용어집

자율 주행 차량

자율 주행 차량이 AI, 컴퓨터 비전, 센서를 사용하여 안전, 효율성, 혁신으로 교통을 혁신하는 방법을 알아보세요.

YOLO 모델을 Ultralytics HUB로 간단히
훈련

자세히 알아보기

일반적으로 자율주행차로 알려진 자율주행차(AV)는 사람의 개입 없이 주변 환경을 인식하고 탐색할 수 있도록 설계된 차량입니다. 이러한 시스템은 복잡한 운전 작업을 완전히 자동화하는 것을 목표로 하는 인공 지능(AI)머신 러닝(ML)의 주요 응용 분야입니다. 자율주행차의 개발은 첨단 센서, 정교한 알고리즘, 강력한 컴퓨팅 플랫폼을 통합하여 안전하고 효율적인 운행을 가능하게 함으로써 개인 교통, 물류, 도시 계획에 혁신을 가져올 것으로 기대됩니다. 자율주행차를 이해하려면 AI에 크게 의존하는 인식, 의사 결정 및 제어 시스템의 핵심 개념을 숙지해야 합니다.

자율성을 주도하는 핵심 기술

자율 주행 차량의 안전 운행 능력은 주로 AI와 ML, 특히 딥러닝(DL)이 주도하는 통합 기술 세트에 달려 있습니다.

  • 컴퓨터 비전(CV): 이는 자율주행차가 세상을 '보고' 해석하는 데 필수적인 요소입니다. 카메라는 시각적 데이터를 캡처하고 CV 알고리즘을 사용하여 처리하여 도로 차선, 교통 표지판, 보행자, 다른 차량 및 장애물을 식별합니다.
  • 물체 감지: 모델이 차량의 시야 내에서 물체를 식별하고 위치를 파악하는 핵심 CV 작업으로, 감지된 각 항목 주위에 경계 상자를 그리는 경우가 많습니다. 다음과 같은 최첨단 모델 Ultralytics YOLO11 과 같은 최신 모델은 신속한 대응에 중요한 실시간 추론 기능으로 자주 사용됩니다. 다양한 YOLO 모델을 비교하여 그 진화 과정을 이해할 수 있습니다.
  • 센서 제품군: AV는 일반적으로 여러 유형의 센서를 사용합니다:
    • 카메라: 풍부한 시각적 정보를 제공합니다.
    • LiDAR(빛 감지 및 거리 측정): 레이저 펄스를 사용하여 다양한 조명 조건에서 효과적인 주변 환경의 상세한 3D 지도를 생성합니다.
    • 레이더(무선 감지 및 거리 측정): 전파를 사용하여 물체를 감지하고 속도를 측정하며, 비나 안개와 같은 악천후에도 안정적으로 작동합니다.
  • 센서 융합: 알고리즘은 다양한 센서(카메라, LiDAR, 레이더, GPS, IMU)의 데이터를 결합하여 환경을 포괄적이고 강력하게 파악합니다. 이를 통해 단일 센서 유형의 한계를 극복할 수 있습니다.
  • 경로 계획: AI 알고리즘은 인지된 환경, 목적지, 교통 규칙 및 차량 역학에 따라 가장 안전하고 효율적인 경로와 즉각적인 궤적을 결정합니다. 여기에는 복잡한 의사 결정 프로세스가 포함됩니다.
  • 제어 시스템: 로봇공학의 원리를 사용하여 계획된 경로를 조향, 가속, 제동과 같은 물리적 동작으로 변환합니다.

주행 자동화 수준

SAE International은 기능을 표준화하기 위해 레벨 0(자동화 없음)부터 레벨 5(완전 자동화, 어떤 조건에서도 인간 운전자가 필요 없음)까지 6단계의 주행 자동화 수준을 정의하고 있습니다. 현재 많은 첨단 운전자 지원 시스템(ADAS)은 레벨 1과 2에 속합니다. 완전 자율주행 시스템을 개발하는 회사는 종종 레벨 4(지오펜스 도시 지역과 같은 특정 운영 설계 영역 내에서 높은 수준의 자동화) 또는 레벨 5를 목표로 합니다.

자율 주행 차량의 실제 AI/ML 애플리케이션

자율 주행 차량은 단순한 미래형 개념이 아니라 복잡한 실제 시나리오에서 AI의 힘을 보여주며 활발히 개발 및 배포되고 있습니다.

  1. 로봇택시 서비스: 웨이모 ( Google 모회사인 알파벳 소유)나 크루즈 (GM이 대주주로 있는) 같은 회사는 제한된 지역에서 완전 자율 차량 호출 서비스를 운영하고 있습니다. 이들 기업의 차량은물체 감지 및 세분화를 활용한 인식, 다른 도로 사용자의 행동 예측, 복잡한 도시 환경에서의 탐색을 위해 정교한 AI를 사용합니다. 이러한 시스템은 운행 중에 수집된 데이터를 기반으로 지속적으로 학습하고 개선하며, 이는 머신러닝 운영(MLOps)의 핵심 원리입니다. 더 자세한 내용은 자율 주행 자동차의 AI에 대한 토론에서 확인할 수 있습니다.
  2. 위험 감지 및 회피: 자율주행차는 예상치 못한 도로 위험을 식별하고 이에 대응해야 합니다. 예를 들어, 물체 감지 모델은 움푹 파인 곳, 파편 또는 공사 구역을 감지하기 위해 Ultralytics HUB와 같은 플랫폼을 사용하여 맞춤형으로 학습시킬 수 있습니다. 예를 들어, 차량의 AI가 장애물 주변의 안전한 경로를 계획하거나 시스템에 경고할 수 있도록 포트홀 감지에YOLO 모델을 사용할 수 있습니다. 이 애플리케이션은 감지 시 높은 정확도와 짧은 지연 시간의 필요성을 강조합니다.

개발 및 교육

자율주행차 개발에는 엄격한 테스트와 검증이 수반되며, 종종 COCO와 같은 대규모 데이터 세트나 Argoverse와 같은 전문 주행 데이터 세트를 사용합니다. 기본 딥 러닝 모델을 훈련하려면 상당한 컴퓨팅 리소스(GPU, TPU)와 다음과 같은 프레임워크가 필요합니다. PyTorch 또는 TensorFlow. 시뮬레이션 환경은 실제 배포 전에 수많은 시나리오에서 알고리즘을 안전하게 테스트하는 데 중요한 역할을 합니다. 모델 배포에는 종종 양자화 및 특수 하드웨어 가속기(에지 AI 디바이스, NVIDIA Jetson)와 같은 최적화 기술이 포함됩니다. 전체 수명 주기에는 지속적인 개선과 모니터링을 위한 강력한 MLOps 관행의 이점이 있습니다.

모두 보기