어노테이션(Annotation), 통신 부하, 데이터 보안 등의 이슈도 남아있어, 데이터를 충분히 활용할 수 있는 시기까지는 아직 시간이 좀 더 필요할 것으로 본다.
Q. 자율주행차 표준은 대부분 미국, 유럽이 주도하고 있다. 자율주행과 관련한 국내 차량 산업의 기술 수준은 어느 정도인가?
자율주행 관련 표준, 핵심 센서, 부품 기술에 있어 국내 기술 수준이 아직 미흡한 것은 사실이다. 그러나 정부, 대기업의 대규모 R&D 투자가 지속되고 있고, 대학에서는 우수 연구 인력이 육성되고 있다. 핵심 기술에 기반해 기술 벤처 창업도 활발해지고 있다. KPMG 보고서에 의하면 자율주행 산업의 준비지수(Readiness Index)는 2019년 전 세계 13위에서 2020년 7위 수준까지 상승했고, 이런 상승세는 당분간 지속될 것으로 판단된다.
자동차는 한국의 전략 산업이자 주력 산업이다. 자동차 산업과 연관된 후방 산업도 크게 발달해 있다. 예를 들면, 주유소, 세일즈맨, 보험 판매사, 카센터 등 관련 분야 종사자는 국내 봉급생활자의 약 20% 이상이 될 것이다. 그래서 뒤처지지 않도록 더욱 열심히 이끌어나가야 한다.
Q. 중국은 정부의 기술 주도하에 자율주행 관련 규제를 유동적으로 적용해가며 과감한 투자를 보이고 있다. 이를 어떻게 보는가?
중국은 이미 오래전부터 자동차 생산·소비 부문에서 전 세계 1위 국가였다. 중국 정부는 미래 자동차 산업의 패권을 차지하기 위해 친환경 자동차, 자율자동차 등에 과감히 투자해오고 있다. 중국 본토에서는 이미 자율주행 로봇 택시(Robot Taxi) 서비스가 운행되고 있고, 바이두(Baidu)를 비롯한 중국의 투자를 받은 실리콘 밸리 기업들이 미국 서부에서 대규모로 자율주행 테스트를 진행 중이다. 자율주행차 시장에서 중국이 선도적인 위치를 점유하는 것은 이미 예견되는 부분이다.
한국 자동차 업체 매출의 30% 이상은 중국이다. 자율주행에서도 이 이상의 영향력을 가질 수 있도록 가야 한다. 현 시장에서 신기술을 만들어내는 것은 당분간 미국과 유럽이 주도할 것으로 보이나, 시간문제일 것이다. 중국이 스마트폰 등의 측면에서 앞선 기술을 빠르게 따라잡은 만큼 자동차 산업에서도 그런 상황이 멀지 않았다고 생각한다.
Q. 우리 정부도 디지털 뉴딜 공표, 미래자동차산업과 신설 등 스마트카 관련 사업을 계속 발표하고 있다. 이에 정책적으로 바라는 부분이 있다면?
2021년부터는 1조 원 규모의 자율주행 혁신 개발 사업이 범부처 차원에서 착수된다. 이를 위해 자율주행 사업단이 조직되고, 약 80개 이상의 연구과제가 진행될 예정이다.
사실 한국 수준이면 정부와 기업의 정책·사업이 부족하다고 말하면 안 된다. 현재 국가 수준에 비해 굉장히 많은 투자를 하고 있는데, 이걸 얼마나 효율성 있게 끌고 가느냐가 쟁점이다. 투자 자체는 부족하지 않다.
과거 우리 정부의 자율주행 연구개발사업은 각 부처가 독자적으로 추진해 중복과 경쟁으로 소모적인 부분이 있던 것도 사실이다. 자율주행은 교통의 문제이기에 국토교통부, 국가 주력 산업이다 보니 산업통상자원부, 통신과 보안 기술이 중요하니 과학기술정보통신부, 인증과 단속의 대상이기에 경찰청, 이어 중소기업벤처부도 사업에 함께 참여하고 있다. 각 부처의 이해관계를 떠나서 국가적인 경쟁력을 갖추고자 범부처 사업이 기획된 만큼, 효율적이고 국제 경쟁력 있는 사업으로 추진하기를 건의한다. 형식적인 개편이 실질적 개편으로 이어질지는 지켜봐야 할 부분이다.
Q. 2021년 자율주행차 산업은 어떻게 흘러갈까?
올해는 고속도로 자율주행 레벨3 차량의 양산이 시작되고, 레벨4 자율주행 서비스 실증사업도 본격적으로 진행될 예정이다. 그러나 자율주행의 자세한 상용화 시기는 주행 레벨에 따라 달라질 것으로 예상한다. 현대차가 2022년 상용화하겠다고 발표한 레벨3 자율주행차와 혼다(Honda)가 올해 상용화하겠다고 발표한 레벨3는 다른 수준의 기술일 수 있다. 레벨을 정하는 잣대가 상당히 단순하기 때문이다.
레벨 3는 운전자가 핸들을 잡지 않아도 되지만 시스템이 제대로 작동하지 못할 경우 운전자가 직접 운전해야 하는 수준의 자율주행 기술을 말한다. 그런데 운전자가 운전해야 하는 순간의 기준이 애매하며, 이마저도 업체마다 다른 상황이다. 자율주행으로 운행할 수 있는 구간을 ODD(Operational Design Domain)라고 하며, 어떤 ODD를 갖느냐에 따라 기술적인 차이가 발생한다.
산업부는 미래자동차산업과(이하 미래차과)를 신설하고 국토부는 자율주행 사고조사위원회를 본격 출범할 것이다. 범부처 자율주행 사업단의 조직과 자율주행 혁신사업 과제들도 착수된다. 자동차 기업들은 본격적으로 자율주행 부품 상용화와 고도화된 기능을 탑재한 자율주행차 출시 경쟁에 돌입할 것이다.
이처럼 2021년은 정부의 전략적 투자가 집중되고, 기업들의 시장 선점을 위한 본격적인 경쟁이 시작되는 한 해가 될 전망이다.
– 이 글은 테크월드가 발행하는 월간
2021년 1월 호에 게재된 기사입니다.
키워드에 대한 정보 자율 주행 딥 러닝
다음은 Bing에서 자율 주행 딥 러닝 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 인공지능의 학습방법은 무엇일까?
- EBS
- ebs
- EBS컬렉션
- collection
- 자연
- nature
- 자연다큐
- 다큐
- 생태계
- 생태도감
- 메이킹
- BBC
- 내셔널지오그래픽
- 디스커버리
- 과학
- 과학채널
- science
- 과학정보
- 미래과학
- 생명과학
- 유전자
- 우주
- AI
- 인공지능
- 실리콘벨리
- 엔비디아
- 게임가상현실
- 자동차자율주행
- 자율주행
- 데이터
- 딥러닝
- 머신러닝
- 빅데이터
- VR
- 가상현실
- 비욘드
인공지능의 #학습방법은 #무엇일까?
YouTube에서 자율 주행 딥 러닝 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 인공지능의 학습방법은 무엇일까? | 자율 주행 딥 러닝, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.