현대차 자율주행 (HDA2 / ADAS / 인공지능 / 머신러닝 / 딥러닝 / SCC-ML / 자기지도학습 / 센서퓨전 / 라벨링 / 정밀지도 / OTA / 현대모비스 / 테슬라) 확인해볼까요

>

​ ​ ​ 하나. 현대 자동차 자율 주행의 현황 ​-현재 현대 자동차에 적용되는 스마트 센스는 자율 주행 2단계에 해당. 완전한 자율주행은 아니지만 부분적으로 운전자의 감시 아래 반자동운전이 가능한 수준-내비게이션을 기반으로 고속도로 반자동운전을 가능하게 하는 고속도로 주행지원시스템(HDA), 차선이탈방지보조(LKAS), 운전자주의경고(DAW) 등의 기술 보유-현대차는 고속도로 주행보조(HDA) 기술을 중심으로 부분 자율주행을 개발. 2020년 상용화를 시작하는 HDA2는 고속 도로에서 3단계에 가까운 자율 주행이 가능할 것으로 전망 ​-20하나 8년 2월 서울 평창 간 고속 도로 약 하나 90km구간을 레벨 4수준의 자율 주행에서 완주한 기술력을 입증 ​

>

<출처:HMG JOURNAL>​ ​ ​ ​ 2.HDA(Highway Driving Assist고속 도로 주행의 보조)​, 현대 차는 차로 유지와 차간 거리를 제어하는 2단계 주행 시스템인 HDA을 2015년부터 판매. 그러고는 바로 내놓을 신차 성능이 더 개선된 HDA2를 탑재하는 방안. HDA2는 HDA대비 정도를 높이고 몇가지 추가 기능을 지원 ​-기본적으로 앞쪽 차와의 거리 유지 및 속도 유지, 차선 내의 위치 유지, 그리고 코그 데로 속도를 덜어주는 NSCC-C기능과 맵 데이터를 토대로 본인들 목(IC)일본의 분기점(JC)에서도 속도를 덜어주는 기능을 추가 ​-방향 지시등 점등 때 차 스스로 주변 귀 츄울 파악하고 능동적으로 차선 변경도 가능.이는 테슬라 본인 벤츠 등 1부 자동차 지에용크에서 최근 양산 차량에 적용하기 시작한 기술로 차세대 주행 보조 장치의 핵심 기술 ​-역시한 차선 변경은 인터럽트 차량을 인식하고 속도를 줄이고 주는 기능도 추가. 차량 전방으로 들어오는 차량에 대한 인지속도를 높이고 차선변경 기능 탑재와 함께 주변 귀추를 정밀하게 파악할 수 있는 기술 적용-앞으로는 주행 시 차량 주변 물체를 정확하게 인지하는 것이 아니라 높은 수준의 센서퓨전 기술로 앞차는 물론 그 앞차에 대한 인지까지 가능하도록 개선될 계획*센서퓨전: 다양한 센서로부터 수신한 신호를 융합

>

<출처:Top Rider>​ ​ ​ ​ 3. 머신 러닝 기반, 스마트 크루즈 컨트롤(SCC-ML)​(하나)개요와 현대 차 그룹은 20하나 9년 하나 0월 도로에서 전방 차량과 1정 간격을 유지하면서 운행하는 천장률 주행 기술인'스마트 크루즈 컨트롤(SCC)'의 업그레이드된 버전이 머신 러닝 기반 SCC를 유 춤추​-자동차가 스스로 운전자의 취향을 분석하고 마치 사람이 운전하도록 자연스러운 스마트 크루즈 컨트롤 기술을 실현한다. 향후 HDA2와 죠푹무시 면 수준 2.5수준의 천장률 주행할 수 있​-기존의 SCC는 운전자가 앞차와의 거리와 제한 속도, 반응 정도를 직접 설정해야 하고 조절 단계는 세심하지 않고 1부 운전자는 사용을 꺼리고 헷소리. 한편 SCC-ML은 운전자의 직접적인 설정 없이 차량 손수 운전자 주행의 취향을 파악하고 자율 주행에 활용 ​-이를 통해서 사람이 운전하도록 부드러운 운행이 가능하고 기존 SCC의 급가속과 급제동 같은 불편함을 제거 ​ ​ ​(2)원리-SCC-ML은 머신 러닝(Merchine Learning)인공 지능을 통해서 운전자 주행의 취향을 분석하고 놀라운 수준의 운전자의 주행 패턴을 재생 기본 원리는 운전자가 하나시 때 정도 운전을 하면 머신 러닝을 통해서 하나 0,000개의 주행 패턴 중 가장 평등한 하나개가 선택되는 방식 ​

