자율주행차의 머리, 딥러닝 ! 좋네요

자율주행차를 대중적으로 알린 기업은 놀랍게도 기존 자동차 회사가 아니라 IT 기업인 구글이었습니다. 물론 기존 자동차 회사들이 자율주행차를 개발하지 않은 것은 아닙니다. 오메리카의 자동차 회사는 약 80년 전부터 자율 주행 자동차 개발을 하려고 노력을 해왔습니다. 그러나 그들이 말하는 자율주행은 작금의 그것과는 다른 개념의 것이었습니다. 자율주행의 역사에 대해서는 나중에 한 번 짚어보겠습니다.IT기업인 Google이 2009년 쵸소움, 자율 주행 자동차를 소개하면서 사람들은 약간 훙미울 갖게 되었습니다. 그런데 왜 IT 기업 구글은 자율주행차를 개발하려고 하는 걸까요?  여러가지 이유가 있겠지만 그 중 1개인 소프트웨어를 가장 잘 만들지 못하고 있었기 때문은 아닐까 합니다.자율주행차는 영어로 'Autonomous Vehicle', 'Self-Driving car', 'Driverless car' 등 여러 이름으로 불리지만 모든 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 할 수 있습니다. 소프트웨어는 어떤 상황에 따라 유연하게 대응할 수 있는 특징이 있습니다. 이러한 특징은, 정해진 틀이 아닌 특별한 경우에도 대응할 수 있는 능력을 가지고 있습니다.제가 자율주행차를 정의할 때, 간단하게 설명해서 '그냥 똑똑한 로봇이 운전을 한다'고 했습니다. '똑똑한' 여기가 소프트웨어 역할이 아닌가 싶습니다. 로봇으로는 안되고 똑똑해야 합니다. 사람이하는일을대신해야하는로봇이기때문에같지는않지만,적어도운전에필요한능력은가지고있어야사람들이자동차를타고각자가원할수있는게아닌가요?

>

구글은 이후 현재까지 가장 많은 도로 운행을 기록하고 있습니다. 똑똑한 로봇은 우리가 흔히 인공지능(AI, Artificial Intelligence)을 가지고 있다고 합니다. 그렇죠. 딥러닝은 흔히 소프트웨어가 아니라 학습할 수 있는 소프트웨어입니다. 인간이 무언가를 습득해 가는 과정과 함께 시행착오를 거치면서 점점 능숙해짐과 동시에 딥러닝 역시 여러 번의 시행착오를 통해 아내의 소리와 다른 학습능력을 갖게 되는 것입니다.우리가 Google의 알파코에 이세돌 9단이 바둑에서 졌을 때 충격은 너무 큰 것이었습니다. 알파고가 곧바로 딥러닝으로 바둑을 학습 발전시켜 세계 최고의 바둑 고수를 이길 수 있는 단계에 이르렀습니다. 그 후 1년 후 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 의문이 생기고 의문이 생깁니다만, 그러한 것이 학습의 결과로 이어지고 있는 것입니다.

>

여기서하나생각해야할것은사람의경우본인의학습능력을다른사람에게알리는것은거의불가능하다고할수있습니다. 교육과정을 통해 전달하지만 미묘한 차이를 다른 사람이 다른 사람에게 전달하는 것은 불가능하고 본인만의 방식을 스스로 체득하여 new를 깨닫게 하는 과정을 거칩니다. 하지만 자율주행에서 터득한 학습예기 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 물리적 환경의 인지를 통해 문제가 생성될 전망에 대해 판단한다면, 소프트웨어는 그런 정보를 모두 모아 최종적으로 자결하고 자율주행차를 움직이는 역할을 하기 때문입니다.그럼 이제 딥러닝에 대해서 잠깐 접근해 보겠습니다.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 하본인 이상의 숨겨진 층이 생기는데, 이 숨겨진 층이 다양한 정보를 기억하고 특징을 추출하는 등의 역할을 한다. 이는 인간의 두뇌구조가 학습하는 방법과 거의 같다. 딥러닝의 출발점인 머신러닝(Machine Learning)은 쉽게 예기하면 컴퓨터가 데이터에서 배우기를 예기한다. 즉 머신 러닝은 데이터 없이는 아무 기능이 없습니다.

>

저런 딥러닝 기술은 사물 인식, sound 성인식, 기계어 번역, 의약품 디자인 등 다양하게 응용되고 있습니다. 이 중 사물인식은 자율주행차의 핵심 중 하나입니다. 카메라의 시간 센서로 입력된 정보를 분석·분리하는 작업을 이 딥러닝 과정을 통해서 하고 있습니다. 간단하게 앞에 오토바이, 승용차, 트럭, 사람, 나무 등과 같은 사물을 인식하고, 교통 표지의 이 말을 판단해 자동차를 제어하는 등 운전에서 가장 중요한 시간인지를 분석하는 데 필요한 역할을 하고 있는 것입니다. 최근 스마트폰의 사물인식 기능을 가진 카메라의 AI 기술도 딥러닝입니다.그런 이유로 IT 대기업이 아닌 많은 자동차 대기업들도 실리콘밸리에 '괜찮다'들의 연구소를 신축하고 소프트웨어 엔지니어를 고용하고 있습니다. 실리콘밸리 뿐만 아니라 전 세계 인공지능 연구가 가능한 곳에는 각각의 연구소를 증식하거나 협업을 통해 보다 나은 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 운전중 발생할 수 있는 예기치 못한 상황에 대응할 수 있는 능력을 기를 수 있습니다.딥러닝 네트워크의 가장 큰 장점 중 하나는 new 데이터에 대한 반복적인 노출을 통해 네트워크 스스로가 사물 인식 능력을 창조할 수 있다는 것입니다. 그러나 아이러니하게도 인간 프로그래머가 아닌 네트워크가 사물 인식 기능을 만들어 냈다는 것이 글재주가 될 수 있습니다. 딥러닝 네트워크는 프로그래머가 말하는 '블랙박스 아키텍처(black-box architecture)'의 대표적인 예입니다. 이는 소프트웨어 프로그램이 출력을 내기까지 밟았던 단계를 거꾸로 거슬러 올라가는 것은 실질적으로 불가능하다는 의미입니다.

>

이 방식의 제어방식으로 인해 움직이는 자동차에 문제가 발생했을 때 어떤 물증으로 그런 제어를 하게 됐는지 파악할 수 없다는 것. 이러한 의문은 책임소재를 파악하기 위해 필수적인 부분인 원인에 대한 부분이 빠졌다고 할 수 있습니다.이 의문에 대해 개발업자들도 알고 있고 그에 따른 대응방법에 대한 연구가 계속되고 있습니다. 미국 정부의 자율주행 개발 가이드에서도 이 부분을 명확하게 표시하고 있습니다. 계속적인 연구와 테스트가 필요한 영역이 아닌가 생각합니다. 그렇기 때문에 극복할 수 있다고 소견합니다.PS: 검색을 통해 보시고, 원하는 스토리를 찾을 수 없는 경우, '태그' 또는 '검색'을 해보면 더 많은 자료를 찾을 수 있습니다. 그래도 원하시는 얘기가 없으시면 저한테 연락주시면 제가 아는 범위에서 도와드릴게요. 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