시뮬레이션과 자율주행 기술 발전

자율주행의 두뇌를 담당하는 인공지능의 학습에 자율주행 시뮬레이션의 도움이 절대적으로 필요하다. 실제 도로 주행은 다양성을 가지지 못하며 환경 인자의 제어가 불가능하기에 인공 지능이 완벽하게 학습할 수가 없기 때문이다. 따라서 현실 세계에서 테스트할 수 없는 다양한 상황을 인위적으로 만들어 낼 수가 있는 시뮬레이션 기술이 자율주행 기술 발전에 필수 요소가 되고 있다.

예를 들어 도로 위에 누워 있는 사람을 우회하는 경우를 실제 도로에서 테스트할 수는 없다. 하지만 시뮬레이션에서는 이런 케이스를 다양한 환경에서 여러 번 테스트가 가능하다. 예를 들어 시야가 어두운 밤이나 햇빛이 강한 낮에도 여러 번 테스트 할 수 있으며 우회 시 옆 차선에 차가 있고 없음에 따라 행동을 다르게 결정할 수 있다. 또 비용과 시간을 아낄 수가 있으며 무엇보다도 자율주행차를 테스트하는 운전자가 도로 위의 위험에 노출되는 것을 방지할 수가 있다.

이렇듯 자율주행차의 상용화에 시뮬레이션의 도움이 큰 영향을 끼치고 있으며 이런 시뮬레이션 프로그램 개발에는 3D 게임 엔진이 널리 사용되고 있다.

그동안 게임 업체는 몰입도가 높은 게임을 만들기 위해 현실 세계의 물리학적인 법칙이 최대한 적용되는 엔진 개발에 몰두해 왔다. 그 결과 현실 세계와 비슷한 환경을 가진 3D 가상 현실을 구현하여 자율주행차의 인공 지능이 학습할 최적의 장소를 제공하고 있다.

최근 MS는 자율주행 시뮬레이션 플랫폼인 AirSim을 공개하였다. AriSim은 드론의 비행 테스트 용도로 개발되었지만, 자율주행으로 영역을 확대한 것이다. 원래 이 프로그램은 게임 개발 도구인 Unreal Engine을 위한 플러그인으로 개발되었다.

[MS의 자율주행 시뮬레이션 플랫폼 AirSim]

 

또한, 시뮬레이션은 아니지만, 게임이 얼마나 현실을 잘 반영하는지에 대한 사례도 있다. 작년 10월 미국의 미시간 대학교는 유명한 비디오 게임인 GTA 5의 이미지를 딥러닝 하여 물체를 인식하는 연구를 진행했다. PDF 다운로드

 

연구 결과 GTA 이미지로 학습한 것과 실제 독일 도로 사진을 캡처한 이미지로 학습한 것과 비교 실험을 했을 때 GTA의 이미지로 학습한 딥 러닝이 물체를 더 잘 인식했다.

최근 Google의 Waymo는 자율주행을 테스트한 누적 주행 거리가 400만 마일에 도달했음을 발표했다.  Waymo는 자율주행 시뮬레이션을 통하여 매일 8백만 가상 마일을 운전하며 작년에만 25억 마일을 테스트했다고 한다. 시뮬레이션 속의 자율주행차는 다양한 환경 속에서 학습하였고 학습이 끝난 후에는 다시 다른 차량과 배운 내용을 공유하여 완벽한 자율주행을 할 수 있는 두뇌를 만들었다고 한다.

Waymo의 시뮬레이터의 이름인 Carcraft는 원래 Google의 자동차가 실제 상황에서 경험하는 운전 상황을 재현하기 위해 개발되었다. 이후 Waymo의 노력으로 보다 발전되었다.

 

waymo_simulator_10

[Waymo의 자율주행 시뮬레이션]

 

Waymo와 기술 전쟁 및 특허 소송전을 벌이는 Uber 역시 시뮬레이터를 공개했다. Uber의 시뮬레이터는 웹 기술인 WebGL 기반의 3D 렌더링 프레임워크로 개발되어 브라우저 기반으로 작동한다. 거리를 고밀도로 재현하며 차선 표시, 속도제한 또는 신호등의 위치 등을 정밀하게 보여준다.

 

[Uber의 자율주행 시뮬레이터]

 

이렇듯 정교해진 시뮬레이션 덕분에 인공 지능의 학습에 필요한 대표성과 다양성을 가진 잘 분류된 데이터를 얻을 수가 있다.

Waymo의 CEO John Krafcik는 자율주행 알고리즘 발전의 80%는 시뮬레이션 덕분이라고 말했다. 앞으로도 다양한 자율주행 시뮬레이션 기술이 개발될 것이며 자율주행차의 상용화는 더욱 빨라질 것으로 예상한다.

댓글 남기기