>

<출처:HMG JOURNAL>​ ​ ​ ​-먼저 전방 카메라, 레이더 등 각 센서가 운전자 주행 정보를 수집하고 ADAS의 두뇌인 제어 컴퓨터로 전송.그럼 제어 컴퓨터는 이러한 정보 가운데 운전자의 운전 게츄이 정보(차간 거리를 어느 정도 유지하는지 아무리 자신 신속히 가속하거나 주행 환경에 얼마나 자신 기민하게 반응하는지 크게 3개)만 추출. 그리고 한 0,000개 이상의 주행 패턴 중 운전자의 운전 게츄이에 가장 유사한 것을 적용 ​-특히 제어 컴퓨터는 각종 센서로부터 각종 정보를 받지만 신호가 모두 다르기 때문에 이를 융합하기가 쉽지 않아요 소리. 이때 센서 퓨전 기술을 적용하면 제어 컴퓨터가 복수의 신호 정보를 정리하고 자신의 인터페이스로 처리 가능-주행 패턴 학습에 필요한 최소시에는 격차가 있지만 약 1개 시 정도. 해안에는 데이터가 누적돼 셀롭개 주행 정보를 지속적으로 업데이트하기 위해 운전자의 최근 게츄이 반영이 가능하다.이전 데이터의 중요도는 서서히 오전 아지지만 완전히 사라지지 않아요 소리 ​-머신 러닝을 통해서 기존에 정해진 하나 0,000개의 주행 패턴 이외에 세로프게 주행 패턴을 만드는 것은 우선 배제. 이는 안전성이 입증된 것만 적용하고 만일 자신이 있는 변수는 만들지 않겠다는 의미로 해석-그리고 1개의 패턴이라면 거의 모든 드라이버를 만족시킬 수 충분히 많은 경우의 수로 볼 수 있다. 앞으로는 안전이 검증된 패턴을 새로 개발하고 클라우드를 통해서 패턴 데이터를 갱신(OTA, Over The Air) 하는 방법도 고려 ​-구글 웨이 모(Waymo)의 경우 알 빠코에 적용된 디 프로 닌 인공 지능을 적용하고 수준 3이상의 자율 주행 기술을 개발. 한편 현대차그룹은 SCC-ML에 여러 층수로 구성된 딥러닝 신경망 대신 단층인 머신러닝 신경망을 적용-회사 설명에 따르면 개발 당시 딥러닝 적용도 고려했으나 신경망이 복잡해질수록 예기치 못한 오류가 발생할 수 있어 안전한 방법을 선택. 또한, 단층의 머신러닝 기술로도 드라이버의 주행 개취는 충분히 실현할 수 있었으므로

