출처 : https://ai-market.jp/purpose/auto-drive-ai/

 

미국에서는 이미 50개에 가까운 기업이 자율주행의 공공도로 주행을 실시, 자율주행 시장에서 연간 550만km 이상의 실적을 가지고 있다. 사실은 다양한 AI 기술이 자율주행의 핵심적인 부분에서 사용되고 있다.

 

여기에서는 자율주행의 전체상과 자율주행에서의 AI의 필요성, AI와 자율주행이 가져올 미래를 알 수 있다.

 

1. 자율주행 시스템을 뒷받침하는 8가지 AI 기술은?

 

2010년대 이후 전 세계적으로 눈부시게 발전하고 있는 자율주행 기술은 제3차 AI 붐이라고 불리는 딥러닝(심층학습)이 자율주행 기술의 근간을 이루고 있다. 자율주행을 뒷받침하는 다음의 AI 기술에 대해 해설한다.

 

◼ AI에 의한 화상 분석

◼ AI의 위험 판단 활용

◼ AI의 예측 능력 활용

◼ AI의 맵핑 기술 활용

◼ AI를 통한 경로 최적화

◼ AI 음성 인식에 의한 커뮤니케이션ㆍ추천

◼ AI에 의한 네트워크 시큐리티 향상

◼ 멀티모달 AI의 발전

 

각각의 AI 기술에 대해 설명한다.

 

1.1.  AI에 의한 화상 분석

 

자율주행 시 LiDAR와 스테레오 카메라를 통해 취득한 화상을 분석ㆍ해석할 때는 ‘분류’와 ‘검출’이 이루어져야 한다.

 

‘분류’는 화상에 ‘무엇’이 비치는지 식별하는 기능이며, AI 화상 분석의 기본이다. 화상 분류라고도 한다.

 

예를 들어, 카메라가 ‘자동차’와 ‘신호등’이 비친 영상을 보냈다고 해보자. AI는 일단 방대한 화상 및 동영상에 의미를 부여(태그 달기)하는 어노테이션이라는 작업을 수행한다.

 

또한 최근에는 심층학습(딥러닝)을 통해 화상 분석 능력이 비약적으로 향상되었다. 딥러닝은 사람의 손을 빌리지 않고 AI가 스스로 학습하여 특징을 찾아 추론하는 방법이다.

 

AI의 ‘검출’은 화상에 ‘무엇’이 비치는지 뿐 아니라 바운딩 박스를 사용하여 ‘어디에’ 비치는지도 판별한다. ‘검출’을 하면 실시간 교통체증 화상 데이터를 가지고 어떤 길이 더 빠른지 더 저렴한지 판단할 수 있다.

 

자율주행은 AI에 의한 ‘분류’와 ‘검출’이라는 화상 분석 기능을 사용한다. ‘검출’ 및 ‘분류’ 학습을 자동으로 반복하면 거리 전체, 도로 전체 공간의 상황을 파악할 수 있다. 그리고 공간의 어디에 자동차와 사람이 있는지, 어느 경로를 취하면 좋을지 학습하는 능력의 정밀도도 향상된다.

 

1.2.  AI의 위험 판단 활용

 

돌발 사태가 발생했을 때, 카메라 화상 및 IoT 센서를 통해 얻은 데이터를 바탕으로 멈춰야 하는지, 감속해야 하는지, 계속 가야 하는지, 핸들을 꺾어야 하는지 판단하는 역할도 AI가 수행할 수 있다. 전방의 신호가 빨간색이면 감속하고, 보행자가 튀어나오면 멈추거나 피하도록 반복해서 학습하여 학습 정밀도를 높일 수 있다.

 

자율주행차에서는 기존에 운전자가 수행하던 판단을 AI가 대신한다. IoT 센서는 기온이나 날씨, 타이어의 마모 정도 등 다양한 정보를 자율주행 AI 시스템에 송신하여 판단을 지원한다.

