자율주행차는 우리가 생각했던 것보다 도로에 도달하는 데 더 오랜 시간이 걸립니다. 자동차 산업 전문가와 기술 기업은 2020년까지 여기에 도달하고 2021년까지 주류로 자리잡을 것이라고 예측했습니다 . 그러나 운전자 없이 도로에 자동차를 운행하는 것은 처음에 생각했던 것보다 훨씬 더 복잡한 노력 이라는 것이 밝혀졌으며 , 자율적인 개인 운송이라는 비전을 향해 우리는 여전히 매우 느리게 나아가고 있습니다.
그러나 일정이 연장 되더라도 자율주행차를 효율적이고 저렴하며 가장 중요하게는 안전하게 만드는 방법을 찾기 위해 열심히 노력하는 연구원과 엔지니어를 낙담시키지 않았습니다. 이를 위해 미시간 대학의 연구팀은 최근 새로운 아이디어를 내놓았습니다. 즉, 무인 자동차를 끔찍한 운전자에게 노출시키는 것입니다. 그들은 지난 주 Nature 에 발표된 논문에서 자신들의 접근 방식을 설명했습니다 .
자율 주행 알고리즘이 차량 작동의 기본 사항을 파악하는 것은 그다지 어렵지 않을 수 있지만, 그(그리고 인간)를 던지는 것은 다른 운전자의 지독한 도로 행동과 임의의 위험한 시나리오(자전거 운전자가 갑자기 도로 중앙으로 방향을 바꾸다)입니다. 도로, 장난감을 가지러 차 앞으로 달려가는 동물, 갑자기 헤드라이트를 향해 달려드는 아이.
운 좋게도 이러한 상황은 그다지 흔하지 않기 때문에 예상치 못한 경우에 발생하는 드문 경우로 간주됩니다. 엣지 케이스는 도로 위의 많은 위험을 설명하지만 운전자가 접할 가능성이 높지 않기 때문에 분류하거나 계획하기가 어렵습니다. 인간 운전자는 사망 사고를 피하기 위해 이러한 시나리오에 제때에 대응할 수 있는 경우가 많지만, 동일한 작업을 수행하도록 알고리즘을 가르치는 것은 약간 어려운 작업입니다.
논문의 주요 저자인 Henry Liu는 다음과 같이 말했습니다 . “인간 운전자의 경우 1억 마일당 1명의 사망자가 발생할 수 있습니다. 따라서 인간 운전자보다 자율주행차의 안전 성능을 더 잘 검증하려면 통계적으로 실제로 수십억 마일이 필요합니다.”
적절한 사례 샘플을 구축하기 위해 수십억 마일을 운전하는 대신 바로 추적에 들어가 사례로 가득 찬 가상 환경을 구축하는 것은 어떨까요?
Liu의 팀이 바로 그런 일을 했습니다. 그들은 자동차, 트럭, 사슴, 자전거 타는 사람, 보행자로 가득 찬 가상 환경을 구축했습니다. 고속도로와 도시 모두에서 테스트 트랙은 증강 현실을 사용하여 시뮬레이션된 배경 차량과 실제 도로 인프라 및 실제 자율 테스트 차량을 결합했으며, 증강 현실 장애물이 자동차 센서에 입력되어 자동차가 실제처럼 반응하도록 했습니다.
팀은 위험한 운전에 초점을 맞추기 위해 훈련 데이터를 왜곡했으며 이 접근 방식을 “밀도 심층 강화 학습”이라고 불렀습니다. 자동차가 직면한 상황은 사전 프로그래밍된 것이 아니라 AI에 의해 생성된 것이므로 AI는 차량을 더 잘 테스트하는 방법을 학습합니다.
시스템은 기존에 훈련된 자율 주행 알고리즘보다 훨씬 빠르게 위험을 식별하고 위험하지 않은 것을 필터링하는 방법을 학습했습니다. 팀은 AI 에이전트가 “평가 프로세스를 10^3~10^5배 더 빠르게 여러 단계로 가속화할 수 있었다”고 썼습니다 .
가상 환경 에서 자율주행 알고리즘을 훈련시키는 것은 새로운 개념이 아니지만 미시간 팀은 복잡한 시나리오에 초점을 맞춰 자율주행차를 위험한 상황에 노출시키는 안전한 방법을 제공합니다. 또한 팀은 다른 “안전에 중요한 자율 시스템”이 사용할 수 있는 엣지 케이스의 교육 데이터 세트를 구축했습니다.
이와 같은 몇 가지 도구가 추가되면 아마도 자율주행차는 우리가 지금 예상하는 것보다 더 빨리 등장할 것입니다.
이미지 출처: Nature/Henry Liu 외. 알.