>

<출처: PAN.> SPOT> - 개인적인 견해로는 자율주행에 의해 고도의 신경망이 필요하다는 견해가 있으면 기이 딥러닝도 준비할 만큼 빠르게 대처할 수 있을 것으로 보인다. 혹시 인텔 모빌에기(Mobileye)처럼 큰 알고리즘 대신 형세별로 작은 알고리즘을 여러 개 만들고, 여기서 자신이 온 결과값만 통합해 대응하는 방식을 따를지도 모른다. 견해 ​ ​ ​ ​ 4. 자신의 지도 학습(Self-Supervised Learning)​(하나)메커니즘 이해-지도 학습(Supervised Learning)는 학습 데이터만 가지고 유토우쯔항 정보를 얻는 방식으로 데이터가 많아서 규칙이 만들어졌기 때문에 예측하지 못한 화정 튀어 자신 온 현실 세계에 적용하기 위해서는 레어 케이스까지 담은 방대한 데이터가 필요 ​ ​-강화 학습(Reinforcement Learning)는 학습 데이터 대신 보상(Reward)함수를 활용해서 지식을 키우기.실패하더라도 재시행하면 된다는 것입니다. 등에서는 효과가 있지만, 실제로 사람이 사는 세계에 적용하기에는 위험한 방식으로 하나 들 수 있어 주로 시뮬레이션내에서 적용. 인간은 가로수에 부딪히면 큰 사고가 발생한다는 것을 알기 때문에 부딪치지 않으려고 하지만 강화학습은 수천수만 번은 가로수와 충돌하면서 학습-비지도학습의 한 비결인 자기지도학습은 주어진 데이터를 바탕으로 주변 형세와 조건까지 예측하고 인지하는 더욱 발전된 형태의 기계학습법. 자기지도학습으로 만든 인공지능은 상식선에서 시각할 수 있는 정보까지 추측 가능.즉, 세상이 어떻게 돌아가는지 메커니즘을 이해하고 배경지식을 쌓는다는 점이 특징-예를 들어 사람은 눈으로 입력된 연속적인 장면을 보고 이후의 형세를 예측. 손으로 볼을 떨어뜨리자 현재 위치보다 아래로 내려가는 것이었고 공이 바닥에 닿으면 바닥보다 위에 튀어 오르는 것을 당연히 예상 ​-마찬가지로 자기 지도 학습이 가능한 신경망은 이런 메커니즘을 이해하고 있으니 자신 속에 새롭게 데이터를 넣었을 때, 더 빠르고 확실하게 이를 학습하고 효율과 성능을 향상시킴 ​ ​ ​(2)학습 비결-자기 지도 학습은 20하나 8년의 이야기에서 BERT와 GPT2등 자연 언어 처리 분야에서 놀라운 성능을 보이고 온 것. 현재는, 기이지 자신의 영상 처리에서도 이러한 방식이 적용 개시-자연어 처리에 자기 지도 학습을 적용하는 비결은, 간단하게 설명하면, 아래와 같이 문장에서 하나의 단어를 숨기고(마스킹, Masking), 주변의 문맥을 이해하고 그 단어를 예측하게 한(쌍)이 맞는지 알려주는 방식 E.g.(원문: ~~~딥러닝은 인공지능의 일종. PC:딥러닝은 ( )의 일종. 영상인식에서 자기지도학습 훈련의 비결은 먼저 기이지를 격자 모양으로 구역을 자신 있게 하고 CNN(콘볼루션 신경망)을 통해 각 격자에 대해 어떤 특징이 있는지 파악-그 후 랜덤으로 격자 중 하나를 제거하고 이를 신경망이 적절히 채워지도록 한다. 이후 묻은 기이지와 실제 기이지가 어느 정도 자기 평등한가를 채점하는 과정을 여러 기이지로 반복하고,

