머신러닝 역할 자율주행차에서

자율주행차에서 머신러닝 역할을 직접 운전할 필요가 없는 미래 전망은 많은 이들에게 매우 매력적입니다. 우리 거리에서 자율주행차를 보려는 이러한 집단적 열의는 많은 자동차 제조사들이 활용하고자 하는 흥미로운 기회를 제공합니다.

알리 오스만 오르스-AliOsman Ors는 NXPSemiconductors의 자동차 AI 전략 및 전략적 파트너십 담당 이사

성공한 기업은 거대한 잠재적인 시장에 진출할 수 있을 것입니다. 북미지역 반자동 및 완전자율주행차 시장은 2016년 17억달러의 가치가 있고 2030년에는 262억달러 이상으로 성장할 것으로 예상됩니다.

자율주행차의 안전과 보안을 보장하기 위해 국가는 적절한 인프라를 갖춰야 합니다. 그리고 입법당국은 전세계적으로 그리고 지역적으로 업계를 입법하고 규제할 의무가 있습니다.

그러나 자율주행차와 트럭이 안전하게 작동할 수 있도록 보장하는 곳은 제조사와 제공업체입니다. 여기에 머신러닝(ML)이 자율주행차 기술 개발에 투입되고 있습니다.

안전하고 경제적이며 실용적인 무인 차량을 제공하는 방법을 결정하는 것은 우리 시대의 가장 큰 테스트 기술 과제 중 하나입니다. 머신러닝은 기업이 이러한 과제를 해결하도록 도와줍니다. 하지만어떤역할을할까요? 그리고 미래에 글로벌 운송을 어떻게 형성할까요?

자율주행차가 필요한 이유

편하게 앉아서 차가 운전을 담당하도록 하는 게 매력적으로 보이는데, 이는 타고난 인간의 게으름과 바쁜 일정에 더 맞춰져야 하는 우리의 욕구를 힘들게 하는 걸까요? 아니면 자율주행차 개발을 옹호해야 할 다른 이유가 있을까요?

세계적으로 매년 약 12억 5천만 명의 도로교통 사망자가 발생합니다. 이어 미국 교통부에 따르면 모든 치명적인 사고의 94% 주요 요인은 사람의 실수입니다. 따라서 안심하고 자율주행차를 더 많이 사용하면 인간이 저지르는 실수를 제한하고 피할 수 있는 수백만 명의 죽음을 없앨 수 있습니다.

상업 부문에서는 자율주행차는 비용 절감이라는 또 다른 매력을 가지고 있습니다. 무인배송은 트럭 운전자의 인건비 감소와 함께 차량이 운전하는 동안 직원들이 보다 생산적인 작업을 수행할 수 있도록 하는 추가적인 효율성을 의미합니다.

자율주행차에서 머신러닝을 사용하는 방법

자율주행차는 주로 프로토타입 및 테스트 단계에만 있지만 ML은 고급 운전자 보조 시스템(ADAS)에 사용되는 기술의 여러 측면에 이미 적용됐습니다. 또한 향후 개발에도 영향을 미칠 것으로 생각됩니다.

물체 감지 및 분류

기계학습은 차량 주변 세계에 대한 인식 및 이해와 같은 높은 수준의 운전자 지원을 위해 배포되고 있습니다. 이것은 주로 카메라 기반의 시스템을 사용하여 물체를 감지하고 분류하는 것과 관련이 있는데, LiDAR이나 레이더 분야에도 개발되고 있습니다.

자율주행의 가장 큰 문제 중 하나는 물체가 잘못 분류된다는 것입니다. 차량의 서로 다른 센서에서 수집한 데이터는 수집된 후에 차량의 시스템으로 해석됩니다. 그러나 카메라 시스템에 의해 생성된 이미지에서 불과 몇 픽셀 차이로 인해 차량은 정지 신호를 속도 제한 신호처럼 더욱 무해한 것으로 인식할 수 있습니다. 시스템이 보행자를 가로등 기둥으로 오인할 경우 움직일 것이라고 예상할 수 없습니다.

1200×627 안전 인포그래픽 레이아웃 웹-NXP 반도체 ML 모델의 개선, 일반화된 학습을 통해 시스템은 인식을 향상시키고 보다 정확하게 객체를 식별할 수 있습니다. 결정을 내리는 주요 매개 변수에 대해 보다 다양한 입력을 제공함으로써 시스템을 교육하면 데이터를 보다 잘 검증하고 학습 중인 내용이 실제 생활에서 실제 배포를 나타내는지 확인하는 데 도움이 됩니다. 이러한 방식으로 단일 매개 변수 또는 특정 항목의 핵심 세트에 대한 의존도가 높지 않아 시스템이 특정 결론을 도출할 수 있습니다.

