자율주행차의 머리, 딥러닝 ! 볼께요

자율주행차를 대중에게 알린 중소기업은 놀랍게도 기존의 자동차 회사가 아니라 IT중소기업 구글이었습니다. 물론 기존 자동차 회사들이 자율주행차를 개발하지 않은 것은 아닙니다. 믹크의 자동차 회사는 약 80년 모두 부지의 자율 주행 자동차 개발을 하려고 노력을 해왔습니다. 하지만 그들이 소견하는 자율주행차는 작금의 것과는 다른 개념이었습니다. 자율주행의 역사에 대해서는 나중에 다루겠습니다.IT중소 기업인 Google이 2009년 쵸소움, 자율 주행 자동차를 소개하면서 사람들은 조금씩 관심을 갖게 되었습니다. 그런데 왜 IT중소기업인 구글은 자율주행차를 개발하려고 하는 걸까요?  몇 가지 이유가 있겠지만 그중 하나인 소프트웨어를 가장 잘 만들 자신이 없었기 때문이 아닌가 싶다.자율주행차는 영어로 Autonomous Vehicle, Self-Driving car, Driverless car 등 여러 이름으로 불리는데 모두 운전자가 없다는 뜻을 담고 있습니다. 즉, 자동차가 기존 사람이 운전하는 방식이 아니라 사람의 제어가 필요하지 않은 자체적으로 운행할 수 있어야 한다는 것입니다.이런 조건들을 충족하기 위해 기존의 하드웨어로 그런 기능을 구현하는 것은 어려웠을 것입니다. 스스로 움직이는 로봇을 개발하는데 소프트웨어의 도움 없이는 불가능하다고 소견할 수 있습니다. 소프트웨어는 어떤 형세에 보다 유연하게 대응할 수 있는 특징이 있습니다. 이러한 특징은 정해진 틀이 아니라 특별한 경우에도 대응할 수 있는 능력을 가지고 있군요.제가 자율주행을 정의할 때, 간단하게 설명하면서 '어떻게든 똑똑한 로봇이 운전을 한다'고 했습니다. 똑똑한 이곳이 소프트웨어의 역할이 아닐까. 로봇은 어떻게 안 되고 똑똑해야 한다. 사람이 하는 1을 대신해야 하는 로봇일 같지 않지만 최소한 운전에 필요한 능력은 갖고 있으면 사람들이 자동차를 타고 각자가 원하는 1을 할 수가 없잖아요?

>

구글은 이후 현재까지 가장 많은 도로 운행을 기록하고 있습니다. 똑똑한 로봇은 우리가 어떻게 인공지능(AI, Artificial Intelligence)을 가졌다고 합니다. 그렇죠. 딥러닝은 그저 그런대로 소프트웨어가 아니라 학습할 수 있는 소프트웨어다. 인간이 무엇인가를 습득해 가는 과정과 함께 시행착오를 거쳐 점점 잘되어 감과 동시에 딥러닝 역시 몇 차례의 시행착오를 통해 처음과 다른 학습능력을 갖게 되는 것이다.우리가 Google의 알파코에 이세돌 9단이 바둑에서 졌을 때 충격은 매우 큰 것이었습니다. 알파고가 딥러닝으로 바둑을 학습 발전시켜 세계 최고의 바둑 고수를 이길 수 있는 단계에까지 이른 것이다. 그 후 1년 뒤(뒤)알 빠코는 세계 1위를 이겼고 더 이상 경쟁자가 없는 경지에까지 이르게 되었습니다. 이처럼 구글은 자율주행차에도 이런 학습을 하기 위해 가장 많은 주행거리 때문에 요즘 미쿡 어딘가에서 계속 도로주행을 하고 있습니다. 물론 주행 중에 사건이 일어나거나 사건이 일어나지만, 그런 것이 학습의 결과로 이어지고 있는 것이다.

>

여기서생각해야되는것은사람의경우본인의학습능력을다른사람에게전달하는것은거의불가능하다고할수있습니다. 교육이라는 과정을 통해 하달을 하지만, 매우 미묘한 차이를 사람이 남에게 하달하는 것은 불가능하고, 자기 자신의 방법을 스스로 깨닫고 New를 깨닫게 하는 과정을 거치게 됩니다. 하지만 자율주행에서 터득한 학습이야기를 하는 소프트웨어는 다른 자동차에도 똑같이 적용할 수 있고, 그로 인해 학습효과를 기대할 수 있습니다.이처럼 자율주행차에게 딥러닝은 무엇보다 개발의 원동력이 된 것입니다. 제가 자율주행을 기술적으로 분류할 때 하드웨어와 소프트웨어를 분류한 것도 서로 관련이 있지만 동작은 전혀 다른 레이어에 있기 때문입니다. 하드웨어는 맨 아래쪽에서 물리적인 환경의 인지를 통해 사고가 발생할 가능성에 대해 판단한다면 소프트웨어는 그런 정보를 모두 모아 최종적으로 결정하고 자율주행차를 움직이는 역할을 하기 때문입니다.그럼 이제 딥러닝에 대해 조금 더 접근해 보도록 합시다.딥러닝(Deep Learning) : 인간의 뇌와 같은 신경망인 뉴럴 네트워크(Neural Network)를 학습의 주요 방법으로 사용하는 기술입니다. 뉴럴 네트워크(neural network)를 다층 구조로 구성하면 입력층과 출력층 사이에 하자 이상의 숨겨진 층이 생기고, 이 숨겨진 층이 다양한 정보를 기억하고 특징을 추출하는 등의 역할을 합니다. 이것은 인간의 두뇌구조가 학습하는 방법과 거의 비슷합니다. 딥러닝의 출발점인 머신러닝(Machine Learning)은 간단히 이야기하면 컴퓨터가 데이터에서 배우는 것을 이야기합니다.즉 머신 러닝은 데이터 없이는 아무 기능도 할 수 없습니다.