>

<출처: AIdev – 인공지능 개발자 모임입니다> 이러한 학습에는 시계열 영상 데이터가 효과적.과거 기위지를 입력하고 신경망은 향후 기위지를 예측하는 방식. 테슬라도 정적 키위,보다 비디오 클립을 활용한 시계열 키위,를 학습에 사용하고 있으며, 구글은 디플러 닌 연구에 사용하기 위하여 유튜브에서 35만 가끔의 잘 정리된 비디오 데이터 세트를 유출 ​-다만 정말 그렇게 테슬라의 경우 향후 비디오 플레이어입니다 전체를 예측하기보다는 인식 대상을 박스화한 그 박스의 이동궤적만을 예측. 소프트웨어 경량화에 의의가 있다는 견해 ​ ​ ​(3), 자동화를 통한 선순환-디프마잉도우의 최근 연구 결과에 따르면 일반적인 방법으로 사람이 그때마다 표시를 하고 데이터를 넣어 학습한 신경망보다 같은 신경망이지만 자신의 지도 학습에서 학습한 것은 절반 정도의 명찰 데이터만을 가지면서도 더 높은 키위, 인식 성능, 즉 2배 이상의 데이터 효율을 발휘 ​-심지어는 전체 데이터 세트 5%를 넣은 일반의 신경망보다 1%를 넣은 자신의 지도 학습 신경망이 더 높은 성능을 발휘하기도 했어 소리. 위와 같이 기초지식을 가지고 있어 보다 빨리 배울 수 있기 때문이다. 테슬라의 차량 자동 표시 기술도 이에 기반했기 때문에 쵸소움 학습 때문에 소량의 데이터만 사람이 표시하고, 어느 정도 학습이 된 뒤에는 차량 스스로 표시할 수 ​-전 세계에 테슬라 차량은 약 75만대가 있으며, 각 챠랴은 단 8대의 카메라가 달리는 소리. 이런 차들이 모으는 영상만 한 달에 수천만 가끔. 이는 지금까지 수작업을 통해 활용 가능해진 영상보다 훨씬 많은 양-테슬라는 준지도학습(Semi-Supervised Learning)의 하자 자신인 능동학습(Active Learning)을 통해 어떤 비디오 클립이 신경망 학습에 가장 유용한지 자동으로 선택하고, 도조(Dojo)라는 프로그램에 의해 가속된 자기지도학습을 통해 신경망을 훈련-그러므로 차량 스스로 라벨링하여 데이터를 서버에서는 이를 통해 이용하고, 때때로 매우 중요하며 인공지능의 구조 및 인공적인 면에서 활용하는 등 여러 기능적인 요소의 구조적 개선 등 여러 가지 기능을 수행한다.

>

<출처:Tesla>​ ​ ​ ​ 5. 현대 모비스, 영상 인식 ​-2019년 초 현대 모비스는 차량, 보행자 도로, 지형 등을 인식하는 글로벌 톱의 디플러 닌 기반, 고성능 영상 인식 기술을 2019년 스토리까지 확보하고 이를 자율 주행 지원 전방 카메라 센서에 2022년부터 본격적 양산 적용하겠다고 ​-디플러 닌 기반 영상 인식 기술은 자동화 방법으로 영상 데이터를 학습시킨 인공 지능. 이날 간담회에서 현대 모비스는 1초당 조 단위의 딥 러닝 컴퓨팅 기술은 영상 인식 데이터의 품질과 신뢰성을 크게 향상시켰고, 수작업으로 축적한 데이터의 양이 자율 주행 영상 인식 분야의 글로벌 경쟁력을 결정하는 시대는 끝났다고 설명-자동화 기법과 수작업으로 축적한 데이터 같은 표현에서 추측했을 때 현대 차도 테슬러의 같은 자기 지도 학습 및 자동 표시 기술을 적용했을 가능성도 있다-소견할 수 없어 확인하지 못한-현대 모비스는 자율 주행 카메라 센서에 적용되는 대부분의 소프트웨어와 자동 표시 기술을 갖추게 되고 특히 독자적 인식 기술력을 갖추게 되어, 세계 수준의 기술력을 갖춘.에 실장 가능하다 설명 ​-도 주차 지원 용도로 활용되고 온 쓰고 라운드 뷰 모니터링(SVM)에 오브지에크토를 탐지하는 영상인식 기술을 적용하면 저속 주행 상황에서 전방뿐 아니라 측면 충돌을 방지하기 위한 긴급 브레이크 등 자동 제어가 가능하다.인데 최초로 개발 완료한 독자들 레이더와도 죠프발쿰요카메라과 레이더 간 데이터의 융합(셍사ー・후유ー죠은)을 통해서 센서 성능을 높이고 자율 주행 분야의 기술 경쟁력을 선도하겠다는 방침 ​ ​ ​ ​ 6. 정밀 지도 ​-정밀 지도는 자율 주행 차량을 위한 지도에서 항해 지도와 ADAS지도는 도로의 단위로만 인식이 가능하지만 정밀 지도는 신호등과 각 차로 단위까지 상세하게 표현 가능.눈이 오고나쁘지안아 안개가 짙게 끼면 거북이 라와센서만으로는 주변 상황을 제대로 인식할 수 없지만 이때 정밀지도가 도로의 모든 상황을 알릴 수 있다면 안전성은 크게 높아질 수 있다.

