머신러닝 역할 자주 자동차로

자율주행자동차에서의 머신러닝의 역할, 직접 운전할 필요가 없는 미래의 전망은 많은 사람들에게 매력적인 것입니다. 이러한 집단적인 열의는 많은 자동차 회사들이 활용하고자 하는 흥미로운 기회를 제공하고 있습니다.

앨리오스만 오스만 오스 – Ali Osman Ors는 NXP Semiconductors의 자동차 AI 전략 및 전략적 파트너십 담당 이사

성공한 기업은 거대한 잠재적인 시장으로 진출할 수 있을 것입니다. 북미 지역 반자동 및 완전 자율주행차 시장은 2016년에 17억달러의 가치를 가졌고, 2030년에는 262억달러 이상으로 성장할 것으로 예상됩니다.

자율주행차의 안전과 보안을 확보하기 위해 국가는 적절한 인프라를 갖추어야 합니다. 그리고 입법당국은 전 세계적으로, 그리고 지역적으로 업계를 입법 규제할 의무가 있습니다.

그러나 자율주행차나 트럭이 안전하게 작동하도록 보장하는 것은 제조사와 제공업체예요. 이곳에서 머신러닝(ML)이 자율주행차 기술개발에 투입되고 있습니다.

인기글

안전하고 경제적, 실용적인 무인차량을 제공하는 방법을 결정하는 것은 우리 시대의 가장 큰 시험 기술 과제 중 하나입니다. 머신러닝은 기업이 이러한 과제를 해결할 수 있도록 도와줍니다. 하지만 어떤 역할을 하십니까? 그리고 앞으로 글로벌 운송을 어떻게 형성할 것인가?

자율주행차가 필요한 이유

편안하게앉아서차가운전을담당하도록하는것이매력적으로보이는데,이것은타고난인간의게으름과바쁜스케줄로인해맞아야하는우리의욕구를괴롭게하는걸까요? 아니면 자율주행차 개발을 옹호해야 할 다른 이유가 있을까요?

세계적으로 매년 약 12억 5천만 명의 도로 교통의 사망자가 발생하고 있습니다. 그리고 미국 교통부에 따르면 모든 치명적인 사고의 94%의 주된 요인은 인간의 잘못입니다. 따라서 안심하고 주행 차량을 더 많이 사용하면 인간의 잘못을 제한하고 피할 수 있는 수백만 명의 죽음을 줄일 수 있습니다.

상업 부문의 경우, 자율 주행 자동차는 비용 절감이라는 또 다른 매력을 가지고 있습니다. 무인 배송은 트럭 운전자의 인건비 감소와 함께 차량이 운전하는 동안 직원이 보다 생산적인 작업을 수행할 수 있도록 하는 추가적인 효율성을 의미합니다.

자율주행차에서 머신러닝을 사용하는 방법

자율주행차는 주로 프로토타입 및 테스트 단계에만 있으나 ML은 고급운전자지원시스템(ADAS)에 사용되는 기술의 다양한 측면에 이미 적용되어 있습니다. 또 향후 개발에도 영향을 미칠 것으로 보입니다.

물체 감지와 분류

기계 학습은 차량 주변의 세계에 대한 인식 및 이해와 동레벨의 운전자 지원을 위해서 배포되고 있습니다. 이는 주로 카메라 기반 시스템을 사용하여 물체를 감지하고 분류하는 것과 관련이 있지만 LiDAR 및 레이더 분야에서도 개발되고 있습니다.

자율주행의 가장 큰 문제 중 하나는 물체가 분류된다는 거예요. 차량의 다른 센서로부터 수집한 데이터는, 수집된 다음에 차량의 시스템으로 해석됩니다. 그러나 카메라 시스템에 의해 생성된 이미지에서 불과 몇 픽셀의 차이로 인해 차량은 정지 신호를 속도 제한 신호와 같이 보다 무해한 것으로 잘못 인식할 수 있습니다. 시스템이 보행자를 가로등 기둥으로 착각하는 경우 움직일 것이라고는 생각하지 않습니다.

1200×627 안전 인포그래픽 레이아웃 웹-NXP 반도체 ML 모델의 개선 및 일반화된 학습을 통해 시스템은 인식을 향상시키고 보다 정확하게 객체를 식별할 수 있습니다. 결정을 내리는 주요 매개변수에 대해 보다 다양한 입력을 제공함으로써 시스템을 교육하면 데이터를 더 잘 검증하고 학습 중 내용이 실제 생활에서 실제 배포를 나타내는지 확인하는 데 도움이 됩니다. 이러한 방식으로 단일 매개변수 또는 특정 항목의 핵심 세트에 대한 의존도가 높지 않기 때문에 시스템이 특정 결론을 도출할 수 있습니다.