>

저런 딥러닝 기술은 물건 인식, 소음성 인식, 기계 어역, 의약품 디자인 등 다양하게 응용되고 있습니다. 이 중 사물인식은 자율주행차의 핵심 중 몇 개인입니다. 카메라의 시각 센서에서 입력된 정보를 분석, 분별하는 작업을 이 딥러닝 과정을 통해서 하고 있습니다. 간단하게 앞에 오토바이, 승용차, 트럭, 사람, 본인무 등의 사물을 인식하고 교통표지의 단어를 판단해 자동차를 제어하는 등 운전에서 가장 중요한 시각인지를 분석하는 데 필수적인 역할을 하고 있는 것입니다. 최근 스마트폰의 사물인식 기능을 가진 카메라의 AI 기술도 딥러닝입니다.그런 이유로 IT 작은 기업이 아닌 많은 자동차, 작은 기업들도 실리콘밸리에 본인 연구소를 빠뜨리고 소프트웨어 엔지니어를 고용하고 있습니다. 실리콘밸리 뿐만 아니라 전 세계 인공지능 연구를 할 수 있는 곳에는 각각의 연구소를 새로운 비전을 가진 본인, 협업을 통해 보다 본인은 인공지능 기술을 적용하기 위해 노력하고 있습니다.이러한 딥러닝은 자율주행의 인지 > 판단> 제어단계를 모두 한번의 과정으로 처리할 수 있으므로 엔드투엔드 방식으로 운전의 전과정을 한번에 처리하는 학습과정을 통하여 운전중에 발생되는 예기치 못한 정세에 대응할 수 있는 능력을 기를 수 있습니다.딥 러닝 네트워크의 최대 장점 중 한명은 새로운 데이터에 대한 반복적인 노출을 통과 하고, 네트워크 스스로가 사물의 인식 능력을 창조할 수 있다는 것입니다. 그런 본인인 아이인 것에 인간 프로그래머가 아닌 네트워크가 사물 인식 기능을 만들어 냈다는 사실이 글재주가 될 수 있습니다. 딥러닝 네트워크는 프로그래머가 말하는 블랙박스 아키텍처의 대표적인 사례에 해당할 것이다. 이는 소프트웨어 프로그램이 출력을 내기까지 밟았던 단계를 거꾸로 거슬러 올라가는 것이 실질적으로 불가능하다는 의미입니다.

>

이 방식의 제어 방식에 의해 움직이는 자동차에 문제가 발생했을 때 어떤 인적 증거로 그런 제어를 하게 되었는지 파악할 수 없습니다. 이런문제는책임소재를파악하기위해필수적인부분인원인에대한부분이빠진것이라고생각합니다.이 문제에 대해 개발 업자도 알고 있고, 그에 따른 대응 방법에 대한 조사가 계속되고 있습니다. 미쿡 정부의 자율주행 개발 가이드에서도 이 부분에 대해 명확하게 표시합니다. 계속적인 조사와 테스트가 필요한 영역이 아닐까 생각합니다. 그리고 극복할 수 있는 것으로 의견합니다.PS: 검색을 통해 보시고, 원하시는 이 스토리를 찾지 못하셨을 경우, '태그' 또는 '검색'을 해보면 더 많은 자료를 찾을 수 있습니다. 그래도 원하시는 이 스토리가 없으시다면 저에게 연락주시면 제가 아는 범위에서 도와드리겠습니다. Over the Vehicle!!!참고 자료 미래 자동차 모빌리티 혁명 –, 그에 김병준 지소움넥스토우모파 1:자율 주행 혁명과 헤즈리프승, 멜바 칼만 https:// 새로운 s.samsung.com/kr/PercentECPercent9EPercent90PercentECPercent9CPercentA8PercentECPercentA3PercentBCPercentEDPercent96Percent89-PercentECPercent9EPercent90PercentEBPercent8FPercent99PercentECPercentB0PercentA8-PercentEBPercent94PercentA5PercentEBPercent9FPercentACPercentEBPercent8BPercent9DPercentECPercent9CPercentBCPercentEBPercentA1Percent9C-PercentECPercent8BPercent9CPercentEBPercent8FPercent99-PercentEAPercentB1PercentB4PercentEBPercent8BPercentA4