자율주행 자동차에 사용되는 기술

자율주행 자동차란 자율주행 자동차 기술은 운전자가 설정하는 기본 경로 바탕으로 목적지까지 도달하는 구현 수준에서早터 시작되어 현재는 보다 진보한 기술과 시스템을 통해 주행 중 일어날 수 있는 위험상황을 미리 감지해 사전 경고하는 수준까지 발전되었으며 자율주행 자동차는 스스呈 주변 환경을 인지，위험을 판단，차량을 제어하여 운전자 주행 조작을 최소화하며 스스로 안전주행 및 커맥티드 서비스 제공이 가능한 인간친화적 자동차를 말하죠. 추가로 최근 4-5단계의 완전자율주행 자동차 기술 개발을 위해 인공지능을 접목한 연구가 진행되고 있다고 합니다.

 

Photo by Jonathan Gallegos on Unsplash

1. 딥러닝 (Deep Learning)

딥러닝의 개념은 정말 새로운 개념이 아니라 기존에 존재하던 개념으로 인공신경 망(ANN，Artificial Neural Network)에서 시작되었고 이외에 ANN이라는 개념은 1943년 McCulloch와 Rtts가 발표한 논문에서 최초로 등장하였으며 이들이 제안한 모델은 인간 두뇌에 관한 최초의 논리적 모델링이었으며, 인간의 신경 구조를 복잡한 스위치들이 연결된 네트워크로 표현할 수 있다고 제안하였던 것에서부터 시작이 되었으며 ANN의 개념은 선형 맞줌과 비선형 변환을 지속적으로 반복적으로 쌓아 올린 구조라고 말할 수 있으며 ANN은 데이터를 잘 구분할 수 있는 선들을 긋고, 이 공간들을 잘 왜곡헤 합하는 것을 반복하는 구조라 말할 수 있습니다. 이러한 것을 반복하는 작업이 딥 러닝의 단편적인 부분이라고도 볼 수 있는 것 같습니다.

 

2. 오류역 전파

오류역전 파는 입력값에서 출력값으로 가중치룰 계층 간의 가중치롤 업데이트(학습)하면서 최종 결과값을 가져오는 것으로 순전파 라고도 하며 반대 과정을 역전파라고 합니다. 역전파는 신경망에서의 최종 출력 값과 실제 값의 오차가 최소가 되도록 역 전파하여 뉴런 간의 가중치를 재 업데이트하는 방법으로 학습을 시키며 입력값이 들어오는 방향(순 전파)으로 출력 계층에서 결과 값이 나오며, 결괏값은 오차범위를 포함하여 다시 역방향으로 모든 계층과 입력 계층으로 오차를 다시 보내면서 동시에 다시 가중치를 계산하면서 최종 결괏값에서 발생했던 오차를 점차적으로 적용시키는 과정을 말합니다.

 

예를 들어 최종 출력 계층에서 나온 결과 값이 나온 오차가 0.6이라고 한다면 이전 뉴런 출력 계층에 각각 3, 2라는 값을 전달하였기 때문에 출력의 오차에 위 뉴런은 60%, 아래 뉴런은 40% 영향을 주었다고 볼 수 있다. 오차 0.6을 먼저 6, 0.4씩 곱하니 위 뉴런의 오차가 0.36, 아래 뉴런은 0.24. 가 전달된다는 것을 알 수 있으며 오류 역전 파는 말 그대로 이렇게 오차를 점점 거슬러 올라가면서 다시 전파하는 것을 의미한다.

 

3. 합성곱 신경망 견 연결

이미지 데이터는 3차원 데이터이며, 배치 형태에 사용되는 여러 장의 사진은 4차원 데이터라고 볼 수 있으며 이런 이미지 데이터를 전연 결 신경망으로 학습시킬 경우 3차원 데이터를 1차원 데이터로 평 면화시켜야 하고 이미지 데이터를 평면화 시키는 과정에서 공간 정보가 손실될 수밖에 없는 것이 현실적인 기술의 한계이고 결과적으로 이미지 공간을 차지하고 있는 인공 신경망의 특징 추출 및 학습이 비효율적이고 정확도를 높이는 데에는 어쩔 수 없는 한계가 있다는 것을 보여준다.

 

이때 학습이 가능한 모델이 합성 곱신 경망이라는 것인데, 합성 곱신 경망은 기존 전연 결과 다르게 각 계층의 입출력 데이터의 형상 유지가 가능하며, 이 머지 공간의 정도를 유지하면서 인접 이미지와의 특징을 효과적으로 인식이 가능하다는 장점이 있으며 그리고 복수의 필터와 특징을 모으고 강화하는 풀링 계층을 통해 추출 및 학습을 더 효과적으로 할 수 있다는 특징을 가지고 있고 필터를 공유 파라미터로 사용하기 때문에 일반 인공 신경망과 비교하여 학습 파라미터가 매우 적은 특징 또한 가지고 있다.

 

이런 합성곱 신경망은 닙 러닝의 대표적인 방법이며, 주로 이미지 인식에 많이 사용되며 기본적인 개념은 이미지의 작은 특징에서 복잡한 특징으로 추상화하는 것을 말하며 예를 들어 사람의 얼굴을 인식하는 합성곱 신경망을 만돌 경우 먼저 필터를 사용하여 간단한 특징을 뽑아내어 하나의 합성곱 계층을 만든다. 그다음에 추출된 특징들에서 좀 더 복잡한 특징을 추출하는 새로운 계층을 추가한다.

 

합성곱 신경망의 구조는 일반 적으豆 2단계 과정으로 이루어진다. 특정 추출 단계는 분류를 위한 영상의 특정 추출과 위상 곱 변성을 얻기 위해 합성晋 연산과 추출된 특징을 모으고 강화하기 위 한 sub-sampling 과정을 수행하며, 이러한 과정을 반복적으로 수행하여 지역적 특징으로부터 전의 특징을 얻어낼 수 있다. 분류기 단계는 학습을 통해 다양한 경우에 대응할 수 있도록 헤주는 것이 목표이며, 기존의 인공신경망과 동일한 구조를 갖는다.

 

 

이렇게 자율주행에는 다양한 기술들이 사용되어지고 있습니다. 이러한 기술들을 바탕으로 하여 점차적으로 더 많은 기술들이 적용될 것이고 그러한 과정 속에서 자율주행이라는 기술은 폭발적인 성장을 이루어 낼 것이라 감히 예상을 해봅니다. 그렇게 된다면 우리의 삶은 점차적으로 더욱이 윤택해질 것이고, 자율주행으로 인한 사고율도 너무나도 많이 줄어들 것이라는 것을 알 수 있습니다. 그러다 보면 자연스럽게 더 많은 경제적인 이점을 가져올 것이고, 사람들의 삶에도 점차적으로 녹아들 수 있다는 것을 알아볼 수 있습니다. 그렇기 때문에 기술은 계속해서 발전하는 것이 맞고 우리의 삶에 도움이 되어야 정말 좋은 기술이라는 것을 알 수 있습니다.

 

 

※참조문헌 : 딥러닝을 이용한 영상 기반 자율 주행 자동차 시스템 (이경민 2018)