시스템에 빨간색 자동차의 90%의 데이터가 제공되면 모든 빨간색 물체를 빨간색 자동차로 식별할 수 있는 위험이 있습니다. 한 영역에서 이러한 “적합”은 데이터를 왜곡하고 출력을 왜곡할 수 있습니다. 다양한 훈련이 필수적입니다.

드라이버 모니터링

신경망은 패턴을 인식할 수 있기 때문에 차량 내에서 운전자를 모니터링하는데 사용할 수 있습니다. 예를 들어 얼굴 인식을 이용하여 운전자를 식별하고 운전자가 무단 사용 및 도난 방지에 도움이 되는 차량 시동 허가 같은 특정 권한이 있는지 확인할 수 있습니다.Dms 데모 1602 20191020 웹, 나아가 이 시스템은 점유 감지 기능을 활용하여 다른 차량의 경험을 최적화할 수 있습니다. 이것은 뒤에 타는 사람의 수와 장소에 맞게 에어컨을 자동 조정하는 것이군요.

단기적으로 차량은 “운전자”로 지정된 사람의 감독과 주의가 필요합니다. 표정인식이안전강화의핵심이됩니다. 시스템은 피로 또는 불충분한 주의력의 징후를 학습 감지하여 탑승자에게 경고하는 데 사용할 수 있습니다.

드라이버 교환

자율주행차의 궁극적인 목표로서 완전 자율성을 취한다면, 자동 시스템은 운전자 대신 모든 사람의 입력을 완전히 대체하지 않으면 안 됩니다.

여기서 머신러닝의 역할은 센서 이하에서 데이터 입력을 받아 ADAS가 차량 주변의 세계를 정확하고 안전하게 이해할 수 있도록 하는 것입니다. 이러한방식으로시스템은차량의속도와방향은물체감지,인식,추적,예측을완전히제어할수있습니다.

하지만 여기서 보안이 핵심입니다. 자동 조종 장치로 실행하려면 운전자가 주의를 기울이거나 문제가 있는 경우에 개입할 수 있는 경우 매우 효과적이고 보장된 모니터링 방법이 필요합니다.

전망

Caffe와 구글의 TensorFlow와 같은 딥러닝 프레임워크 소프트웨어는 알고리즘을 사용한 신경망 훈련 및 활성화시킵니다. 차량이 주변 환경에 반응하기 쉽도록 이미지 처리와 함께 물체에 대해 학습합니다. 이는 차선을 감지하기 위한 것으로, 시스템은 물체를 피하거나 고속도로의 차선 내에 머무르는데 필요한 조향 각도를 결정하여 전방 경로를 정확하게 예측합니다.

뉴럴 네트워크(neural network)를 사용해 오브젝트를 분류할 수도 있습니다. ML을 사용하면 다른 물체의 특정 모양을 배울 수 있습니다. 예를 들어, 그것들은 자동차, 보행자, 자전거 타기, 가로등의 기둥, 동물을 구별할 수 있습니다.

이미징은 이동속도나 방향과 함께 물체의 근접도를 추정하는데 사용할 수도 있습니다. 예를 들어, 자율주행차는 장애물 주위에서 기동할 때 ML을 사용하여 차 주위의 빈 공간을 계산하고 안전하게 주위를 탐색하거나 차선을 변경하여 추월할 수 있습니다.

센서 융합

각 센서 양식에는 고유한 강점과 약점이 있습니다. 예를 들면, 카메라의 시각적 입력을 통해서, 좋은 질감과 색인식을 얻을 수 있습니다. 그러나 카메라는 사람의 눈처럼 시선과 시력을 약화시키는 조건에 취약합니다. 따라서 안개, 비, 눈 및 조명 조건 또는 조명의 변화는 모두 차량 시스템의 감지, 분할 및 예측을 저감시킬 수 있습니다.

카메라는 수동형이지만 레이더와 라이더(LiDAR)는 모두 능동형 센서로 측정거리에서 카메라보다 정확합니다.

머신러닝은 각 센서 양식의 출력에 개별적으로 사용되며, 물체를 보다 잘 분류하고, 거리와 움직임을 감지하며, 다른 도로 사용자의 행동을 예측할 수 있습니다. 따라서, 카메라의 출력을 가져와 카메라를 보는 것의 결론을 이끌어낼 수 있습니다. 레이더를 사용하면 신호와 포인트 클라우드를 사용하여 더 좋은 클러스터링을 생성하여 물체의 더 정확한 3D 이미지를 제공합니다. 마찬가지로 고해상도 LiDAR을 사용하면 ML을 LiDAR 데이터에 적용하여 객체를 분류할 수 있습니다.