 

또한 기온이나 날씨, 타이어의 마모 정도 등 다양한 정보를 수집하고 판단하기 위해 다양한 센서를 사용하여 데이터를 통합하고 판단하는 센서 퓨전이 많이 사용된다.

 

1.3.  AI의 예측 능력 활용

 

고정밀 AI가 자율주행에서 발휘할 것으로 기대되는 능력은 이용자의 안전하고 쾌적한 이동을 뒷받침하는 ‘예측’ 능력이다. 기존의 GPS를 통한 카 내비게이션의 교통체증 예측과는 달리 옆 차로를 달리는 차나 전방에 있는 보행자의 움직임을 미리 ‘예측’하고, 그 ‘예측’을 바탕으로 쾌적하고 안전하게 주행한다.

 

그 밖에도 인근에서 개최되고 있는 이벤트나 날씨 정보를 바탕으로 도로 상황을 예측할 수 있다. AI를 통한 시야 전체에 들어오는 데이터의 ‘예측’ 기능이 향상되면 안전성과 쾌적성이 높아지게 된다.

 

1.4.  AI의 맵핑 기술 활용

 

더욱 쾌적하고 안전하게 자율주행하려면 고정화된 정적 정보에 더하여 도로 위에서 시시각각 변화하는 방대한 동적 정보를 바탕으로 디지털 맵을 만드는 AI 기술이 필요하다. 이것은 다이내믹 맵이라고도 불리며, 다음과 같은 정적 정보와 동적 정보를 조합한 지도 정보를 말한다.

 

 

맵핑 초기에는 사람이 수작업으로 작성했다. 하지만 AI는 빅데이터(방대한 데이터) 분석을 잘하기 때문에, 자동으로 학습하여 판별할 수 있다.

 

그에 더해 딥러닝(심층학습)은 AI가 자율적으로 학습하기 때문에, 처음 만나는 상황이라도 정확한 맵핑을 할 수 있을 것으로 기대된다.

 

비교적 간단한 2D 이미지를 가지고 3D 맵을 생성하는 NeRF 기술도 주목받고 있다.

 

1.5.  AI를 통한 경로 최적화

 

AI의 자동 학습 기능은 기존의 GPS 시스템에 비해 더욱 고도의 경로 최적화를 수행한다. AI를 통한 자율주행은 실시간 정보 수집과 분석에 근거하여 최적의 주행 경로를 찾고, 경유지를 변경할 수 있다. 버스 운행에서도 이용자의 니즈에 맞춰 경로를 최적화할 수 있다.

 

그에 더해 AI가 탑승자의 나이나 성별을 학습하여 탑승자에게 맞는 승차감을 고려하여 자율주행할 수도 있다. 미래에는 탑승자의 목소리 높낮이나 말하는 속도를 분석하여 탑승자가 얼마나 서두르고 있는지, 차분한 상태인지를 감지하여 운전하는 당일의 상황에 맞춰 자동으로 튜닝할 수 있다.

 

1.6.  AI 음성 인식에 의한 커뮤니케이션ㆍ추천

 

스마트폰이나 통신 가전 분야에는 이미 익숙한 존재가 된 AI 음성 인식 기술은 자율주행에서도 널리 활용된다. 현재 AI가 발전해 나가면서 화상인식 기능과 함께 눈에 띄게 정밀도가 향상되고 있는 것이 ‘음성 인식 기술’이다. 예를 들어, 주행 중에 갑자기 들러야 할 곳이 생겨서, 목소리로 ‘멈춰’라고 지시하는 경우가 있다. 이때 AI는 음성 인식을 통해 얻은 데이터를 바탕으로 차량의 발진 및 정비뿐 아니라 탑승자의 상황에 맞춘 최선의 판단을 학습한다.