시스템에 빨간색 자동차에 대한 90%의 데이터가 제공되면 모든 빨간색 물체를 빨간색 자동차로 식별할 위험이 있습니다. 한 영역에서 이러한 ‘과적합’은 데이터를 왜곡하여 출력을 왜곡할 수 있습니다. 그렇기 때문에 다양한 훈련이 필수입니다.

운전자 모니터링

신경망은 패턴을 인식할 수 있기 때문에 차량 내에서 운전자를 모니터링하는 데 사용할 수 있습니다. 예를 들어 얼굴 인식을 사용해 운전자를 식별하고 운전자가 무단 사용이나 도난을 방지하는 데 도움이 되는 차량 시동 허가와 같은 특정 권한이 있는지 확인할 수 있습니다.Dms 데모 1602 20191020 웹 게다가 이 시스템은 점유 감지 기능을 활용해 다른 차량의 경험을 최적화할 수 있습니다. 이것은 승객의 수와 위치에 따라 에어컨을 자동 조정하는 것을 의미합니다.

단기적으로 차량은 ‘운전자’로 지정된 사람의 감독과 주의가 필요합니다. 얼굴 표정 인식이 안전 강화의 핵심이 될 것입니다. 시스템은 피로하거나 불충분한 주의력 징후를 학습 및 감지하여 탑승자에게 경고하는 데 사용할 수 있습니다.

드라이버 교환

자율주행차의 궁극적인 목표로 완전 자율성을 취한다면 자동 시스템은 운전자를 대체해야 하고 모든 사람의 입력을 완전히 대체해야 합니다.

여기서 머신러닝 역할은 센서 뗏목으로부터 데이터 입력을 받아 ADAS가 차량 주변 세계를 정확하고 안전하게 이해할 수 있도록 하는 것입니다. 이러한 방식으로 시스템은 차량의 속도와 방향은 물론 물체 감지, 인식, 추적 및 예측을 완전히 제어할 수 있습니다.

하지만 여기서 보안이 핵심입니다. 자동조종장치에서 실행하려면 운전자가 주의를 기울이고 있거나 문제가 있을 경우 개입할 수 있는 경우 매우 효과적이고 보장된 모니터링 방법이 필요합니다.

전망

Caffe나 Google의 Tensor Flow 같은 딥러닝 프레임워크 소프트웨어는 알고리즘을 사용하여 신경망을 훈련하고 활성화합니다. 차량이 주변 환경에 쉽게 반응할 수 있도록 이미지 처리와 함께 물체에 대해 학습하고 분류할 수 있습니다. 이는 차선 감지를 위한 것으로 시스템은 물체를 피하거나 고속도로 차선 내에 머무르는 데 필요한 조향 각도를 정해 전방 경로를 정확히 예측합니다.

뉴럴 네트워크를 사용하여 객체를 분류할 수도 있습니다. ML을 사용하면 다른 물체의 특정 형상을 배울 수 있습니다. 예를 들어, 그들은 자동차, 보행자, 자전거를 타는 사람, 가로등 기둥, 동물을 구별할 수 있습니다.

이미징은 이동속도와 방향과 함께 물체의 근접도를 추정하는데 사용될 수도 있습니다. 예를 들어 자율주행차는 장애물 주변에서 부팅할 때 ML을 사용해 차량 주변의 여유 공간을 계산한 뒤 안전하게 주변을 탐색하거나 차선을 변경해 추월할 수 있습니다.

센서 융합

각 센서 양식에는 고유의 강점과 약점이 있습니다. 예를 들어 카메라의 시각적 입력을 통해 좋은 질감과 색 인식을 얻을 수 있습니다. 하지만 카메라는 사람의 눈처럼 시선과 시력을 약화시키는 조건에 취약합니다. 따라서 안개, 비, 눈 및 조명 조건 또는 조명의 변화는 모두 차량 시스템의 감지, 분할 및 예측을 감소시킬 수 있습니다.

카메라는 수동형이지만 레이더와 라이더(LiDAR)는 모두 능동형 센서로 측정거리에서 카메라보다 정확합니다.

머신러닝은 각 센서 양식의 출력에 개별적으로 사용되며 물체를 보다 잘 분류하고 거리와 움직임을 감지해 다른 도로 사용자의 행동을 예측할 수 있다. 그렇기 때문에 카메라 출력을 가져와 카메라가 보는 것에 대한 결론을 도출할 수 있습니다. 레이더를 사용하면 신호와 포인트 클라우드를 사용하여 더 나은 클러스터링 생성으로 물체의 더 정확한 3D 이미지를 제공합니다. 마찬가지로 고해상도 LiDAR을 사용하면 ML을 LiDAR 데이터에 적용하여 객체를 분류할 수 있습니다.