417205 Cs 객체감 지이미지 Hr 웹-NXP 반도체

하지만 센서출력을 융합하는 것은 더 강력한 옵션입니다. 카메라, 레이더와 LiDAR를 조합하여 차량 주변을 360도 감지합니다. 다른 센서의 모든 출력을 조합하는 것으로, 차량 밖에서 일어나는 일을 보다 완벽하게 파악할 수 있습니다. 여기에서 ML은 이러한 모든 센서의 융합 출력에 대한 추가 처리 단계로 사용할 수 있습니다.

예를 들면, 초기 분류는, 카메라 화상으로 작성할 수 있습니다. 그 후, LiDAR 출력과 융합해 거리를 확인해, 차량이 보는 것을 늘리거나 카메라가 분류하는 것을 검증할 수 있습니다. 이 두 개의 데이터 출력을 결합한 후 융합된 데이터에서 다양한 ML 알고리즘을 실행할 수 있습니다. 이를 통해 시스템은 추가 결론을 내리거나 탐지, 세분화, 추적, 예측을 지원하는 추가 추론을 수행할 수 있습니다.

차량 파워트레인

차량 파워트레인은 일반적으로 시계열 데이터 포인트를 생성합니다. 이 데이터에 기계 학습을 적용하여 모터 제어 및 배터리 관리를 개선할 수 있습니다.

ML을 사용하면 차량이 공장에서 설정되어 영구적으로 고정되는 경계 조건에 한정되지 않습니다. 그 대신 시스템은 시간이 지남에 따라 차량의 노후화에 적응하고, 변화가 발생하면 이에 대응할 수 있습니다. ML을 사용하면 차량 시스템이 노후화되고 파워트레인이 변경되어 차량이 점진적으로 진입함으로써 경계 조건을 조정할 수 있습니다. 경계 조건의 유연성으로 인해 차량은 보다 최적의 작동을 달성할 수 있습니다.

시스템은 시간이 지남에 따라 조정하고 동작 매개변수를 변경할 수 있습니다. 또는 시스템에 충분한 컴퓨팅 용량이 있으면 변화하는 환경에 실시간으로 적응할 수 있습니다. 이 시스템은 이상을 감지하여 유지보수가 필요하다는 시의적절한 소식을 제공하고 임박한 모터 제어 실패에 대한 경고를 제공하는 방법을 학습합니다.

자율주행차의 안전·보안

의심할 여지도 없이 자율주행차의 가장 중요한 고려는 안전하게 추진되어 도로 교통사고를 일으키지 않는 것입니다. 여기에는 차량 시스템과 장치의 기능적 안전은 물론 네트워크 및 시스템에 전원을 공급하는 시스템 고유의 보안도 포함됩니다.

기능안전 및 장치 신뢰성

기계학습은 사고를 유발하는 시스템 장애를 방지하고 차량이 양호한 작동 상태를 유지할 수 있도록 하는 역할을 합니다.

온보드 장치로 캡처한 데이터에 ML을 적용할 수 있습니다. 모터 온도, 배터리 충전량, 오일 압력, 냉각수 수준과 같은 변수에 대한 데이터가 시스템에 전달되고 시스템이 분석되어 모터 성능과 차량의 전반적인 상태에 대한 이미지를 생성합니다. 그리고 잠재적인 결함을 나타내는 표시기가 시스템과 소유자에게 차량을 수리하거나 사전에 유지 관리해야 함을 알려줄 수 있습니다.

마찬가지로 ML은 차량 장치에서 파생된 데이터에 적용되어 고장으로 사고가 발생하지 않도록 할 수도 있습니다. 센서 시스템(카메라, LiDAR 및 레이더)과 같은 장치는 최적의 유지관리가 필요합니다. 그렇지 않으면 안전한 운행을 보장할 수 없습니다.

보안

차량에 컴퓨터 시스템과 네트워킹 기능을 추가하면 차량 사이버 보안에 더욱 집중할 수 있습니다. 그러나 여기에서는 보안을 강화하기 위해 ML을 사용할 수 있습니다. 특히 공격과 이상 징후를 탐지하고 이를 극복하는 데 사용할 수 있습니다.

각 차량에 대한 하나의 위협은 악의적인 공격자가 시스템에 접속하거나 데이터를 사용할 수 있다는 것입니다. ML 모델은 차량, 승객 및 도로를 안전하게 보호하기 위해 이러한 종류의 공격과 이상 징후를 감지해야 합니다.

공격 및 이상 징후 탐지

차량 내 자율 분류 시스템이 악의적으로 공격을 받을 수 있습니다. 이러한 공격적인 공격은 의도적으로 차량이 물체를 잘못 해석하고 잘못 분류하도록 할 수 있습니다. 이런 종류의 공격을 탐지하여 극복해야 합니다.