 

과거의 음성이나 화상 데이터를 바탕으로 AI가 이용자의 성격이나 취향을 판별하고, 그에 알맞은 레스토랑이나 레저 스폿을 판단하여 추천(제안)하는 기능도 개발되고 있다.

 

1.7.  AI에 의한 인터넷 시큐리티 향상

 

AI는 해마다 학습 능력을 높여 네트워크의 사이버 시큐리티 분야에서도 활용되고 있다. 자율주행 중에 실시간으로 판단하려면 항상 대용량 통신 네트워크와 연결되어 있어야 한다. 그러면서도 자율주행의 안전성과 쾌적성을 유지하고 네트워크의 안전을 확보해야 한다.

 

AI 자율 학습의 힘은 사이버 공격의 데이터를 수집하고 분석함으로써 미지의 네트워크 공격을 효율적으로 방지할 수 있게 한다. 해킹 등 사이버 공격이 고도화되는 지금, 안전한 자율주행을 유지하려면 AI가 꼭 필요하다.

 

1.8.  멀티모달 AI의 발전

 

멀티모달 AI는 텍스트ㆍ이미지ㆍ음성ㆍ동영상 등 다양한 종류의 데이터를 한 번에 처리할 수 있는 AI 기술을 말한다. 멀티모달 AI는 다양한 종류의 정보를 이용하여 고도의 판단을 할 수 있기 때문에, 기존의 싱글모달 AI에서는 대응하지 못했던 태스크 처리가 가능하다.

 

예를 들어, 자율주행 스타트업 Turing 주식회사는 모든 장소에서 자율주행이 가능하며 핸들이 필요 없는 완전 자율주행 시스템인 레벨5 자율주행을 2029년까지 개발하는 것을 목표로 두고 기술 조사 및 검증을 진행하고 있다.

 

레벨5 자율주행에는 다음의 4가지 기능을 획득하기 위한 학습이 필요하다.

 

‘해석’

‘상상’

‘결단’

‘교섭’

 

이를 학습할 수 있는 유력한 방법이 멀티모달 학습이며, 카메라를 중심으로 하는 화상에 의한 운전 시스템 개발뿐 아니라 탑승자와의 커뮤니케이션 및 구급차나 건널목의 경보음 등 음성 및 자연언어의 입력을 포함하여 연구를 진행하고 있다.

 

2. 자율주행과 AI가 극복해야 하는 6개의 단점과 과제

 

자율주행을 보급하는 데 있어 극복해야 하는 단점과 과제를 해설한다.

 

◼ 사고 발생 시 법적 책임

◼ AI의 트롤리 문제

◼ AI의 불완전 지각 문제

◼ AI의 전환 문제

◼ 자율주행 레벨의 국제 기준 정비

◼ 고속 통신 플랫폼 정비

 

2.1.  사고 발생 시 법적 책임

 

자율주행 중에 발생한 사고와 관련하여, 세계적으로 통일된 법률은 없으며 각국이 의논하고 있는 상황이다. 일본에서도 자율주행 중 사고가 발생했을 때의 민사적인 책임 및 해킹 등 외적 요인에 의한 사고의 법률상 책임 소재 등이 활발하게 의논되고 있다.

 

2.2.  AI의 트롤리 문제

 

자율주행의 안전성을 자랑할 때 자주 등장하는 사고(思考) 실험으로 ‘트롤리 문제’가 있다.

 

트롤리 문제란 ‘도로 위에 갑자기 여러 사람이 뛰어들었을 때, 그 무리를 피하려면 핸들을 도로 측으로 꺾어 한 명의 보행자를 희생시켜야 하는’ 경우 무엇이 더 최선일까 하는 문제이다.

 

이 문제는 사람들 사이에서도 아직 결론이 나지 않았다. 사람들  사이에서 문제가 해결되지 않는 이상, AI에서도 이를 정의하기 어려운 문제라고 볼 수 있다.

