지난 6월 대만 고속도로를 자율주행하던 테슬라 모델 3개 차량이 전복되고 있는 대형 트럭을 그대로 추돌하는 사고가 발생했습니다. 최첨단 기술을 자랑한 테슬라의 사고를 보고 자율 주행의 안전성 평가에 대한 논의가 높아지고 있습니다. 자율 주행 과정과 그 중에서도 인지도 평가를 어떻게 하는지에 대해 알아보겠습니다.
자율 주행 프로세스 자율 주행은 인지, 판단, 제어의 3 단계 프로세스로 구성됩니다. 우선 인지는 인간의 눈이나 귀와 같은 감각 기관에 해당합니다. 다양한센서로입력된데이터신호값을처리하여주행환경이나장애물등주변모든물체의존재를인식하는것을말합니다. 인식된 값을 바탕으로 장애물의 종류나 거리, 속도, 방향 등을 파악합니다.판단은 인간의 뇌에 해당합니다. 눈과 귀를 통해 입력된 정보를 통해 판단합니다. 주행경로상에 장애물이 인지되면 현재 유지하고 있는 주행상태를 유지/변경할지를 결정하고, 안전한 주행을 위해 브레이크, 조향장치 등을 적절히 제어하기 위한 데이터 값을 결정합니다.
제어는 인간의 팔, 다리에 해당합니다. 인지-판단을 거쳐 정해진 데이터 값을 바탕으로 실제 자율주행 차량의 주행 상태를 변경합니다. 조향(가로방향) 제어, 가/감속(세로방향) 제어를 실시합니다.자율주행차는 인지-판단-제어를 쉬지 않고 반복합니다. 이 세 단계 과정 중에 가장 기본적으로 가장 중요한지에 대해서 알아보겠습니다.
[그림1] 자율주행 프로세스 개요
자주차의 주변 상황 인지 자율 주행 차량이 주행 중에 주변 상황을 인지하는 것은, 자주의 시작 지점입니다. 주행 중인 도로의 차선, 보행자, 선행 차량, 고정 장애물 등을 인식해야 어떤 경로로 주행할지를 판단하는 단계로 넘어갈 수 있어요. 자율주행차가 주변환경을 파악하고 정확한 정보를 습득하기 위해서는 차량에 부착된 카메라, 레이더(Radar), 라이더(Lidar)와 같은 센서의 기능을 활용합니다.
[그림2] 차량 센서의 예에서 일단 카메라는 인간의 눈을 닮았습니다 차선, 보행자등을 광학계를 통해서 영상으로 취득해, 이것을 후처리 과정을 거쳐 유용 정보로서 추출합니다. 하지만 빛이 없으면 식별이 어렵듯이 빛 조건의 영향을 많이 받는 한계가 있습니다.
레이더(Radar-Radio Detection and Ranging)는 객체의 거리와 속도, 각도 등을 측정하기 위해 전자기파를 사용하는 감지 센서입니다. 카메라에 비해 눈, 비 등 악천후에도 강하다고 하는 장점이 있습니다.
라이더(Lidar-Light Detection and Ranging)는 레이더와 비슷하나 빛을 이용하여 주변을 탐색합니다. 빛을 쏘아 되돌아오는 정보를 바탕으로 이미지를 그려 거리와 사물의 윤곽을 탐지하는 장치로 정확도가 높아 자율주행의 눈이라고도 불리는 센서입니다. 다만 날씨에 다소 취약할 수 있고, 무엇보다 단가가 매우 높아 연구목적 이외의 일반 판매용 자율주행차에 장착하기가 어려운 상황입니다.
그 외, 초음파 센서, GPS 등의 센서 등을 활용하여 자율 주행 인지를 합니다. 이러한 센서의 개별 정보를 통합하여 차량 주변 환경에 대해 정확하고 신뢰할 수 있는 지도를 생성하는 개념이 센서 퓨전 (Sensor Fusion)입니다. 센서별장단점을고려하여다양한기후조건이나빛조건에서주변상황을정확하게인지할수있도록센서로부터취득하는데이터를적절하게조합하는과정입니다. 센서를 서로 보완하는 기술은 물론, 충분한 중복을 증가시켜 안전을 개선하는 것도 중요한 부분입니다.
[그림3] 차량용 센서별 범위
인지 소프트웨어(이하 인지 SW)란 무엇인가?인지 SW는 자율주행 상황에서 차량 주변의 대상 객체를 인지하는 SW 알고리즘입니다. 센서 퓨전 과정에서 센서로부터 취득되는 데이터를 적절히 조합하여 주변 상황에 대한 정확한 데이터를 산출하는 SW입니다. 이러한 인지 SW를 검증하고 성능을 평가하려는 연구가 활발히 이루어지고 있습니다. 인지 SW의 성능을 테스트하기 위한 영상 dataset과 오픈소스를 제공하는 기관이 있는데 대표적으로 BDD(Berkley Deep Drive)와 KITTI가 있습니다.
[그림4]BDD(Berkley Deep Driv e)와 KITTI
BDD는 10만개 이상의 영상 데이터를 제공합니다. KITTI는 데이터량은 상대적으로 적지만 인지 SW의 KITTI dataset 적용 결과를 제공합니다. 바이두의 Apoloscape도 dataset을 다양하게 제공하고 있습니다.인지SW의 평가는 기존의 컴퓨터 비전 분야에서의 이미지 인식에 관한 평가 방법이 일반적으로 사용되고 있습니다. 평가용 영상으로부터 취득한 인지 결과의 GT(Ground Truth)값과 시험대상인지 SW가 검출한 결과(Predict)간의 비교를 통해 객체 검출의 정밀도를 측정하는 방식으로 mAP(Mean Average Precision)값을 지표로 합니다. 일반적인 Object Detection에서 사용되는 측정 지표로 현재 대부분의 인지 SW가 이 지표를 더욱 높이는 데 집중하고 있습니다.
하지만 mAP 등은 기본적으로 화면상의 객체 검출에만 초점을 맞춘 지표입니다. 자율주행 상황에서는 보다 고려해야 할 사항이 있으며 이를 위해 추가적으로 평가지표를 개발하고 인지 SW의 명확하고 합리적인 검증이 필요합니다. 이전의 기능안전표준으로서는 자율주행차량에 대한 안전검증이 충분하지 않기 때문에 국제표준화기구(ISO)에서 자율주행 관련 표준을 착실히 발행하고 있으며 Euro NCAP과 같은 성능평가 프로그램도 ADAS를 넘어 자율주행에 관한 시험절차 등을 추가하는 것으로 사료됩니다.
이러한 기술 트렌드에 맞추기 위해 슈아소프트텍에서도 이 부분에 대한 연구를 꾸준히 진행하고 있습니다. 도래하는 자율주행 시대를 대비하여 자율주행 관련 SW를 검증할 수 있는 툴을 개발하여 솔루션을 제공하고 있습니다.
[출처] 그림1-https://news.hmgjournal.com/Tech/Item/adas-01 그림2-https://www.hyundai.co.kr/TechInnovation/Autonomous/ 그림3-https://www.hyundai.co.kr/TechInnovation/Autonomous/ 그림4-https://bdd-data.berkeley.edu/http://www.cvlibs.net/datasets/kitti/://www.cvlibs.net/datasets/kitti/