417205Cs 객체 감지 이미지 Hr 웹-NXP 반도체

하지만 센서 출력을 융합하는 것은 훨씬 강력한 옵션입니다. 카메라, 레이더, LiDAR을 결합해 차량 주변을 360도 감지할 수 있습니다. 서로 다른 센서의 모든 출력을 결합하여 차량 외부에서 일어나는 일을 보다 완벽하게 파악할 수 있습니다. 여기서 ML은 이러한 모든 센서의 융합 출력에 대한 추가 처리 단계로 사용될 수 있습니다.

예를 들어 초기 분류는 카메라 이미지로 만들 수 있습니다. 이후 LiDAR 출력과 융합해 거리를 확인하고 차가 보는 것을 늘리거나 카메라가 분류하는 것을 검증할 수 있다. 이 두 데이터 출력을 융합한 후 융합된 데이터에서 다양한 ML 알고리즘을 실행할 수 있다. 이를 통해 시스템은 추가 결론을 내리거나 탐지, 세분화, 추적 및 예측을 지원하는 추가 추론을 수행할 수 있습니다.

차량 파워트레인

차량 파워트레인은 일반적으로 시계열 데이터 포인트를 생성합니다. 이 데이터에 기계 학습을 적용하여 모터 제어 및 배터리 관리를 개선할 수 있습니다.

ML을 사용하면 차량이 공장에서 설정되고 영구적으로 고정되는 경계조건에 국한되지 않습니다. 대신 시스템은 시간이 지나면서 차량 노후화에 적응하고 변화가 발생하면 대응할 수 있습니다. ML을 사용하면 차량 시스템이 노후화되고 파워트레인이 변경되며 차량이 점진적으로 침입함으로써 경계 조건을 조정할 수 있다. 경계 조건의 유연성을 통해 차량은 보다 최적의 작동을 달성할 수 있습니다.

시스템은 시간이 지남에 따라 조정하여 작동 매개 변수를 변경할 수 있습니다. 또는 시스템에 충분한 컴퓨팅 용량이 있으면 변화하는 환경에 실시간으로 적응할 수 있습니다. 이 시스템은 이상을 감지하고 유지보수가 필요하다는 시기에 적절한 알림을 제공하거나 임박한 모터 제어 실패에 대한 경고를 제공하는 방법을 학습할 수 있습니다.

자율주행차 안전 및 보안

의심할 여지 없이 자율주행차의 가장 중요한 고려사항은 안전하게 추진되고 도로교통사고를 일으키지 않는다는 것입니다. 여기에는 차량 시스템 및 장치의 기능적 안전은 물론 네트워크 및 시스템에 전원을 공급하는 시스템 고유의 보안이 포함됩니다.

기능안전 및 장치신뢰성

기계학습은 사고를 유발하는 시스템 장애를 방지하고 차량이 양호한 작동 상태를 유지하도록 보장하는 역할을 합니다.

온보드 장치에서 캡처한 데이터에 ML을 적용할 수 있습니다. 모터 온도, 배터리 충전량, 오일 압력 및 냉각수 수준과 같은 변수에 대한 데이터가 시스템에 전달되고 시스템이 분석되어 모터 성능과 차량의 전반적인 상태에 대한 이미지를 생성합니다. 이후 잠재적 결함을 나타내는 표시기가 시스템과 소유자에게 차량을 수리하거나 사전에 유지관리해야 함을 알릴 수 있습니다.

마찬가지로 ML은 차량 장치에서 파생된 데이터에 적용돼 고장으로 인해 사고가 발생하지 않도록 할 수 있습니다. 센서 시스템(카메라, LiDAR 및 레이더)과 같은 장치는 최적으로 유지관리되어야 합니다. 그렇지 않으면 안전한 운행을 보장할 수 없습니다.

보안

차량에 컴퓨터 시스템과 네트워킹 기능을 추가하면 자동차 사이버 보안에 더욱 집중할 수 있습니다. 하지만 여기서는 보안을 강화하기 위해 ML을 사용할 수 있습니다. 특히 공격과 이상 징후를 탐지하고 이를 극복하기 위해 사용할 수 있습니다.

개별 차량에 대한 하나의 위협은 악의적인 공격자가 시스템에 접근하거나 데이터를 사용할 수 있다는 것입니다. ML 모델은 차량, 승객, 도로를 안전하게 보호하기 위해 이러한 종류의 공격과 이상 징후를 감지해야 합니다.

공격 및 이상 징후 탐지

차량 내 자율 분류 시스템이 악의적으로 공격받을 수 있습니다. 이러한 공격은 의도적으로 차량이 물체를 잘못 해석해 잘못 분류할 수 있습니다. 이런 종류의 공격을 탐지하고 극복해야 합니다.

