엔비디아는 지난 1년간 20개의 에피소드를 통해 360도 인지(perception)부터 팬옵틱 세그먼트(panoptic segmentation), 미래 상황 예측에 이르기까지 다양한 주제를 심층 분석했다. 드라이브랩 비디오 시리즈에서는 소프트웨어 개발 구성요소를 한 번에 하나씩 다루고 있다.
드라이브랩은 정보와 교육 제공을 목표로 엔비디아가 가장 중요하다고 판단하는 과제와 안전성과 효율성 높은 운송을 위한 접근방식을 보여주는 창구 역할을 하고 있다.
<엔베디아 자율주행 소프트웨어 개발 과정을 소개하는 ‘드라이브랩’ 시리즈> 인지네트워크, 심층신경망(DN)
자율주행차는 경로를 계획하고 주행 결정을 내리기 전 차량 주변의 모든 환경을 보고 이해할 수 있어야 한다. 드라이브랩에서는 자율주행차 인지 부문을 담당하는 심층 신경망(Deep Neural Network, 이하 DN)의 다양한 측면을 상세히 설명한다. 엔비디아의 접근법은 중복적이며 다양한 DNN을 기반으로 하며 DN 모델은 교차로 감지, 교통 신호등과 교통 표지 감지, 교차로 구조 이해와 같은 다양한 기능을 다루고 있다. 또 이 모델은 주차공간 인지, 센서 장애 여부 감지 등 다양한 과제에도 활용된다.
DNN은 보행자와 교통신호 주변에 경계함(boundingboxes)을 그리는 것 이상의 일을 해낸다. 이미지를 픽셀 단위로 분석하여 시각의 정확도를 향상시키고, 보다 정확한 포지셔닝 정보를 얻기 위해 이 픽셀을 시간을 들여 추적한다.
야간 주행의 경우 오토하이빔넷(Auto High BeamNet)이 자율주행차의 전조등을 제어하고 액티브 러닝 접근법으로 어두운 곳에서 보행자 감지 기능을 향상시킨다. 또한 DNN은 정확한 모션 플래닝을 위해 2D 카메라 이미지를 통해 3D 거리를 추정할 수 있다. 엔비디아의 다양한 인지기능은 자동차 주변에서 작동한다. 서라운드 카메라 물체 추적 기능(surroundcameraobject tracking)과 서라운드 카메라 레이더 퓨전(surroundcamera-radarfusion)을 장착하면 인지 사각지대가 확실히 사라진다.
전방 도로 예측
자율주행차는 환경인식뿐 아니라 도로상의 다른 행위자가 어떻게 행동하는지 이해할 수 있어야 안전한 경로 확보를 위한 계획을 세울 수 있다. 드라이브랩에서는 자율주행차가 순환신경망(recurrentneural Network)을 통해 물체의 움직임에 대해 과거에 쌓았던 통찰력을 미래 예측 측정에 활용하는 방식을 보여준다.
엔비디아의 세이프티 포스 필드(Safety Force Field)라는 충돌방지 소프트웨어는 플래닝 및 제어 소프트웨어의 다양성과 중복성을 향상시킨다. 백그라운드에서 계속 실행되면서 기본 시스템의 제어 기능을 다시 체크하면서 위험해 보이는 모든 행동을 방지한다.
이런 DN과 소프트웨어 요소는 자율주행차 개발의 일부에 불과하다. 이러한 획기적인 도전 과제에는 데이터센터와 자동차 자체에 대한 엄격한 훈련과 테스트가 필요하다. 끊임없이 변화하는 운송 환경 속에서 자동차 소프트웨어도 변화에 적응해야 한다.
드라이브 랩 에피소드에서는 앞으로도 다양한 주제를 살펴볼 계획이며 자율주행차 소프트웨어 개발을 지속적으로 진행하면서 얻을 수 있는 노하우를 지속적으로 공유할 예정이다.