적대적인 공격은 정지 신호가 속도 제한 신호로 인식되는 경우처럼 차량에 잘못된 분류를 부과할 수 있습니다. ML은 이러한 종류의 적대적 공격을 탐지하는 데 사용할 수 있었고, 제조업체는 이를 우회하기 위한 방어적 접근법을 개발하기 시작했습니다.

이러한 공격을 방어할 수 있는 것은 ML 모델을 중심으로 강력한 시스템을 제공하는 것입니다. 다시 한 번 여기서 훈련이 중요합니다. ADAS가 결단을 내리는 보다 일반적인 방법을 만드는 것입니다. 과적합을 방지하기 위해 교육을 사용하면 특정 키 또는 해당 세트에 대한 과도한 의존을 피할 수 있습니다. 따라서 시스템에 의해 많은 지식이 있으므로 악의적으로 조작된 입력에 의해 결과나 인식이 변경되지 않습니다.

해킹, 데이터, 개인정보 보호 문제

차량이 운행되는 연결된 네트워크에 대한 해킹을 방지하는 것이 가장 중요합니다. 베스트 시나리오에서는 여러 대의 해킹을 당한 차량이 멈춰 정체를 일으킬 수도 있습니다. 그러나 최악의 경우 공격은 심각한 충돌, 부상이나 사망을 초래할 수 있습니다.

2015년 이후 25건 이상의 해킹이 보고되었습니다. 현재까지 가장 큰 사건에서 해킹이 가능한 소프트웨어의 취약성으로 인해 Chrysler는 2015년에 140만 대의 차량을 리콜하였습니다. 이 취약성은 해커가 변속기, 브레이크, 조향 장치 및 차량을 포함한 자동차를 제어할 수 있음을 의미합니다.

자동차 데이터 생성에 대한 잠재적인 시장도 있습니다. 차량 탑승자, 위치 및 움직임에 관한 데이터를 취득할 수 있습니다. 자동차에서 생성된 데이터는 2030년까지 7,500억달러 규모의 시장이 될 것으로 예상되고 있습니다 물론 이 데이터는 공급업체나 자동차 부품업체 같은 진짜 당사자의 관심의 대상이지만, 귀중한 데이터도 해커를 끌어들입니다.

그러므로 자동차의 사이버 보안을 보다 잘 유지하는 시스템을 개발하는 것이 중요합니다. 150개 정도의 전자제어장치(ECU)가 모든 차량을 차지하며 이를 실행하기 위해서는 약 2억 개의 소프트웨어 코드가 필요합니다. 이러한 복잡한 시스템은 해킹에 대한 더 큰 취약성과 취약성을 가져옵니다.

유럽, 미국, 중국에서 2025년 도로에 약 470,000,000대가 연결된 차량으로 무선 인터페이스를 이들은 확장성이 해킹공격을 막기 위해 안전해야 할 필요성을 가지고 있습니다. 자율주행차에 전력을 공급하는 컴퓨터 시스템을 공급하는 업체는 시스템이 안전하고 타협할 수 없는지 확인해야 합니다.

개인정보 보호

자율주행차에는 개인정보보호 문제가 많습니다. 운전자와 가족 및 차량을 사용하는 다른 사람들에 대한 데이터가 있습니다. 내비게이션을 사용하면 특정 GPS 정보를 사용하여 차량을 추적하거나 여행 기록을 항목별로 분류할 수 있습니다. 운전자 모니터링을 위해 객실 내 카메라 사용 시 차량 탑승자 각자에 대한 개인정보가 수집됩니다. 차량 외부의 다른 데이터도 수집할 수 있습니다. 이는 차량 외부의 다른 도로 사용자에게 영향을 미칠 수 있어 자신이 인식할 수 있다는 사실을 모르거나 자신에 대한 데이터가 수집되고 있습니다.

이 모든 과정에서 데이터 수집이 합법적이고 올바르게 처리될 수 있도록 규제되는 측면에서 이해할 수 있다는 우려가 생깁니다. 또한 데이터가 잘못 유출되거나 가로채이는 보안 위험이 다시 발생하여 법적 보호를 적용하지 않고 데이터에 액세스하여 사용할 수 있습니다.

데이터는 경쟁적으로도 가치가 있습니다. 차량이 운전중에 보고 있는 내용, ADAS에서 사용하는 분류 방법론, 최종 결론등의 데이터가 계속적으로 수집됩니다. 이 정보에 액세스하면 리버스 엔지니어링으로 정보를 추출하여 다른 환경에 복사할 수 있습니다.

기계 학습에서 파생된 실제 모델을 보호하기 위해 업계에서 상당한 노력이 이루어지고 있습니다. 특히 시스템이 인식한 것을 분류하는 방법, 이동 속도를 어떻게 계산했는지 다음으로 이동하는 방향을 정하는 거죠.

머신러닝이 기존의 Vision 알고리즘을 대체할 수 있을까?