적대적 공격은 정지 신호가 속도 제한 신호로 인식되는 경우처럼 차량에 잘못된 분류를 부과할 수 있습니다. ML은 이러한 종류의 적대적 공격을 탐지하는 데 사용할 수 있었고 제조업자들은 이를 우회하기 위한 방어적 접근법을 개발하기 시작했습니다.

이러한 공격을 방어할 수 있는 것은 ML 모델을 중심으로 강력한 시스템을 제공하는 것입니다. 다시 여기서 훈련이 중요해요. 목표는 ADAS가 결정을 내리는 것보다 일반적인 방법을 만드는 것입니다. 과적합을 방지하기 위해 교육을 사용하면 특정 키 또는 그 세트에 대한 과도한 의존을 피할 수 있습니다. 따라서 시스템에 보다 많은 지식이 있기 때문에 악의적으로 조작된 입력으로 인해 결과나 인식이 잘못 변경되지는 않습니다.

해킹, 데이터 및 개인정보 보호 문제

차량이 운행되는 연결된 네트워크에 대한 해킹을 방지하는 것이 가장 중요합니다. 최상의 시나리오에서는 여러 대의 해킹당한 차량이 멈춰 정체를 빚기도 합니다. 그러나 최악의 경우 공격은 심각한 충돌, 부상 및 사망을 초래할 수 있습니다.

2015년 이후 25건 이상의 해킹이 보고되었습니다. 현재까지 최대 사건으로 해킹 가능한 소프트웨어의 취약성으로 인해 체리슬러는 2015년 140만 대의 차량을 리콜했습니다. 이 취약성은 해커가 변속기, 브레이크, 스티어링 장치 및 차량을 포함하여 자동차를 제어할 수 있다는 것을 의미합니다.

자동차 데이터 생성에 대한 잠재적인 시장도 있습니다. 차량 탑승자, 위치 및 움직임에 대한 데이터를 얻을 수 있습니다. 자동차에서 생성된 데이터는 2030년까지 7500억달러 규모의 시장이 될 것으로 예상됩니다. 물론 이 데이터는 공급업체 및 자동차 부품업체와 같은 진정한 당사자의 관심 대상이지만, 이런 귀중한 데이터도 해커들을 끌어들입니다.

따라서 자동차의 사이버 보안을 더 잘 유지하는 시스템을 개발하는 것이 중요합니다. 150개 정도의 전자제어장치(ECU)가 모든 차량을 차지하고 이를 실행하려면 약 2억 행의 소프트웨어 코드가 필요합니다. 이러한 복잡한 시스템은 해킹에 대한 더 큰 취약성과 취약성을 가져옵니다.

유럽, 미국, 중국에서 2025년 도로에 약 470,000대가 연결된 차량으로 무선 인터페이스를 그들은 확장성이 해킹 공격을 방지하기 위해 안전한 필요성을 사용합니다. 자율주행차에 전력을 공급하는 컴퓨터 시스템을 공급하는 업체는 시스템이 안전하고 타협할 수 없는지 확인해야 합니다.

개인정보 보호

자율주행차에는 개인정보 보호 문제가 많습니다. 운전자나 가족이나 차를 사용하는 다른 사람에 관한 데이터가 있습니다. 내비게이션을 사용하면 특정 GPS 정보를 통해 차량을 추적하거나 여행 기록을 항목별로 분류할 수 있습니다. 운전자 모니터링을 위해 객실 내 카메라를 사용할 경우 차량 탑승자 각각에 대한 개인정보가 수집됩니다. 차량 외부의 다른 데이터도 수집될 수 있습니다. 이는 차량 외부의 다른 도로 사용자에게 영향을 미칠 수 있으며 자신이 인식할 수 있다는 사실을 모르거나 자신에 대한 데이터가 수집되고 있습니다.

이 모든 과정에서 데이터 수집이 합법적이고 올바르게 처리되도록 규제되는 측면에서 이해가 될 수 있습니다. 또 데이터가 잘못 유출되거나 심지어 가로챌 수 있는 보안 위험이 다시 발생해 법적 보호를 적용하지 않고 데이터에 접근해 사용할 수 있다.

데이터는 경쟁적으로도 가치가 있습니다. 차량이 운전 중일 때 보고 있는 내용, ADAS에서 사용하는 분류 방법론, 최종 결론 등에 대한 데이터가 지속적으로 수집됩니다. 이 정보에 접속하면 리버스 엔지니어링을 통해 정보를 추출하여 다른 환경에 복사할 수 있습니다.