>

<출처:HMG JOURNAL> - 현대엠엔소프트는 자동차 내비게이션을 위한 항법지도와 ADAS 지도에 이어 정밀지도도 한 구축중.자동차 위에 카메라 센서를 달고 날아다니는 MMS(Mobile Mapping System)의 차에 정확성이 높은 상대 위치 측정 방식의 DGPS(2개 이상의 GPS)차량 속도와 거리를 통해서 터널 속에서도 정확한 위치를 알 수 있어 관성 항법 장치(INS)차량 이동 거리를 통하여 정확한 거리를 측정하는 DMI, 그리고 4개의 카메라 등을 탑재.최근에는 드론까지 투입하여 보다 효율적인 비법으로 정밀지도 제작 - 이렇게 수집한 데이터를 GPS 상시관측소 데이터와 비교하여 오차 가격을 보정하고 데이터를 다루기 쉽게 후처리한 후 MAC(Map Auto Creation) 솔루션을 적용 수집한 데이터는 아래와 같이 수많은 포인트 클라우드 데이터로 이루어져 있는데, MAC는 이들 데이터를 자동으로 추출하여 분류하여 하나 나쁘지 않은 오브젝트로 정리하고 이것이 차선인지, 표지인지, 횡단보도인지 등을 구별하여 인식하는 과정을 자동으로 수행하는 기술

>

<출처:HMG JOURNAL>​ ​-100km길이의 도로에는 수많은 신호 이본의 표지판, 차선 정보가 존재했다. 기존에는 이러한 작은 요소들을 추출하는 데 각각의 편집 도구를 사용하고 육안으로 검증해야 하기 때문에 많은 시간을 필요로 합니다. 종래는 한명이 100km의 정밀 지도를 만드는데 200시간 이상 걸린 반면, 요즘은 MAC를 통해서 한명당 8시간의 수준으로 대폭 감소 ​-MAC도 핵심은 자동 편집 도구와 인공 지능 디플러 말리닌. 수집한 영상 속의 물건에 이름표를 단 "담(라벨링) 컴퓨터"가 계속해 학습. 이 정보를 바탕으로 차선과 표식을 구별하고 본인 내에서는 스스로 정보를 추출. 테슬라의 자동 표시 기능과 유사할 것으로 추측 ​-현재 30종류 이상의 도로 표지판을 인식하고 인식률은 98퍼센트 이상. 2019년 4월 MAC기술을 활용하고 고속 도로를 포함한 전국 자동차 전용 도로 약 16,000km의 정밀 지도를 구축, 이를 스트리밍의 형태로 제공. 2021년 양산 차 있는 목표 ​-역시 정밀 지도 구축을 위하고 레드 박스(RedBox)를 개발.도로의 차선, 시설물, 구조물을 분명하게 인식할 수 있어 도로의 변경 여부를 실시간으로 감지. 레드박스를 통해 수집된 정보는 무선통신(OTA)을 통해 현대엠엔소프트 플랫폼으로 이동. 플랫폼에 전송된 데이터는 정밀 지도로 제작되고 실시간으로 업데이트되고 다시 사용자에게 통보 ​ ​ ​ ​ 7.Path Prediction(도로 예측)​, 아래 동영상으로 테슬라 차량은 도로가 어떻게 되는지 잘 안 보여도 커브는지 등을 예측하고 주행 ​

