.svg)
AI 솔루션 문의하기
자율주행 학습에서 가장 중요한 데이터 가운데 하나는 사고로 이어질 뻔한 순간의 상황입니다. 갑자기 도로로 뛰어드는 보행자나 급정거하는 앞차처럼 실제 사고 직전의 상황은 도로 위에서 의도적으로 재현할 수 없는 장면입니다. 이런 상황을 실제 주행으로 수집하려는 시도만으로도 새로운 사고를 만들어낼 위험을 안고 있어 자율주행 데이터는 처음부터 실제 수집만으로는 채울 수 없는 공백을 안고 시작합니다. 이 공백을 메우는 역할을 시뮬레이션에서 만들어낸 합성 데이터가 맡게 됩니다.
합성 데이터 파이프라인은 가상의 도로 환경 안에 보행자 차량 장애물의 움직임을 원하는 대로 배치해 위험한 상황을 안전하게 재현합니다. 실제 도로에서는 한 번 일어나기도 어려운 상황을 시뮬레이션에서는 조건을 바꿔가며 수백 수천 번 반복해서 만들어낼 수 있어 자율주행 인공지능이 이러한 상황에 반응하는 방식을 충분히 학습할 기회를 제공합니다. 이는 실제 도로 주행을 통해서만 데이터를 쌓던 기존 방식과는 데이터를 얻는 경로가 근본적으로 다른 접근입니다.
시뮬레이션에서 아무리 정밀하게 도로 환경을 재현해도 실제 도로의 질감이나 빛의 반사 그리고 센서가 감지하는 미세한 잡음까지 완벽히 똑같이 만들기는 어렵습니다. 이 차이를 좁히지 않으면 시뮬레이션에서는 잘 작동하던 인식 능력이 실제 도로에서는 떨어지는 결과로 이어질 수 있습니다. 실제 주행에서 수집한 소량의 데이터를 합성 데이터와 함께 섞어 학습시키거나 시뮬레이션 결과물을 실제 영상에 가깝게 다시 다듬는 과정을 거친다면 이러한 차이를 줄이는 데 도움이 될 수 있습니다. 두 데이터를 섞는 비율은 차량 종류나 주행 환경에 따라 다르게 조정될 수 있습니다.
실제 주행 데이터만으로는 폭설이나 짙은 안개처럼 자주 발생하지 않는 기상 조건에서의 데이터를 충분히 모으기 어렵습니다. 시뮬레이션 환경에서는 같은 도로와 같은 상황을 그대로 둔 채 날씨와 조명 조건만 바꿔가며 다양한 데이터를 만들어낼 수 있어 실제로는 드물게 마주치는 조건에서도 인공지능이 충분한 학습량을 확보할 수 있는 여지를 만들어줍니다. 계절이나 지역에 따라 특히 자주 마주치는 기상 조건이 있다면 이를 우선적으로 반영해 데이터를 구성하는 방식도 고려할 수 있습니다.
도로 표지판의 모양이나 신호 체계 그리고 차선 규칙은 나라마다 다릅니다. 새로운 지역에 자율주행 서비스를 도입하려면 그 지역의 도로 환경에 맞춘 학습이 필요한데 실제 도로에서 데이터를 쌓기 전에 시뮬레이션으로 해당 지역의 표지판과 신호 체계를 먼저 재현해 학습시킬 수 있습니다. 이렇게 하면 실제 주행을 시작하기 전부터 그 지역 특유의 도로 환경에 어느 정도 대응할 수 있는 상태를 갖출 수 있습니다. 표지판 디자인이 개정되거나 신호 체계가 바뀌는 경우에도 시뮬레이션 환경을 먼저 갱신해 대응할 수 있습니다.
자율주행 개발에 합성 데이터 파이프라인을 도입하려 한다면 먼저 실제 데이터로는 확보하기 어려운 시나리오 목록부터 정리하는 편이 좋습니다. 시뮬레이션 결과물과 실제 도로 데이터를 함께 활용하는 비율 그리고 두 데이터 간의 차이를 검증하는 절차도 함께 설계해야 합니다. 지역별 도로 환경을 반영한 시뮬레이션을 구성하려면 그 지역의 표지판과 신호 체계에 대한 정확한 정보를 먼저 확보해야 합니다.
합성 데이터가 아무리 다양한 상황을 만들어내도 실제 도로에는 시뮬레이션이 예상하지 못한 변수가 항상 존재합니다. 도로 공사로 인한 임시 차선 변경이나 지역 주민만 아는 관행적인 통행 방식처럼 문서화되지 않은 현실의 조각들은 시뮬레이션 설계 단계에서 미처 반영되지 않는 경우가 많습니다. 그래서 합성 데이터로 채운 학습 이후에도 실제 도로에서의 제한적인 시범 주행을 거쳐 시뮬레이션이 놓친 부분을 다시 데이터로 수집하고 보완하는 순환 과정이 함께 이어져야 합니다.
.svg)
.svg)