기계학습에서 파생된 실제 모델을 보호하기 위해 업계에서 상당한 노력이 있습니다. 특히 시스템이 인식한 것을 분류하는 방법, 이동 속도를 어떻게 계산했는지 다음으로 이동할 방향을 정하는 것입니다.

머신러닝이 기존의 Vision 알고리즘을 대체할 수 있는가?

머신러닝은 기존 컴퓨터 비전 알고리즘을 대신해 객체 감지, 분류, 세분화, 추적 및 예측을 위한 자율주행 차량에 유용합니다. 이렇게 하면 시스템의 결정성, 안전성 및 보안 수준에 영향을 미칩니다.

실제 기반 방법이나 전통적인 컴퓨터 비전과 같은 보다 결정적인 방법에서는 비전 알고리즘을 개발하는 엔지니어 또는 컴퓨터 과학자가 결정을 내리는 데 필요한 주요 매개 변수를 결정합니다. 하지만 ML에서 알고리즘 자체는 올바른 결정을 내리는데 가장 중요하다고 판단되는 기준을 선택합니다.

그렇기 때문에 여기서 훈련 데이터의 품질이 매우 중요합니다. 결정을 내리는 방법과 이유를 검증하는 것은 때때로 어려울 수 있으며 ML 시스템의 결정을 정확하게 이끌어낸 것이 항상 명확하지 않습니다.

전통적인 컴퓨터 비전에서는 주요 기준이 미리 식별됩니다. 예를 들어 시스템이 물체를 보행자로 식별한 이유가 알려져 있습니다. 시스템에 ‘이것은 보행자 입니다’라는 데이터만 제공되는 경우 데이터셋의 품질이 매우 중요합니다.

ML을 사용하면 시스템이 이전에 기존 알고리즘에서 필요했던 것과 동일한 기준을 실제로 봤는지 또는 자체 기준 세트를 개발했는지 확인할 수 없습니다. 그럼 사용된 추론들을 어떻게 복제하거나 반복할 수 있을까요? 일반적으로 ML 알고리즘 의사결정에는 정확성 또는 신뢰도 등급이 있습니다. 예를 들어 분류를 통해 시스템은 물체가 보행자임을 90% 확신하고 가로등 기둥과는 10% 확률로 확신할 수 있습니다.

추가 교육은 그 확실성을 최대 92% 또는 93%까지 끌어올릴 수 있지만 100% 달성은 불가능할 수 있습니다. 이것이 자율주행과 같은 안전에 중요한 애플리케이션에 적용될 때 분류 오류의 여지가 없습니다. 시스템은 무엇이 제대로 분류되는지 100% 확실하게 확인하고 무생물로 간주되는 물체가 차량 앞으로 나아갑니다.

객체 감지 및 분류에 ML 사용의 이점

417205Cs 객체 감지 이미지 Hr 웹-NXP 반도체

차량 파워트레인

자율주행차 안전 및 보안

기능안전 및 장치신뢰성

기계학습은 사고를 유발하는 시스템 장애를 방지하고 차량이 양호한 작동 상태를 유지하도록 보장하는 역할을 합니다.

보안

공격 및 이상 징후 탐지

해킹, 데이터 및 개인정보 보호 문제

개인정보 보호

머신러닝이 기존의 Vision 알고리즘을 대체할 수 있는가?

객체 감지 및 분류에 ML 사용의 이점

1200×627 Vrud 웹 본질적으로 비전 기반 시스템보다 정확하지는 않지만 시간이 지날수록 ML 알고리즘은 더 높은 정확도를 달성할 수 있습니다. 다른 시스템은 더 높은 정밀도를 얻을 수 없기 때문에 결국 특정 수준에서 정체에 도달합니다. 하지만 ML을 사용하면 더 많은 훈련이 적용돼 더 엄격한 훈련은 물론 모델을 점진적으로 확대하고 개선해 더 높은 수준의 정확도를 달성할 수 있습니다.

머신러닝은 비전 시스템보다 적응성과 확장성이 뛰어납니다. ML 시스템은 자체 규칙을 만들어 엔지니어 입력이 아닌 교육을 기반으로 발전하기 때문에 확장하고 다른 시나리오에 적용할 수 있습니다. 효과적으로 시스템은 이미 학습한 지식을 적용하여 새로운 위치나 주변 환경에 적응합니다.

ML 플랫폼이 추세를 쉽게 식별할 수 있다는 점도 장점입니다. 이들은 대량의 데이터를 신속하게 처리해 동일한 정보를 보는 사람에게는 그다지 분명하지 않은 경향과 패턴을 쉽게 찾을 수 있습니다. 자율주행차에 사용되는 알고리즘은 이와 동일한 종류의 데이터 검토를 반복적으로 적용해야 합니다. 따라서, 이를 신속하고 높은 레벨의 효율성으로 수행할 수 있는 시스템을 갖는 것이 유리합니다.