머신러닝은 기존 컴퓨터 비전 알고리즘을 대체하여 객체 감지, 분류, 세분화, 추적 및 예측을 위한 자율 주행 차량에 유용합니다. 이렇게 함으로써 시스템의 결정성, 안전성 및 보안수준에 영향을 미칩니다.

실제 기반 방법이나 전통적인 컴퓨터 비전 같은 보다 결정적인 방법에서는 비전 알고리즘을 개발하는 엔지니어 또는 컴퓨터 과학자가 결정하는 데 필요한 주요 매개 변수를 결정합니다. 하지만 ML에서 알고리즘 자체는 올바른 결정을 내리는 데 가장 중요하다고 판단되는 기준을 선택합니다.

그렇기 때문에, 여기에서 훈련 데이터의 품질이 매우 중요합니다. 결정을 내리는 방법과 이유를 검증하는 것은 때때로 어려울 수 있으며 ML 시스템의 결정을 정확하게 이끌어 낸 것이 항상 명확하지 않습니다.

전통적인 컴퓨터 비전에서는 주요 기준을 미리 식별합니다. 예를 들어 시스템이 물체를 보행자로 식별한 이유가 알려져 있습니다. 시스템에 “이것은 보행자입니다”라는 데이터만 제공되는 경우 데이터 셋의 품질이 매우 중요해집니다.

ML을 사용하면 시스템이 이전에 기존 알고리즘에서 필요했던 것과 동일한 기준을 실제로 보았는지, 아니면 자체 기준 세트를 개발했는지 확인할 수 없습니다. 그렇다면 사용된 추론을 어떻게 복제하거나 반복하거나 할 수 있습니까? 일반적으로 ML 알고리즘의 의사결정에는 정확성 또는 신뢰도 등급이 있습니다. 예를 들어 분류에 따라 시스템은 물체가 보행자임을 90 % 확신하고 가로등 기둥이라면 10 % 확률로 확신 할 수 있습니다.

추가 교육은 그 확실성을 최대 92% 또는 93%까지 끌어올릴 수 있으나 100% 달성 불가 능합니다. 이것이 자율주행과 같은 안전에 중요한 어플리케이션에 적용될 때 오류의 여지가 없습니다. 시스템은 무엇인가가 올바르게 분류되어 있는지 100%확실히 확인하고, 무생물로 간주되는 물체가 차량 앞으로 나아갑니다.

오브젝트 감지 및 분류에 ML 사용하는 장점

1200×627 Vrud Web 본질적으로 비전 기반 시스템보다 정확하지는 않지만 시간이 지날수록 ML 알고리즘은 더 높은 정확도를 달성할 수 있습니다. 다른 시스템은 더 이상 높은 정밀도를 얻을 수 없기 때문에 결국 특정 수준에서 정체에 도달합니다. ML을 사용하면 더 많은 훈련이 적용되고, 더 엄격한 훈련은 물론 모델을 점차 확대, 개선함으로써 더 높은 수준의 정확도를 달성할 수 있습니다.

머신러닝은비전시스템보다적응성과확장성이뛰어납니다. ML 시스템은 자체 규칙을 만들고, 엔지니어 입력이 아닌 교육 기반으로 발전하기 때문에 확장하여 다른 시나리오에 적용할 수 있습니다. 효과적으로 시스템은 이미 배운 지식을 적용시켜 새로운 위치나 주변 환경에 적응합니다.

ML 플랫폼이 경향을 쉽게 식별할 수 있다는 점도 장점입니다. 대량의 데이터를 신속하게 처리하고 같은 정보를 보는 사람에게는 그다지 분명하지 않은 경향과 패턴을 쉽게 찾을 수 있습니다. 자율주행 자동차에 사용되는 알고리즘은 이와 같은 종류의 데이터 검토를 반복하여 적용해야 합니다. 따라서 이를 신속하고 높은 수준의 효율성으로 수행할 수 있는 시스템을 갖추는 것이 유리합니다.

ML 알고리즘은 인간 입력 없이도 적응 발전할 수 있습니다. 이 시스템은 새로운 물체를 식별 및 분류하여 사람의 개입이나 수정 없이 동적으로 차량의 반응을 조정할 수 있습니다. 즉, 차량이 시스템에 적절히 반응하도록 지시하려면 광범위하게 심도 있는 교육이 필요합니다만, 이것은 비교적 간단한 프로세스입니다.

ML 어프로치를 사용하면 결정론적 동작에 대한 의존을 피할 수 있습니다. 즉, 항상 같은 방법으로 같은 값을 입력하는 것은 불가능합니다. 모든 차가 같지는 않지만 여전히 자동차예요.하지만 자율 시스템은 다양한 차이에도 불구하고 모든 유형의 차량을 차량으로 식별해야 합니다. 입력불일치에도불구하고완전히예측할수있는결과를생성해야합니다. 주행차는 차이, 불확실성, 참신성, 변화무쌍한 현실세계에서 작동시켜야 합니다.