 

2.3.  AI의 불완전 지각 문제

 

AI의 불완전 지각 문제란 자율주행차가 취득할 수 있는 한정적인 정보만으로는 충분한 안전을 확보하기 어렵다는 우려에서 비롯된다. 자율주행에서는 다양한 도로 상황, 다른 차량 및 보행자의 상황 등을 인식하고 적절하게 차량을 조작해야 한다.

 

하지만 센서로 계측할 수 있는 정보만으로는 AI가 모든 상황을 완전하게 식별할 수 없다. 부족한 정보를 보완할 수 있는 시스템이 없으면 AI가 잘못된 판단을 내릴 가능성이 있다.

 

예를 들어, 트레일러의 짐칸 부분을 교통 표지로 착각하여 짐칸 아래를 통과하려다 트레일러와 부딪혀 사고가 일어난 경우가 있다.

 

2.4.  AI의 전환 문제

 

자율주행을 하다가 사람 운전자가 운전을 이어받아야 하는 경우 갑자기 이어받았을 때 사람이 안전하게 대응할 수 있을까 하는 ‘전환 문제’가 발생한다. 사람이 전혀 개입하지 않는 완전 자율주행이 실현되기까지는 AI가 위험을 예측한 시점에 운전자의 수동 운전으로 전환이 이루어져야 한다.

 

위험을 예측한 시점에 리스크 내용을 운전자에게 알리고, 여유롭게 운전자가 운전을 이어받는 것이 가장 이상적인 형태다. 하지만 심층학습에서는 추론 과정이 블랙박스화되기 때문에, AI가 위험을 감지하더라도 그 판단의 근거를 운전자에게 제대로 전달하지 못한다. 그러면 갑자기 운전을 이어받는다 하더라도 운전자가 위험한 상황을 정확하게 파악하지 못할 수 있다. 그렇게 되면 사고를 피할 수 없을 지도 모르고, 결과적으로 자율주행에 맡기는 것이 더 나은 경우가 생겨날 수도 있다. AI가 사람에게 원활하게 정보를 전달하는 방법이 없으면, 사고를 피하지 못할 가능성이 있다.

 

2.5 자율주행 레벨의 국제 기준 정비

 

진정한 의미에서의 자율주행이 실현되려면 완전 무인 운전의 정의와 거기에 이르기까지의 레벨에 관하여 각국의 콘센서스가 필요하다. 현재 주류인 미국의 ‘자동차기술회’(SAE)에서는 운전의 주체 및 기술 도달 정도, 주행 가능 구역 등에 따라 ‘레벨0’에서 ‘레벨5’까지 6단계로 분류하고 있다. 한편 일본의 국토교통성은 자율주행과 관련하여 다음과 같은 독자적인 호칭과 정의를 책정하였다.

 

자율주행 레벨1 : ‘운전 지원차’

자율주행 레벨2 : ‘운전 지원차’

자율주행 레벨3 : ‘조건부 자율주행차(한정 영역)’

자율주행 레벨4 : ‘자율주행차(한정 영역)’

자율주행 레벨5 : ‘완전 자율주행차’

 

과거에는 자율주행 레벨1~2도 ‘자율주행’이라고 홍보는 경우가 있었다. 하지만 현재 일본의 기준에서는 ‘운전 지원차’로 보기 때문에 자율주행이라고 부르지 않는다. 하지만 미국의 기준에서는 레벨2에서도 ‘부분 운전 자동화’가 존재하여 호칭에 대한 의논이 필요한 상태다.

 

2.6. 고속 통신 플랫폼 정비

 

AI를 통한 자율주행을 실현하려면 네트워크 통신 기술을 활용해야 한다. AI를 통한 자율주행의 레벨이 올라가면 올라갈수록 더 많은 데이터를 수집하고 실시간으로 정확하게 판단해야 한다.

 

5G를 비롯한 고속 통신 네트워크의 더 많은 보급과 확충이 AI를 통한 자율주행이 확산되기 위한 과제라 할 수 있다.