ML 알고리즘은 사람의 입력 없이 적응하고 발전할 수 있습니다. 이 시스템은 새로운 물체를 식별 및 분류하여 사람의 개입이나 수정 없이도 동적으로 차량의 반응을 조정할 수 있습니다. 다시 말해 시스템이 차량이 적절히 반응하도록 지시하려면 광범위하고 심층적인 교육이 필요한데 이는 비교적 간단한 과정입니다.

ML 접근 방식을 사용하면 결정론적 동작 의존을 피할 수 있습니다. 즉, 항상 같은 방식으로 같은 값을 입력하는 것은 불가능합니다. 모든 자동차가 동일하지는 않지만 여전히 자동차입니다.그러나 자율 시스템은 다양한 차이에도 불구하고 모든 다양한 형태의 자동차를 자동차로 식별해야 합니다. 입력 불일치에도 불구하고 완전히 예측 가능한 결과를 생성해야 합니다. 자율주행차는 달리 불확실성, 참신성, 변화무쌍한 현실 세계에서 작동할 수 있어야 합니다.

객체 감지 및 분류를 위한 머신러닝 한계

객체 감지 및 분류에 ML을 사용하는 단점 중 하나는 방대한 데이터셋이 필요하다는 것입니다. 뿐만 아니라 이전에 논의했듯이 데이터에 편향이 없도록 시스템을 다양한 시나리오로 훈련할 필요가 있습니다. 왜곡된 데이터는 실제와 같은 결과를 나타내지 않기 때문에 자동차는 상황에 대해 인간의 지능이 해석하는 방식과 전혀 달라(아마 위험할 수도 있다) 반응하는 경우가 있습니다.

이러한 데이터 편향을 피하기 위해 충분한 교육을 받기 위해서는 시간과 방대한 양의 컴퓨팅 처리 리소스가 필요합니다. 또한 교육이 작동하고 있으며 ADAS가 제시된 다양한 시나리오에 대해 예상대로 작동하고 있는지 확인하고 확인하는 데 필요한 시간도 있습니다.

ML이 대처할 수 없는 운전의 한 측면은 다른 도로 사용자를 인식할 때입니다. 인간은 보행자가 건널목을 사용하기 시작하거나 앞을 당기기 위해 다른 차에 몸짓을 하는 것을 인식하기 위해 눈을 맞추는 것에 익숙합니다. 하지만 이것이 자율 시스템에 의해 어떻게 복제되는지, 그리고 ML을 사용하여 훈련되는지는 불분명합니다. 그 퍼즐이 풀려 시스템이 이런 상황에 대처하는데 필요한 인간의 감성지능과 인간의 즉각적인 예측에 가까워질 때까지 자율주행차로는 불가능해질 수 있습니다.

기계학습은 인간이 타고난 무언가에 반응하는 방법을 시스템에 가르칠 때도 제한적입니다. 예를 들어 차가 앞으로 당기려 하거나 트럭이 갑자기 브레이크를 밟을 수 있다는 ‘육감’이 있습니다.

기계가 독자적인 결정을 맡도록 허용하는 것은 많은 사람에게 어려운 전제입니다. 시스템 결정론은 컴퓨터 과학자를 제외하고 많은 사람들이 문제를 발견하는 것입니다. 어떤 이들은 ‘기계가 점령할 것’이라고 의심해 자율주행차에 대한 신뢰가 낮습니다. 자율주행차로 인한 사고와 사망이 줄어들 것이라는 예측에도 불구하고 애리조나에서 보행자를 뛰어넘어 사망사고를 낸 우버 자율주행차 또는 게임 중 추락한 Tesla 자동차 운전자와 같은 테스트 사고로 인해 신뢰가 더욱 훼손됩니다.

레벨 5 완전 자율 시스템에는 완벽한 기능 안전이 필요하며 이는 머신러닝만으로는 보장할 수 없습니다. 필요한 훈련의 양과 다양성에 따라 인간 지능을 복제하는 데 어려움이 더해져 시스템은 아직 물체를 정확하게 감지하고 분류할 수 없습니다.

머신러닝 기반의 접근법은 올바른가?

몇 가지 단점에도 불구하고 객체 감지 및 분류에 ML을 사용하는 이점은 강력합니다. 완전 자율주행차 모델링 및 인식 요소가 ASILD(Automotive Safety Integrity LevelD)에 명시된 바와 같이 최고 수준에서 달성되는 것은 필수가 아닙니다. ASILD 레벨에서 시스템은 거의 항상 완전히 사용할 수 있어야 합니다. 이는 일반적으로 기본 제공의 중복성뿐만 아니라 개발 프로세스 자체에 대한 보다 많은 조사와 규율에 의해 달성됩니다.