오브젝트 감지 및 분류를 위한 머신러닝의 한계

오브젝트 감지 및 분류에 ML을 사용하는 단점 중 하나는 방대한 데이터 셋이 필요하다는 것입니다. 뿐만 아니라 기존에 논의한 것처럼 데이터에 치우침이 없도록 시스템을 다양한 시나리오로 훈련할 필요가 있습니다. 왜곡된 데이터는 실제와 같은 결과를 나타내지 않기 때문에 자동차는 상황에 대해 인간의 지능이 해석하는 방법과 전혀 다른(아마도 위험할 수 있음) 반응을 보일 수 있습니다.

이러한 데이터 편향을 피하기 위해 충분한 교육을 받기 위해서는 시간과 방대한 양의 컴퓨팅 처리 자원이 필요합니다. 또한, 교육이 동작하고 있고 ADAS가 제시한 다양한 시나리오에 대해서 예상했던 대로의 동작을 확인하고 확인하는 데 필요한 시간도 있습니다.

ML이 대처할 수 없는 운전의 한 측면은 다른 도로 사용자를 인식할 때 입니다. 인간은 보행자가 건널목을 사용하기 시작하거나 앞으로 당기기 위해 다른 차량의 몸짓을 하는 것을 알아차리기 위해 눈을 맞추는 데 익숙해져 있는 것입니다. 그러나 이것이 자율 시스템에 의해 어떻게 복제 할 수 있는지, 그리고 ML을 사용하여 훈련 할 수 있는지는 알 수 없습니다. 그 퍼즐이 풀리고, 시스템이 이러한 상황에 대처하는데 필요한 인간의 감성 지능이나 인간의 즉각적인 예측에 가까워질 때까지 자율주행차로는 불가능해질 수 있습니다.

기계학습은인간이타고난어떤것에반응하는방법을시스템에게가르칠때에도제한적입니다. 예를 들면, 차가 앞으로 당기려고 하거나 트럭이 급브레이크를 밟거나 하는 「제육감」이 있습니다.

기계가 자주 결정을 맡도록 허용하는 것은 많은 사람에게 어려운 전제입니다. 시스템의 결정론은 컴퓨터 과학자들을 제외하고 많은 사람들이 문제를 발견하는 것입니다. 기계가 점령할 것을 의심해 자율주행차에 대한 신뢰도가 낮은 사람도 있습니다. 자율주행차에 의한 사고와 사망이 감소할 것이라는 예측에도 불구하고 애리조나에서 보행자를 넘어 사망사고를 낸 Uber 자율주행차나 게임 중 추락한 Tesla자동차 운전자와 같은 테스트 사고로 인해 신뢰가 더욱 손상됩니다.

레벨 5의 완전 자율 시스템에는 완벽한 기능 안전이 필요하며 이는 머신 러닝만으로는 보장할 수 없습니다. 필요한 훈련의 양과 다양성으로 인해 인간 지능의 복제가 어려워져 시스템은 아직 물체를 정확하게 감지하고 분류하지 못합니다.

머신러닝 기반으로의 액세스 방식이 올바른가?

몇 가지 단점에도 불구하고 객체 감지 및 분류에 ML을 사용하는 장점은 강력합니다. 완전 자율주행차량 모델링 및 인식요소들이 ASILD(Automotive Safety Integrity Level D)에 명시되어 있듯이 최고 수준으로 달성되어야 합니다. ASILD 수준에서 시스템은 거의 항상 완전하게 사용할 수 있어야 합니다. 이는 일반적으로 기본적인 제공의 중복성뿐만 아니라 개발 프로세스 자체에 대한 더 많은 조사와 규율을 통해 달성됩니다.

ASILD 수준을 달성하기 어렵고 비용이 많이 듭니다. 작동에 관련된 모든 자율주행이 이 최고 수준의 차량 품질과 공정 제어를 달성해야 한다는 초기 기대가 있었습니다. 그러나 특히 모델링 및 인식 요소와 관련하여 체인의 모든 단일 구성 요소에 대해 ASILD 요구사항 없이 시스템 및 안전 가용성을 달성하는 방법이 있습니다.

예를 들어 카메라, LiDAR 나 레이더와 같은 여러 센서를 사용하면 지각 분야에서 몇 개 겹치는 부분이 있습니다. 이것은 약간의 백업과 보안을 제공합니다. 예를 들어 카메라에 장애가 발생하면 LiDAR 또는 레이더가 같은 “뷰”필드를 충분히 전달하여 이들 사이에서 이러한 센서방식이 일정 수준의 중복성을 가져올 수 있습니다. 따라서 모델링 및 인식 시스템을 설계할 때, 회사는 ASILD 장치가 필요하지 않은 시스템을 고수하면서도 차량 주변의 좋은 모델을 제공할 수 있습니다.

