본문 바로가기

블로그

LG CNS 기술블로그 DX Lounge에서 최신 IT 소식을 만나보세요!

AI/Data

자율주행 기술 발전에 도움을 주는 인공지능 기술은?

2018.11.19

최근 급속히 발전하고 있는 인공지능 분야의 기술 중 자율주행 분야에 적용될 경우 큰 기술 혁신을 만들어 낼 것으로 기대되는 기술은 강화 학습(Reinforcement Learning)입니다. 강화 학습은 인간의 개입이 없이도 반복 학습을 통해 인공지능이 스스로 목적을 달성하는 과정을 터득해 내는 방법입니다.

인간은 단지 인공지능이 달성해야 하는 목적과 시행착오 중 성공과 실패에 대한 보상(Reward) 및 벌칙(Penalty) 값만 정의해 주면 됩니다. 이에 기반해 인공지능은 수십, 수백만 번의 시행착오를 반복하며 보상 값을 극대화하면서 목적을 달성할 방법을 스스로 찾아내는데요.

실제 알파고를 구현해 낸 딥마인드가 구글에 인수 당시 보유했던 핵심 기술이 바로 강화 학습이었고, 알파고 또한 강화 학습에 기반해 바둑을 두는 방법을 스스로 터득해 인간과의 대결에서 승리한 것입니다. 

강화 학습 기술의 자율주행 적용

강화 학습이 이제 자율주행 기술 구현에 적용되고 있습니다. 특히 기존 방법으로 모델링이 어렵고 주행 데이터의 제한으로 인해 충분한 학습이 어려운 분야에 먼저 시도되고 있는데요. 신호등이 없는 교차로, 비보호 좌회전, 우회전, 램프 진입 등의 경우들은 차량 주행 시 매우 빈번하게 발생하지만 매 순간 다른 차들의 진입 속도, 진행 방향, 교통량 등 다양한 변수들이 매우 복잡한 경우의 수로 발생합니다.

이러한 상황에서 인간은 오랜 운전 경험이나 직관에 의존해 상황을 판단하거나 충돌 위험이 발생하더라도 즉각적으로 반응해 위험 상황을 회피하기도 합니다. 하지만 이러한 과정을 인간이 일일이 개입해 인공지능으로 구현하거나 데이터를 통한 학습만으로 구현해 내기는 매우 어렵습니다.

대신 강화 학습을 적용하면 이러한 과정을 매우 효과적이면서도 높은 완성도로 구현해 내는 것이 가능합니다. 수십, 수백만 번의 상황을 재현해 강화 학습 기반의 인공지능이 각 상황에서 다양한 시도를 하도록 하는 것입니다. 아래 그림과 같이 차량이 램프에 진입 시 진입 차량과 주변 차량의 상대 속도, 거리, 진입 속도 등 다양한 변수들을 매우 미세하게 조절해 가며 발생 가능한 다양한 상황들을 구성합니다.

l 강화 학습 기반의 지능형•자율주행 기능 구현: 반복 학습을 통해 스스로 진입 위치를 판단
(출처: VW Research)

초반의 인공지능은 대부분의 경우 다른 차들과 충돌해 사고를 낼 것입니다. 하지만 이러한 충돌 과정을 반복하면서 인공지능은 서서히 충돌을 회피하고 위험 상황을 사전에 방지하는 방법을 터득하게 됩니다. 물론 이러한 것을 실제 환경에서 재현해 실험하는 것은 거의 불가능하기 때문에 매우 정교하게 구현된 시뮬레이션 환경에서 상황을 반복하게 됩니다.

이러한 강화 학습 기반의 자율주행 연구는 폭스바겐, 포드 등 선행 연구소의 연구 단계로 진행되고 있습니다. 다만, 안전성을 최우선으로 하는 완성차 업체의 특성상 기존 방법과 강화 학습 방법을 서로 병행하며 보완해 사고의 위험을 최소화하는 방향으로 연구를 진행하고 있습니다. 

추론 기반의 인공지능 기술의 적용

다양한 연구 중 최근 딥마인드가 발표한 두 편의 연구는 자율주행 분야에 향후 적용된다면 큰 효과를 거둘 수 있을 것으로 전망됩니다. 이들 논문은 관계형 추론(Relational Reasoning)이 가능한 인공지능의 구현에 관한 논문으로서 인공지능 학계에서는 2017년 가장 혁신적인 논문들로 꼽히고 있는데요.

