엔비디아는 엔비디아 드라이브 랩(NVIDIA DRIVE Labs) 비디오 시리즈를 통해 자율주행 소프트웨어의 개발원리를 소개했다.
 
엔비디아는 1년 동안 20개의 에피소드를 통해 360도 인지(perception)에서부터 판옵틱 세그멘테이션(panoptic segmentation), 미래상황 예측에 이르기까지 다양한 주제를 심층 분석했다. 자율주행차는 우리 시대가 맞이한 가장 큰 컴퓨팅 도전과제 중 하나이며, 드라이브 랩 비디오 시리즈에서는 소프트웨어 개발의 구성요소를 한번에 하나씩 다루고 있다.

  
드라이브 랩(https://www.nvidia.com/en-us/self-driving-cars/drive-labs/)은 정보와 교육 제공을 목표로 한다. 이는 자율주행이라는 혁신기술에 입문한 사람, 수 십년 동안 이 분야에서 일해온 사람 등 모두에게 엔비디아가 가장 중요하다고 판단하는 과제와 안전성과 효율성이 높은 운송을 위한 접근법을 보여주는 창구 역할을 하고 있다.

자율주행차 인지부문 담당하는 심층 신경망 자세히 소개

자율주행차는 경로를 계획하고 주행결정을 내리기에 앞서 차량 주변의 모든 환경을 보고 이해할 수 있어야 한다. 드라이브 랩에서는 자율주행차의 인지부문을 담당하는 심층 신경망(Deep Neural Network, 이하 DNN)의 다양한 측면을 자세히 설명한다. 엔비디아의 접근법은 중복적(redundant)이며, 다양한 DNN에 기반하며, DNN 모델들은 교차로 감지, 교통신호등과 교통표지판 감지, 교차로 구조 이해와 같은 다양한 기능을 다루고 있다. 또한, 이 모델은 주차공간 인지, 센서의 장애 여부 감지 등의 다양한 과제에도 활용된다.



DNN은 보행자와 교통신호 주변에 경계상자(bounding boxes)를 그리는 것 이상의 일을 해낸다. 이미지를 픽셀 단위로 분석해 시각의 정확도를 향상시키고, 더욱 정확한 포지셔닝 정보를 얻기 위해 이 픽셀을 시간을 두고 추적한다.

야간주행의 경우 오토하이빔넷(AutoHighBeamNet)이 자율주행차 전조등을 제어하고, 액티브러닝 접근법으로 어두운 곳에서 보행자 감지기능을 향상시킨다. 또한 DNN은 정확한 모션 플래닝을 위해 2D 카메라 이미지를 통해 3D 거리를 추정해낼 수 있다. 엔비디아의 여러 인지기능은 자동차 주변에서 작동한다. 서라운드 카메라 물체 추적기능(surround camera object tracking)과 서라운드 카메라 레이더 퓨전(surround camera-radar fusion)을 장착하면 인지 사각지대가 확실하게 사라진다.

충돌방지 소프트웨어, 위험해 보이는 모든 행동 방지

자율주행차는 환경 인식뿐 아니라, 도로 위 다른 행위자들이 어떻게 행동하는지 이해할 수 있어야 안전한 경로 확보를 위한 계획을 세울 수 있다. 드라이브 랩에서는 자율주행차가  순환신경망(recurrent neural 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 제어기능을 재차 체크하면서 위험해 보이는 모든 행동을 방지한다.

이러한 DNN과 소프트웨어 요소들은 자율주행차의 개발의 일부에 불과하다. 이런 획기적인 도전과제에는 데이터센터와 자동차 자체에 대한 엄격한 훈련과 테스트가 필요하다. 끊임없이 변화하는 운송환경 속에서 자동차 소프트웨어도 변화에 적응해야 한다.

드라이브 랩 에피소드에서는 앞으로도 다양한 주제를 살펴볼 계획이며, 자율주행차 소프트웨어 개발을 지속적으로 진행하면서 얻게 노하우를 지속적으로 공유할 예정이다. 모든 엔비디아의 드라이브 랩 비디오 시리즈는 해당 링크에서 확인할 수 있다.