자율주행 자동차 머신러닝의 미래 트렌드

주요 기술업체와 주요 자동차업체는 둘 다 자율주행차 제품 개발을 경쟁하고 있습니다. 그들은 각자 이 분야를 지배하기 위해 시장에 처음 진출하기를 원합니다. 현재, 연결되어 있는 인프라의 발전, 5 G기술의 출현, 산업규제를 위한 새로운 법률 제정, 또 서비스형 모빌리티(MaaS)를 향한 대처와 함께, 많은 활동이 있습니다.

기계 학습의 사용법에도 변화가 있습니다. 이것이 자율주행차 시장을 선도하는 미래 트렌드입니다.

이미징 레이더는 물체를 감지하고 분류할 수 있는 고해상도 레이더입니다. 베이스레이더로서의 기능 외에 이미징레이더는 수집하는 반사지점에서 더 높은 밀도를 제공합니다. 따라서 물체를 감지하여 근접성을 결정할 뿐만 아니라 모든 점의 모음을 사용하여 선택하는 물체의 윤곽을 만들기 시작합니다. 자,이러한개요에서반영되는대상의분류에대해서결정을내릴수가있어요.

이미징레이더는 개발비가 비교적 낮습니다. 그리고 탐지와 거리에서 레이더의 모든 이점을 활용하여 분류기능을 제공하는 센서의 경우 이는 미래에 대한 흥미로운 경향이며 아마도 레이더가 LiDAR 이상으로 의존하는 것을 허용할 수도 있는 것입니다.

컴퓨팅 성능 학습은 기계 학습의 핵심 요소죠. 인간의 능력에 가깝고 비정상적인 위험을 피하기 위해 필요한 학습은 도시도로, 고속도로 및 고속도로에서 발생하는 여러 가지 어려운 상황에 시스템을 반복적으로 노출해야 합니다.

자동차 회사가 점점 많은 도로 거리를 수집해, 보다 많은 물체에 탐지·분류가 필요하게 됨에 따라 생성되는 데이터 세트가 증가한다.

이러한 데이터 셋의 증가는 훈련된 네트워크를 배포하는데 충분한 컴퓨팅 성능을 확보하는 문제를 제시합니다. 결과적으로 떠오르는 혁신 중 하나는 고도로 최적화된 가속 기술을 만드는 것입니다. 정보 처리의 발전은 훈련된 네트워크를 집적회로에 직접 배치하는 것과 같은 큰 진전을 보였습니다. 이러한 새로운 칩을 사용하면 복잡한 네트워크를 저비용과 저전력으로 배포할 수 있습니다. 이러한 비용 최적화와 면적 효율적인 실리콘 솔루션은 시장을 발전시키고 컴퓨팅 성능의 문제를 극복할 수 있습니다.

LiDAR(라이더) 자동차 시장을 위한 머신러닝의 또 다른 새로운 경향은 카메라 기반 분류 및 감지를 위해 현재 배포되고 있는 기술을 LiDAR 네트워크로 이전하는 것입니다. 따라서 2차원 사진 프레임을 사용하여 물체를 결정하거나 분류하는 대신 LiDAR 반사에서 파생된 3차원 데이터를 사용한 후 해당 정보에 대해 훈련된 네트워크를 구현할 수 있습니다. 이런 방식으로 시스템은 도로가 시작되고 끝나는 위치와 같은 측면을 결정할 수 있습니다. (교차로 위치 또는 신호의 위치)

이는딥러닝클래스의컨볼루션뉴럴네트워크(CNN)를사용하여가능합니다. 기업은 이미 이 기술로 성공을 거뒀으며 큰 가능성을 보여주는 영역입니다.

완전 통합된 마이크로 컨트롤러 장치(MCU)

완전 통합 마이크로 컨트롤러 장치(MCU)로 차세대 자율 주행 차량을 가능하게 합니다. 레벨 5에서 MCU는 차량이 결함을 감지한 후 운전자의 개입 없이 자동으로 차량을 안전하게 정지할 수 있도록 합니다.

현재의 MCU는 그래픽 또는 데스크톱, 엔터프라이즈 컴퓨팅에서 파생됩니다. 자동차 애플리케이션용으로 특별히 설계된 솔루션이 아니며 그 자체로는 충분히 강력하지 않습니다. 결과적으로 다른 고성능 프로세서와 함께 사용됩니다. MCU는 프로세서 옆에 위치하고 있으며 차량과 통신하고 있습니다. 이것은, 차량과의 안전한 통신에 필요한 직접 인터페이스를 시스템에 제공합니다.