ASILD 수준을 달성하는 것은 어렵고 비용이 많이 듭니다. 작동과 관련된 자율주행 자동차 모두가 이 최고 수준의 자동차 품질 및 공정 제어를 달성해야 한다는 초기 기대가 있었습니다. 그러나 특히 모델링 및 인식 요소와 관련하여 체인의 모든 단일 구성요소에 대해 ASILD 요구사항 없이 시스템 및 안전 가용성을 달성하는 방법이 있습니다.

예를 들어 카메라, LiDAR이나 레이더와 같은 여러 센서를 사용하면 지각 분야에서 어느 정도 겹치는 부분이 있습니다. 이는 약간의 백업과 보안을 제공합니다. 예를 들어 카메라에 장애가 발생하면 LiDAR 또는 레이더가 동일한 ‘뷰’ 필드를 충분히 전달하고 이들 사이에서 이러한 센서 방식이 일정 수준의 중복성을 가져올 수 있습니다. 따라서 모델링 및 인식 시스템을 설계할 때 회사는 ASILD 장치가 필요 없는 시스템을 고수하면서도 차량 주변의 좋은 모델을 제공할 수 있습니다.

자율주행차 머신러닝의 미래 트렌드

주요 기술 회사와 주요 자동차 업체들은 모두 자율주행차 제품을 개발하기 위해 경쟁하고 있습니다. 그들은 각각 이 분야를 지배하기 위해 시장에 처음 진출하기를 원합니다. 현재 연결된 인프라 발전, 5G 기술 출현, 산업 규제를 위한 새로운 법률 제정, 나아가 서비스형 모빌리티(MaaS)를 향한 추진과 함께 많은 활동이 있습니다.

기계학습의 사용법에도 변화가 있습니다. 이것이 자율주행차 시장을 주도하는 미래 트렌드입니다.

이미징 레이더는 물체를 감지하여 분류할 수 있는 고해상도 레이더입니다. 기본 레이더 기능 외에도 이미징 레이더는 수집하는 반사 지점에서 더 높은 밀도를 제공합니다. 따라서 물체를 감지하여 근접성을 결정할 뿐만 아니라 모든 점의 모음을 사용하여 선택하는 물체의 윤곽을 만들기 시작합니다. 이러한 개요에서 반영되는 대상 분류에 대해서 결정을 내릴 수 있습니다.

이미징 레이더는 개발 비용이 비교적 낮습니다. 그리고 탐지 및 거리에서 레이더의 모든 이점을 활용하여 분류 기능을 제공하는 센서의 경우 이는 미래에 대한 흥미로운 추세이며 아마도 레이더가 LiDAR 이상에 의존하도록 허용할 수도 있습니다.

컴퓨팅 성능 학습은 기계 학습의 핵심 요소입니다. 인간의 능력에 가까워지고 비정상적인 위험을 피하기 위해 필요한 학습은 도시도로, 고속도로, 고속도로에서 발생하는 다양하고 희귀한 상황에 시스템을 반복적으로 노출해야 합니다.

자동차 제조업체가 점점 더 많은 도로 거리를 수집하고 더 많은 물체에 탐지 및 분류가 필요함에 따라 생성되는 데이터 세트가 증가합니다.

이러한 데이터셋 증가는 훈련된 네트워크를 배포하기에 충분한 컴퓨팅 성능을 확보하는 문제를 제시합니다. 결과적으로 떠오르는 혁신 중 하나는 고도로 최적화된 가속 기술을 만드는 것입니다. 정보처리의 발전은 훈련된 네트워크를 집적회로에 직접 배치하는 큰 진전을 보였습니다. 이러한 새로운 칩을 사용하면 복잡한 네트워크를 저렴한 비용으로 저전력으로 배포할 수 있습니다. 이러한 비용 최적화 및 면적 효율적인 실리콘 솔루션은 시장을 발전시키고 컴퓨팅 성능 문제를 극복할 수 있습니다.

리다(라이더) 자동차 시장을 위한 머신러닝의 또 다른 새로운 경향은 카메라 기반 분류 및 감지를 위해 현재 배포되고 있는 기술을 리다 네트워크로 이전하는 것입니다. 따라서, 2차원 사진 프레임을 사용하여 물체를 결정 분류하는 대신 LiDAR 반사에서 파생된 3차원 데이터를 사용한 후 해당 정보에 대해 훈련된 네트워크를 구현할 수 있습니다. 이런 방식으로 시스템은 도로가 시작되고 끝나는 위치와 같은 측면을 정할 수 있습니다. (교차로 위치 또는 신호등 위치)

이는 딥러닝 클래스인 컴볼루션뉴럴네트워크(CNN)를 통해 가능했습니다. 기업은 이미 이 기술에 성공했고 큰 가능성을 보여주는 영역입니다.

