.svg)
AI 솔루션 문의하기
자율주행 인공지능이 안전하게 주행하려면 다른 차량이나 보행자를 인식하는 것 못지않게 지금 달리고 있는 길 자체가 어떤 특성을 지녔는지를 정확히 이해해야 합니다. 차선의 형태와 교통 표지판의 의미 그리고 도로의 경사와 노면 상태까지 포함하는 도로환경 데이터는 눈에 보이는 사물을 인식하는 수준을 넘어 그 길이 자동차에게 무엇을 요구하는지를 함께 읽어내야 하는 훨씬 복합적인 정보를 담고 있습니다. 사람 운전자가 오랜 경험을 통해 자연스럽게 체득하는 이러한 도로의 맥락을 인공지능은 방대한 데이터를 통해 하나씩 학습해 나가야 합니다.
이러한 특성 때문에 자율주행 도로환경 데이터 구축은 도로 위에 무엇이 있는지를 나열하는 수준을 넘어 그 요소들이 서로 어떤 규칙으로 얽혀 있는지를 함께 담아내는 방향으로 이루어져야 합니다.
이 네 가지 요소는 서로 독립적으로 존재하기보다 하나의 지점에서 동시에 얽혀 나타나는 경우가 많아 각 요소를 개별적으로 인식하는 것에 그치지 않고 이들이 함께 만들어내는 전체적인 상황을 종합적으로 판단할 수 있는 데이터 구성이 필요합니다.
같은 교차로라 하더라도 맑은 낮과 비 오는 밤에는 차선의 반사율과 표지판의 가독성이 크게 달라지기 때문에 도로환경 데이터는 다양한 날씨와 시간대에 걸쳐 동일한 지점을 반복적으로 촬영해 그 변화를 함께 담아내야 합니다. 낮 동안 선명하게 보이던 차선이 야간에는 가로등 불빛에 왜곡되어 보이거나 빗물에 반사되어 흐릿해지는 경우가 많아 이러한 조건별 차이를 반영하지 않으면 특정 시간대나 날씨에서만 정확하게 작동하는 제한적인 인식 성능에 머무를 수 있습니다.
오랜 시간이 지나며 흐려지거나 공사로 인해 일시적으로 지워진 차선 그리고 낡아서 알아보기 어려운 표지판은 실제 도로에서 드물지 않게 마주치는 상황이지만 이러한 불완전한 표시는 학습데이터를 구성할 때 자칫 예외적인 사례로 취급되어 충분히 반영되지 못할 위험이 있습니다. 완벽하게 정비된 도로만을 기준으로 학습된 인공지능은 실제 주행 환경에서 마주치는 이러한 불완전함 앞에서 오히려 판단에 혼선을 겪을 수 있어 훼손된 상태의 도로 표시까지 폭넓게 수집하는 작업이 중요하게 다루어집니다.
같은 나라 안에서도 지역에 따라 도로의 형태나 운영 방식에 미묘한 차이가 있어 이러한 지역적 다양성을 데이터에 반영하는 작업이 필요합니다.
이러한 지역적 차이를 반영하지 않은 채 특정 지역에서만 수집된 데이터로 학습하면 다른 지역으로 이동했을 때 낯선 도로 환경 앞에서 인식 성능이 떨어지는 문제가 발생할 수 있습니다.
단순히 표지판이 있다는 사실을 인식하는 것뿐만 아니라 여러 표지판이 동시에 존재할 때 어떤 지시가 우선하는지 그리고 임시로 설치된 표지판이 기존의 영구적인 표지판보다 우선하는 상황처럼 표지 사이의 위계까지 데이터에 반영되어야 실제 도로에서 벌어지는 복잡한 상황에 대응할 수 있습니다. 공사 구간에서 임시 표지판이 기존 차선 표시와 다른 지시를 내리는 경우처럼 상충하는 정보 사이에서 올바른 우선순위를 판단하는 능력은 표지판 하나하나를 개별적으로 학습하는 것만으로는 얻기 어렵습니다.
도로는 한 번 구축되고 끝나는 대상을 넘어 공사와 재정비를 통해 계속 변화하는 대상이기 때문에 한 시점에 수집된 도로환경 데이터는 시간이 지나면서 실제 상황과 어긋나게 될 위험을 항상 안고 있습니다. 이 때문에 도로환경 데이터는 한 번의 구축으로 완성되기보다 변화하는 도로 상황을 지속적으로 반영하며 갱신해 나가는 순환적인 관리 체계를 함께 갖추어야 합니다.
도로는 말없이도 많은 것을 이야기합니다. 흐려진 차선 하나, 낡은 표지판 하나에도 그 길을 오래 지나다닌 사람만이 알아차리는 사정이 담겨 있습니다. 자율주행 인공지능이 진정으로 안전해지는 순간은, 결국 그 도로가 조용히 건네는 말을 놓치지 않고 알아듣게 되었을 때일 것입니다.
.svg)
.svg)
