본문 바로가기
북클럽

[책 요약] 비전공자도 이해할 수 있는 AI지식_Ch3. 자율주행

by pm-ing 2024. 10. 6.

Ch3. 자율주행: 테슬라가 꿈꾸는 기계 

  1. 자율주행의 시작, 다르파 그랜드 챌린지
    • 2004년 다르파에서 첫 자율주행대회 개최. 군사적 목적의 자율주행차를 개발하기 위함.
      • 다르파(DARPA: Defence Advanced Research Project Agency) : 미 국방부 고등연구계획국의 약칭. 국방부 산하 정부기관.
      • 혁신적인 연구를 지원하며 상금을 내거는 경쟁 방식의 대회를 여는 것으로도 유명.
      • 하지만 완주한 차가 1대도 없었음.
  2. 자율주행차 스탠리가 우승한 비결은?
    • 2005년 자율주행대회가 다시 개최됨.
      • 스탠퍼드대학교의 '스탠리'가 6시간 54분만에 승리. 완주 차량도 5대.
        => 대회가 대성공으로 끝나며 본격적인 자율주행자동차의 시대가 열리게 됨.
    • 우승 비결?
      • 지도나 경로 탐색보다는 지형을 인식하는 기능이 훨씬 중요하다는 점을 깨달음
        cf. 첫 대회에서는 주변 환경(장애물이나 지형 등)을 인식하는 데에 신경을 쓰지 않았음.
      • 중요도: 하드웨어 < 소프트웨어
      • 규칙 기반의 소프트웨어가 아닌, 데이터에서부터 규칙을 찾아나가는 머신러닝을 활용.
        = 규칙을 일일이 프로그래밍하는 것이 아니라 인간에게 운전을 가르치는 것과 똑같은 방식으로 기계를 가르침.
  3. 자율주행의 공식, 베이즈 정리
    • 과거: 자율주행차는 주로 하드웨어 제어에 집중했음 (ex. 가속 페달을 물리적으로 누르거나, 핸들 조작, 시스템 제어 등)
    • 스런 曰: 자동차가 스마트하게 움직이기 위해서는 두세 가지 법칙이 아니라 수만가지 법칙이 필요하다
      • 하지만 많은 규칙을 일일이 입력할 수 없음. 대신 자율주행차는 Bayes' Theorem (베이즈 정리) 이라는 유명한 공식을 기반으로 운행함.
    •  베이즈 정리: 확률에 관한 공식. 사전 확률과 사후 확률의 관계를 나타내는 단순한 형식이다.
      • 자율주행차는 새로운 신호가 들어올 때마다 이를 지속적으로 업데이트함
        베이즈 정리
  4. 센서 전쟁: 레이더, 라이다 그리고 카메라
    • 레이더(Radar, Radio Detection And Ranging): 2차 세계대전 전후에 영국에서 개발한 상대방의 전투기를 탐지하는 군사용 장비. 전자파를 발사해 반사파를 측정함.
      • 자율주행차에 필수. 반사된 전자파를 분석해 많은 정보를 알아낼 수 있음.
      • 단점: 정밀함과 정확도가 떨어짐. 파장이 커서 작은 물체 측정 어려움.
    • 라이다(LiDAR, LIght Detection And Ranging): 레이저 빛을 발사해 반사되어 돌아오는 것을 측정.
      • 레이더에 비해 물체의 거리와 방향을 훨씬 더 정교하고 입체적으로 파악 가능.
      • 단점: 빛을 이용하므로 악천후에 영향을 받음(안개, 비, 눈 등에 왜곡됨)
  5. 카메라, 동물의 눈으로 도로를 바라보다
    • 클러스터링: 머신러닝 기법 중 하나. 비슷한 개체끼리 하나의 군집(Cluster)로 묶는 기법.
      • 스탠리는 도로 사진을 하나의 군집으로 처리하고 비슷한 색상의 사진을 같은 도로로 판별하는 기법을 사용했음.
      • 당시만 해도 이미지 인식에 한계가 있어서 색상으로 구분하는 것이 최선이었음.
    • 컨볼루션 기법: 동물 시각피질의 작동 원리에서 착안. 동물의 눈으로 사물을 바라보는 방식과 비슷. 사물 전체를 한 번에 보는 대신 부분으로 조각내어 살펴봄. 
      => 컨볼루션 신경망(CNN, Convolutional Neural Network)
      • 자율주행차가 카메라로 촬영한 이미지를 정확하게 인식할 수 있는 이유.
      • 특히 카메라는 인간이 사물을 인식하는 방식과 동일하게 환경 인식이 가능.( 형태가 없는 차선 등)
  6. 주행 데이터와 모방학습
    • 현재 카메라 통한 사물 인식 기술은 완성 단계에 있음. 정교하게 라벨링된 학습 데이터가 중요한 시점임.
      • 라벨링은 항상 사람이 하지는 않음. 위험한 상황이 감지된 경우 그 직전의 차량 행동, 등을 라벨링하여 학습 데이터로 활용함(테슬라에서 사용하는 방식)
    • 모방학습: 상황을 인지한 후 해당 상황에서 사람이 어떤 식으로 운전하는지 운전 습관을 그대로 모방하는 것
    • 자율 주행의 단계: 0~5단계로 나뉘어짐.
      • 2022년 기준 아직 2단계(손 떼기 가능 단계)에 머물러 있음.
        출처: https://brunch.co.kr/@nostalgia9/434
  7. 완전 자율주행은 가능할까?
    • 자율주행 기능은 단 한번의 오인식으로 끔찍한 결과를 초래할 수 있음. => 완벽에 가까워야 함.
    • 자율주행이 보편화된다면, 기본적인 운전 방법을 잊어버리지 않을까?
      • 위급한 상황에 수동으로 대처하기 어렵다.
  8. 자율주행의 딜레마, 누구를 희생해야 할까?
    • 기술뿐만이 아니라, 윤리적인 문제도 해결이 필요함.
      • 도덕 기계: 자율주행차가 사고를 낼 수밖에 없는 상황. ex. 트롤리 문제의 상황에서 자율주행차는 누구를 희생시켜야 하는가?
      • 공리주의에 따라 운전자 자신을 희생해야 한다면 사람들은 이 자율주행차를 살까?
  9. 자율주행차가 바꿀 미래 
    • 기업들이 많은 비용을 자율주행차에 쏟는 이유: 산업 전반에 엄청난 변화를 가져오기 때문.
      • 개인이 자동차를 소유하지 않아도 됨. 호출 시 집 앞으로 자율주행차가 대기함.
      • 대중교통, 호텔산업, 심지어 부동산 업계(역세권의 의미가 없어지므로)까지 영향을 받음.

 

반응형