완전히 통합된 마이크로 컨트롤러 장치(MCU)

완전히 통합된 마이크로컨트롤러장치(MCU)는 차세대 자율주행차를 가능하게 한다. 레벨 5에서 MCU는 차량이 결함을 감지한 후 운전자의 개입 없이 자동으로 차량을 안전하게 정지시킬 수 있도록 합니다.

현재 MCU는 그래픽 또는 데스크톱 및 엔터프라이즈 컴퓨팅에서 파생됩니다. 자동차 애플리케이션용으로 특별히 설계된 솔루션이 아니며 그 자체로는 충분히 강력하지 않습니다. 결과적으로 별도의 고성능 프로세서와 함께 사용됩니다. MCU는 프로세서 옆에 위치해 차량과 통신합니다. 이는 차량과의 안전한 통신에 필요한 직접 인터페이스를 시스템에 제공합니다.

MCU는 시스템온칩(SoC)이 정상적이고 최적의 성능을 발휘하는지 확인하는 진단을 통해 고성능 집적회로로 안전 자체 검사를 실행할 수 있다. MCU는 자동차 환경용으로 설계되지 않았다는 점에서 고성능 프로세서에도 상주하는 내재적 결함을 극복하는 핵심 프로세서 역할을 합니다.

여기서 경향은 MCU 기능을 프로세서에 통합하여 단일 칩 솔루션을 제공하는 것입니다. 따라서 MCU 기능은 제조사가 칩에 직접 내장하는

미래 모빌리티 서비스 1W eb2025년 이전에는 자율주행차, 2035년 이전에는 레벨5 자동차의 본격적인 생산 모델을 기대할 수 없을 것 같습니다. 이외에도 무인자동차 수가 수동자동차를 능가하기까지 얼마나 오래 걸릴지 지켜봐야 합니다.

그럼에도 불구하고 무인차와 트럭은 확실히 지평선에 있습니다. ML 덕분에 이러한 차량은 수백만 시각장애인 및 장애인에게 더 큰 이동성을 제공하도록 설정되었습니다. 보다 먼 지역에서의 배송을 가능하게 하여 보다 신속하고 비용을 효율적으로 사람들에게 상품을 제공하고 커뮤니티를 연결합니다. 무엇보다 도로 안전을 개선하고 도로 교통사고, 부상 및 사망을 줄입니다.

그러나 우리의 삶을 선을 위해 변화시키기 위해서는 여전히 몇 가지 요소가 함께 있어야 합니다. 자동차 회사는 이러한 차량의 안전, 신뢰성, 실행 가능성을 보장하기 위해 제 역할을 해야 합니다. 물론 이들은 연구개발에 대한 투자수익을 원하지만 소비자들이 쉽게 받아들이기 전에 무인차량의 안전과 보안을 증명해야 합니다.

정부도 역할을 담당하고 있습니다. 그들은 차량의 자율성과 운전자의 부재에 관한 법률을 제정해야 합니다. 이 문제에 대해 나라마다 다른 접근법을 취할 것이 확실합니다. 국내에서도 예를 들어 미국 내 다른 입법부는 상황을 바꿀 수 있습니다. 여기서 협력과 협력은 업계가 유사하거나 동일한 기능을 가진 표준화된 차량을 제공하는 데 큰 도움이 될 것입니다.

정부는 또 인센티브가 있는 자율주행차 채용을 장려할 수 있습니다. 많은 입법부가 전기차 사용을 장려하거나 환경에 해를 끼치는 차량의 사용을 장려한 것과 마찬가지로 세금 인센티브는 자율주행차 사용을 촉진할 수 있습니다. 이는 사고가 적고 의료에 대한 부담이 적기 때문에 이를 수행하는 국가 또는 주에 유익할 것입니다. 마찬가지로 자율 수준에 따라 축소된 규모로 무인 차량에 대해 보다 낮은 보험료를 제공하는 보험사를 보는 것이

마지막으로 협업이 핵심입니다. 각기 다른 회사는 기계학습과 관련된 독자적인 영역에 대한 전문지식을 가지고 있습니다. 일부는 카메라 기반의 인식 또는 LiDAR 처리를 전문으로 하고 있습니다. 다른 사람들은 센서 입력 융합에 투자했어요. 그리고 또 다른 사람들은 경로 찾기나 궤도 계획의 결정과 이를 스티어링, 가속, 감속의 즐거운 작동으로 변환하는 데 전문성을 가지고 있습니다. 이런 회사는 자동차 제조사가 자율주행차 설계를 생산에 적용할 수 있도록 협력해야 합니다.