인공지능이 인간의 추론 방식과 유사하게 추론하는 것을 구현하는 것이 가능하다는 것을 보여주는 논문입니다. 그중 첫 번째 논문1에서는 인공지능이 주변 상황들을 각각 개별적인 정보로 인식하고 이해하는 것을 넘어 각 정보 사이의 상대적 관계를 논리적으로 파악해 낸다는 것입니다.

l 관계형 추론 방법에 기반한 자율주행 지능 구현 (출처: 저자 구성)

이러한 관계형 추론 방식이 자율주행 기능에 적용되면 자동차는 차량 주변의 사물들을 개별적으로 인식하는데 그치지 않고 각 사물 사이의 상대적인 관계를 직관적으로 인지해 낼 수 있게 될 것입니다. 마치 사람이 운전할 때와 같이 주변에 존재하는 차량 간의 거리를 각각 개별적으로 인식하지 않고 서로 간의 상대적 거리와 속도를 종합적으로 인지해 주행하는 것과 마찬가지입니다.

또한 차선 변경, 교차로 진입을 할 때 주변 차들을 따로따로 인식하는 것이 아니라 좌•우, 앞•뒤 차량과의 거리•속도를 상대적으로 파악해 가장 나은 방법으로 차량을 제어하며 주행하는 것이 가능할 것입니다.

만약 이러한 관계형 인식이 아니라면 각 차량과의 거리, 속도 등을 모두 개별적으로 계산 후 모든 가능 조건을 고려해 최선의 방법을 선택하는 방식으로 구현될 것이지만 관계형 사고가 가능한 인공지능에서는 인간과 같은 직관적인 관계형 사고에 따라 판단하고 행동할 수 있게 되는 것입니다. 주행 지능의 이식

인공지능 분야에서 활발히 연구 중이며 자율주행 기술에 적용 가능한 기술은 지능의 이식(Transferring Intelligence) 관련 연구입니다. 유사한 기능을 수행하는 인공지능이 이미 존재한다면 기존의 지능을 새로운 인공지능에 이식하며 활용하는 것인데요.

딥마인드 등 선진 연구 기관에서 매우 활발하게 연구2가 진행되는 분야입니다. 인공지능이 새로운 영역에 활용될 때 적용 분야가 서로 다르더라도 기존 지식을 최대한 활용하기 때문에 단시간에 성능을 발휘하는 것이 가능합니다.

이러한 개념은 자율주행 기능 구현 시 활용될 수 있는 여지가 매우 큽니다. 자율주행이 적용되는 환경은 국가별, 지역별로 주행 규칙 및 환경이 매우 다른데요. 그렇기 때문에 자율주행 기능이 초기에 구현되고 테스트 된 지역에 국한하지 않고 어느 국가나 지역으로도 확장할 수 있게 시스템을 구현하는 것이 기업 입장에서는 향후 큰 이슈로 부상할 가능성이 높습니다.

l 지능 이식을 통한 자율주행 지능의 국가별 확장 (출처: VW Research 참조)

이러한 의미에서 현재 인공지능 분야에서 연구되고 있는 지능의 이식 관련 연구는 향후 자율주행 기술의 확산에 큰 역할을 할 것으로 전망됩니다. 실제 폭스바겐의 연구팀은 자율주행 기능을 구현하는데 지능의 이식 및 활용을 고려하고 있습니다. 기본적으로 자동차를 주행하는 방식은 공용화입니다.

차선 유지, 서행, 급정지 등과 같은 일반적으로 모든 나라에 적용 가능한 주행 기능은 범용적인 지능으로 구현하는 것입니다. 이후 국가별 차이가 있는 주행 방식은 개별적으로 재학습 과정을 통해 맞춤화합니다. 교통신호, 주행 우선순위, 표지판 등이 이에 해당합니다.

글 l 이승훈 책임연구원(shlee@lgeri.com) l LG경제연구원

  1. A. Santoro, et al,, A simple neural network module for relational reasoning, 2017. 6 [본문으로]
  2. O. Vinyals, et al., Matching networks for one shot learning. Advances in Neural Information Processing Systems, 2016, G. Koch, Siamese neural networks for one-shot image recognition. Diss. University of Toronto, 2015, L. Bertinetto, et al., “Learning feed-forward one-shot learners.” Advances in Neural Information Processing Systems. 2016 [본문으로]

챗봇과 대화를 할 수 있어요