한국통신학회 KICS

자율주행 이야기

안녕하세요. 한양대학교 최준원입니다. 이번에는 요즘 많은 관심을 받는 자율주행 기술에 대한 이야기를 해보려고 합니다. 자율주행 기술이란 차가 스스로 운전을 할 수 있게 하는 기술입니다.

자율주행의 기술 수준은 보통 레벨1에서부터 레벨5까지로 발전하게 됩니다.

레벨1의 경우는 소위 ADAS라고 말하는 운전자 주행 보조 기술과 편의 장치들을 말합니다. 오토크루즈제어 (ACC)나 전방충돌경고 (FCW), 차선이탈경고 (LDWS), 자동브레이크제어 (AEB) 등의 독립적인 기술들이 레벨1자율주행에 해당합니다.

레벨2에서는 이러한 기술들을 조합하여 운전자가 핸들을 잡지 않고 자동으로 주행하게 됩니다. 운전자는 혹시나 모를 위험상황에 대비하여 전방을 주시하여해야하며 급커브나 도심등의 환경에서는 사용을 자제해야 합니다. 혹시 이런 기능을 과신하여 사고가 나게되면 운전자의 과실이 됩니다. 현재 테슬라를 비롯한 자동차 회사의 고급사양 차량들이 이러한 레벨2의 자율주행 기술을 장착하고 있습니다. 레벨3부터는 자율주행의 사고 책임이 운전자에서 차량으로 넘어가게 됩니다. 따라서 신뢰성이 높고 안전한 자율주행 시스템을 요구합니다.

레벨3에서는 고속도로나 국도 등의 지정된 특정 환경 또는 전용 도로에서 사용자가 자율주행 기능을 선택적으로 사용하게 됩니다. 레벨3의 자율주행 기능은 각자의 개인차량에 선택적으로 장착될 것이기 때문에 사양이 높은 센서나 고가의 장비들을 장착하는 것이 어렵습니다. 따라서 적은 비용으로 안전성을 보장하여야 하는 어려움이 있습니다.

한편 레벨4에서는 차량에서 종착지를 정해 주면 목적지까지 안전하게 운전자를 데려다 주는 수준입니다. 물론 모든 위치에서 되는 것은 아니고 정해진 지역, 구역, 또는 구간 (예: 샌프란시스코에서 산호세 구간)에서의 가능합니다. 레벨4 기술은 우버와 같은 렌트/차공유 회사 또는 정부를 중심으로 자율주행 택시나 공공버스 등을 타겟으로 개발을 하고 있습니다.

이 경우에 차량을 많은 사람이 공유하기 때문에 사양이 높은 센서와 장비를 장착할 수 있어 자율주행의 신뢰성을 높일 수 있을 것으로 예상됩니다. 하지만 목적지에 도달하기 까지 도심을 거쳐야 할 수도 있고 예측이 불가능한 상황에 부딪힐 수 있어 이를 잘 극복해야 하는 어려움이 있습니다. 현재 레벨3과 레벨4의 기술은 다양한 회사에서 그 목적에 따라 동시에 개발이 진행되고 있습니다. 마지막으로 레벨5는 궁극의 자율주행 기술입니다. 지도상의 임의의 목적지를 알려주면 어디든지 자율주행 차가 운전자를 데려다 주게 됩니다.

이러한 자율주행 기술은 무엇보다도 안전성 보장이 가장 중요합니다. 실제로 주행을 하게 되면 예측을 하지 못하는 상황이나 환경이 발생할 수 있기 때문에 항상 최악의 상황을 염두해 두고 설계해야 합니다. 기존의 단순한 룰기반의 제어기법으로는 이러한 다양한 상황을 해결하는 것이 한계가 있습니다. 최근에는 머신러닝 즉 딥러닝 기술의 발전으로 인해 어려움이 극복될 수 있을 것으로 기대를 하고 있습니다. 보통 자율주행을 가능하게 하기 위한 요소에는 인지, 측위, 판단, 제어가 있습니다. 먼저 자율주행을 위해서 주변의 교통환경, 도로환경, 동적객체들을 인지해야 합니다. 또한 상대적인 위치 정보를 파악하여 자기차량의 위치를 포함한 주변환경을 정밀지도 위에 표현할 수 있어야 합니다.

환경 및 지도 정보들을 종합하여 자율주행차는 주행상황을 예측 판단하고 안전성을 높일 수 있도록 운전 경로와 상위 제어조작을 결정하게 됩니다. 마지막으로 차량 주행 경로가 결정되면 차량의 운동모델에 기반한 안정성, 효율, 승차감등을 고려하여 차량제어를 수행하게 됩니다. 이 중에 가장 어려우면서 완벽한 성능을 요구하는 부분이 인지입니다. 인지기능이 실패하게 되면 큰 사고로 이어질 수 있기 때문입니다.

인지기능은 보통 카메라, 라이더, 레이더, 초음파등의 센서에서 취득된 신호를 분석하여 수행합니다. 최근에는 카메라 영상으로물체의 분류나 검출하는 딥러닝 기술이 크게 발전으로 인해 인지의 기술 수준이 높아졌습니다. 하지만 카메라 영상하나로는 모든 상황에서 대해 완벽한 인지를 수행할 수 없어 레이더, 라이더, 초음파 센서의 결과를 융합하여 인지의 강인성을 높이는 기술이 앞으로 필요할 것으로 보입니다. 이러한 딥러닝 기술은 지도 기반의 측위 기술에도 확장될 수 있습니다. 인지를 통해 얻은 주변환경에 대한 정보들을 이를 지도위의 정보와 매칭하여 지도에서의 위치를 알아내게 됩니다.

이 경우 딥러닝 기법에서 얻은 피쳐들을 사용하면 보다 정확한 신뢰성 높은 측위가 가능하게 됩니다. 마지막으로 주변환경 예측이나 주행 판단 부분에도 머신러닝 기술이 중요한 역할을 할 수 있습니다. 예를 들면 주변 차량의 주행 경로를 예측한다거나 보행자의 움직임을 분석하여 위험도를 판단하거나 불확실한 위험상황에서의 차량 조향, 브레이크 조작 등의 문제에 머신러닝 기술이 적용될 수 있습니다. 이처럼 자율주행의 거의 모든 부분에 머신러닝 기술이 탑재될 수 있습니다. 따라서 강력한 계산 수행 능력을 갖는 차량 탑재용 딥러닝전용 임베디드 시스템이 필요합니다.

차량의 공간을 많이 차지해서는 않되고 전력 소모도 많으면 안됩니다. 또한 인지, 판단, 예측 기능을 동시에 수행하기 위해 여러 개의 네트워크 연산이 동시에 수행되어야 합니다. 마지막으로 머신러닝에서 가장 중요한 것은 데이터 수집입니다. 날씨, 조도, 밤, 터널등의 다양한 환경을 담은 대용량 데이터 수집이 필요합니다. 평소에 잘 일어나지 않는 희귀한 사건에서의 데이터를 호가보학 어렵기 때문에 이를 어떻게 트레이닝에 이용할 지에 대해서도 연구가 되어야 할 것 같습니다.

지금가지 자율주행과 머신러닝에 대해 두서없이 이야기를 해 보았습니다. 현재 자율주행기술의 동향과 머신러닝기술의 관계에 대해 조금이라도 유용한 정보가 되셨기를 바랍니다. 지금까지 긴 글을 읽어주셔서 감사합니다.