MCU는 시스템온칩(SoC)이 정상이며 최적의 성능을 발휘하는지 확인하는 진단을 통해 고성능 집적회로에서 안전 자체검사를 실행할 수 있습니다. MCU는 자동차 환경용으로 설계되지 않았다는 점에서 고성능 프로세서에도 상주하는 내재적 결함을 극복하는 핵심 프로세서 역할을 합니다.

여기서 추세는 MCU 기능을 프로세서에 통합하여 단일 칩 솔루션을 제공하는 것입니다. 때문에 MCU 기능은 제조사가 칩에 직접 내장하는

오브젝트 감지 및 분류를 위한 머신러닝의 한계

머신러닝 기반으로의 액세스 방식이 올바른가?

자율주행 자동차 머신러닝의 미래 트렌드

기계 학습의 사용법에도 변화가 있습니다. 이것이 자율주행차 시장을 선도하는 미래 트렌드입니다.

자동차 회사가 점점 많은 도로 거리를 수집해, 보다 많은 물체에 탐지·분류가 필요하게 됨에 따라 생성되는 데이터 세트가 증가한다.

이는딥러닝클래스의컨볼루션뉴럴네트워크(CNN)를사용하여가능합니다. 기업은 이미 이 기술로 성공을 거뒀으며 큰 가능성을 보여주는 영역입니다.

완전 통합된 마이크로 컨트롤러 장치(MCU)

여기서 추세는 MCU 기능을 프로세서에 통합하여 단일 칩 솔루션을 제공하는 것입니다. 때문에 MCU 기능은 제조사가 칩에 직접 내장하는

미래 모빌리티 서비스 1 웹 2025년 이전에는 자율 주행차, 2035년 이전에는 레벨 5 자동차의 본격적인 생산 모델을 기대할 수 없을 것 같습니다. 그 외에도 무인 자동차의 수가 수동 차량을 상회할 때까지 얼마나 걸릴지 지켜보지 않으면 안 됩니다.

그럼에도 불구하고 무인 자동차나 트럭은 분명히 지평선에 있습니다. ML 덕분에 이러한 차량은 수백만의 시각장애인과 장애인에게 더 큰 이동성을 제공할 수 있도록 설정되었습니다. 보다 먼 지역에서 배송을 가능케 하고, 보다 빠르고 비용 효율적으로 사람들에게 상품을 제공하며, 커뮤니티를 연결합니다. 무엇보다도 도로의 안전을 개선해, 도로 교통사고, 부상이나 사망을 줄입니다.

그러나 선 때문에 우리의 삶을 변화시키기 위해서는 여전히 몇 가지 요소가 필요합니다. 자동차회사는 이러한 차량의 안전, 신뢰성 및 실행가능성을 보장하기 위해 자신의 역할을 다해야 합니다. 물론 이들은 연구개발 투자수익을 원하지만 소비자들이 쉽게 받아들이기 전에 무인차량의 안전과 보안을 증명해야 합니다.

정부도 역할을 담당합니다. 그들은 자동차의 자율성이나 운전자의 부재에 관한 법률을 제정해야 할 것입니다. 이 문제에 대해서는, 나라 마다 다른 접근법을 취하는 것은 확실합니다. 국가 내에서도 예컨대 미국 내 다른 입법부는 상황을 다르다고 볼 수 있습니다. 이곳에서의 협력과 협력은 업계가 유사하거나 동일한 기능을 가진 표준화된 차량을 제공하도록 돕는 데 큰 도움이 될 것입니다.

정부는 한층 더 인센티브가 있는 마이카의 채용을 장려할 수 있습니다. 많은 입법부가 전기차 사용을 장려하고 친환경 차량의 사용을 장려했듯이 세금 인센티브는 자율주행차 사용을 촉진합니다. 이것은 사고가 적고 의료에 대한 부담이 적기 때문에 그것을 실시하는 국가 또는 주에 유익할 것입니다. 마찬가지로 자율 수준에 따라 축소된 규모로 무인차에 대해 더 낮은 보험료를 지불하는 보험 회사를 볼 수 있습니다.

마지막으로 협업이 핵심입니다. 각기 다른 회사들은 기계학습과 관련된 독자적인 영역에 대한 전문지식을 갖추고 있습니다. 일부는 카메라 기반 인식 또는 LiDAR 처리를 전문으로 하고 있습니다. 다른 사람은 센서 입력 융합에 투자했습니다. 그리고 또 다른 사람들은 경로 찾기와 궤도 계획의 결정, 그리고 이를 조향, 가속, 감속의 즐거운 작동으로 변환하는 전문성을 가지고 있습니다. 이들 회사는 자동차 제조사가 자율주행차 설계를 생산에 적용할 수 있도록 협조해야 합니다.