자율주행 자동차는 센서를 사용해 세상을 봅니다. 그렇다면 그 모든 데이터를 어떻게 감지할 수 있는 걸까요?
핵심은 인식입니다. 주행 중에 도로 표지판에서부터 보행자, 주변 교통에 이르기까지 도로 데이터를 처리하고 식별하기 위한 능력을 일컫는 업계 용어로, 딥 뉴럴 네트워크(Deep Neural Network, DNN)라고 불리는 알고리즘 배열을 사용합니다.
딥 뉴럴 네트워크는 차량이 “빨간색이 보이면 멈추세요”와 같이 수동으로 쓰여진 일련의 규칙들을 따르도록 요구하기 보다는, 센서 데이터를 사용해 스스로 길을 찾는 방법을 학습할 수 있도록 합니다.
이러한 수학적 모델은 경험을 통해 배우는 인간의 뇌에서 영감을 받았습니다. 이를테면, 딥 뉴럴 네트워크는 다양한 조건의 여러 정지 신호 이미지를 보고, 스스로 정지 신호를 식별하는 방법에 대해서 배울 수 있죠.
안전한 자율주행을 위한 두 가지 핵심요인: 다양성과 반복성
그러나 단지 한 개의 알고리즘만으로 자율주행을 스스로 학습하는 방법은 불가능합니다. 안전한 자율주행을 위해서는 각각의 구체적인 업무를 수행하는 딥 뉴럴 네트워크 전체가 필요하죠.
이러한 네트워크는 다양하며, 도로 표지판을 읽는 것에서부터, 교차로 식별, 주행 경로 탐지까지 모든 것들을 다룹니다. 또한 네트워크들은 실패의 가능성을 최소화 하기 위한 중복된 기능과 함께 반복성을 띄죠.
자율주행에 필요한 딥 뉴럴 네트워크는 정해진 숫자가 없습니다. 또한 빈번히 추가되는 새로운 능력들로 인해 그 목록은 꾸준히 증가하고 변화하죠.
자동차를 실제로 운전하려면 개별 딥 뉴럴 네트워크에서 생성된 신호를 실시간으로 처리해야 합니다. 이를 위해서는 엔비디아 드라이브 AGX(NVIDIA DRIVE AGX)와 같은 중앙집중식 고성능 컴퓨팅 플랫폼이 필요하죠.
다음은 엔비디아가 자율주행 자동차 인지를 위해 사용하는 핵심 딥 뉴럴 네트워크의 일부입니다.
경로를 탐색하는 딥 뉴럴 네트워크
차량이 주행할 수 있는 위치를 결정하고, 전방의 주행 가능한 경로를 안전하게 계획하는데 도움이 되는 딥 뉴럴 네트워크.
- 오픈로드넷(OpenRoadNet)은 차선 또는 인접 차선에 관계없이 차량 주변의 모든 주행 가능한 공간을 식별합니다.
- 패스넷(PathNet)은 차선 표시가 없는 경우에도, 차량 전방의 주행 가능한 경로를 표시합니다.
- 레인넷(LaneNet)은 차선과 차선 경로를 정의하는 다른 표식들을 감지합니다.
- 맵넷(MapNet)은 차선과, 고화질 지도를 업데이트하고 만드는데 사용할 수 있는 랜드마크를 식별합니다.
객체를 탐색하고 분류하는 딥 뉴럴 네트워크
신호등과 도로 표지판, 그리고 잠재적인 장애물을 감지하는 딥 뉴럴 네트워크
- 드라이브넷(DriveNet)은 도로의 다른 차량, 보행자, 신호등과 도로 표지판을 인지하며, 빛의 색깔이나 표지판의 종류는 식별하지 않습니다.
- 라이트넷(LightNet)은 신호등 상태를 빨강색, 노란색, 초록색으로 분류합니다.
- 사인넷(SignNet)은 정지, 양보, 일방통행 등 신호의 종류를 구별합니다.
- 웨이트넷(WaitNet)은 교차로와 같이 차량이 정지하고 기다려야 하는 장소의 상태를 탐색합니다.
계속된 학습으로 인지능력 향상
차량 부품과 조종석의 상태를 감지하고 주차와 같은 조작을 용이하게 할 수 있도록 도와주는 딥 뉴럴 네트워크
• 클리어사이트넷(ClearSightNet)은 차량 카메라를 모니터링하여 비, 안개, 그리고 직사광선과 같이 시야를 제한하는 조건을 감지합니다.
• 파크넷(ParkNet)은 주차 가능한 장소를 식별합니다.
이러한 네트워크들은 중복적이고 다양한 드라이브 소프트웨어 인식 계층을 구성하는 전체 딥 뉴럴 네트워크의 표본입니다.
엔비디아의 자율주행 소프트웨어 접근법에 대한 자세한 내용은 새로운 드라이브 랩(DRIVE Labs) 비디오 시리즈를 참조하세요.