-이는 비전 데이터뿐만 아니라 고란 귀추부터 실제 운전자가 핸들을 얼마나 달았는지, 기어는 어떤 상태인지, GPS 값은 얼마인지 등에 대한 데이터를 모아왔기 때문. 테슬라의 인공 지능은 비전 데이터 외에 비싼 실제 주행 방법을 흉내내다, 즉 양자의 오차를 최소화하는 모방 학습(Imitation Learning)에 의한 정확도 높은 전망 주행이 가능-위에서 설명한 현대 자동차 SCC-ML도 드라이버의 운전 스타 1개에 대한 데이터를 모아 신경망 학습을 진행하고 도도한 운전자의 주행 패턴을 차원 이게 추적할 수 있다. 따라서 현대차도 테슬라와 마찬가지로 고랭 예측 주행을 구현하는 현실성이 있다고 볼 수 있고, 그러면 자율주행 성능도 한층 업그레이드 될 수 있다는 소견8.현대자동차 딥러닝 과제(하나) 딥러닝 적용 현황-현대차가 소견하는 자율주행을 위한 딥러닝 적용은 인지, 판단, 제어 영역. 현대차는 현재 딥러닝을 주로 자율주행 인지 분야에 활용하고 있다. 인식 기능은 기존의 서포트 벡터 머신이나 에이다 부스트(기계 학습 메타알고리즘)와 같은 기계 학습 방식으로 해결해 왔지만, 심층 신경망을 적용한 딥러닝 기술을 적용하면서 성능이 비약적으로 상승*서포트 벡터: 기계 학습중의 패턴 인식, 자료 분석을 위한 지도 학습 모델-딥러닝은 영상으로 패턴을 분석해, 이상 징후를 사전에 감지하거나 주변 자동차의 움직임을 예측. 판단의 영역에 디플러 닌을 적용하면 차의 센서에서 얻어진 정보뿐 아니라 V2X, 정밀 지도 등을 활용하고 보다 안전하고 정확한 판단을 내릴 수 있습니다 소리 ​-판단이 열린 토지 그 채프는 제어 영역, 즉 판단대로 행동하는 것으로 이를 통해서 비보호 좌회전이나 회전 교차로 진입 등 사람도 대응하기 어려운 형세에 잘 대처할 수 있다고 기대 ​-다만 심층 신경망이 어떤 판정을 내리거나 어떤 동작을 수행하느냐에 대해서는 인간이 그 알고리즘을 이해하거나 추론하기 어렵기 때문에 판단 및 제어 분야에 아직 적용하기 어려운 형세. 그러나 최근 자율 주행 차가 지켜야 할 규칙을 인간이 정리된 전문가 시스템과 교차 검증하고 디플러 닌을 제어나 판단에도 점차 적용 ​*전문가 시스템:인간이 특정 분야에 대해서 가진 전문적 지식을 정리하고 컴퓨터에 기억시키는 시스템 ​ ​-현대 차는 20하나 5년부터 영상 인식 분야에 디플러 닌을 적용하는 조사를 개시. 개발 결과는 실제 자동차에 적용되어 테스트되고 있다. 현재는 본격적으로 디플러 닌을 적용하기 때문에 차량용 베디도우 제어기에서 다수의 알고리즘을 동시에 작동시키는 작업 중 ​ ​ ​(2)선결 과제-현대 차가 이야기한 디플러 닌 적용 선결 과제는 가장 이미 서쪽, 다양한 환경과 맨 하나의 사태까지 대비했으며 정확도와 안정성을 노프하나할 수 있도록 대규모 훈련 데이터가 있어야 하며, 고런 방대한 양의 데이터를 신속히 처리할 수 있는 고성능 GPU기반의 하드웨어가 필요 ​-두번째는 네트워크 축소. 딥러닝 학습의 연산은 대부분 소수점으로 이뤄져 있어 컴퓨터가 처리하는 속도가 느리다. 따라서 소수점 연산을 정수연산으로 바꾸는 작업이 필요하며 신경망으로 필요 없는 부분을 잘라내 모델 자체를 가볍게 하는 방법도 떠오르고 있다.셋째, 네트워크 이원화로 신경망을 큰 신경망과 작은 신경망으로 나누어 대량의 데이터로 학습된 큰 신경망이 작은 신경망을 가르치도록 할 필요가 있다. 설명

>

<출처: Slide Share / 여러 개의 컨볼루션 레이어 테크닉과 경량화 기법>