.svg)
AI 솔루션 문의하기
자율주행로봇은 다양한 환경에서 장애물을 피하고 경로를 판단하기 위해 수많은 주행 영상을 학습에 활용합니다. 다만 데이터를 무작정 많이 쌓는다고 해서 판단 능력이 그에 비례해 좋아지는 것은 아니며 비슷한 장면이 반복적으로 쌓이면 오히려 학습 효율이 떨어지고 정작 중요한 상황을 다루는 데이터의 비중이 낮아지는 문제가 생길 수 있습니다. 그렇기에 자율주행로봇의 비전 인공지능 학습에서는 데이터의 양을 늘리는 작업 못지않게 의미 있는 데이터를 선별하고 다듬는 최적화 작업이 중요하게 다루어지고 있습니다.
같은 복도를 반복해서 오가며 촬영된 영상은 서로 유사한 장면이 대부분을 차지하기 때문에 이러한 중복 데이터를 그대로 학습에 반영하면 실제로는 다양성이 부족한 상태임에도 데이터의 양만 늘어나는 결과로 이어질 수 있습니다. 이러한 착시를 피하기 위해서는 데이터의 양은 물론 그 안에 담긴 상황의 다양성을 함께 살펴보는 시각이 필요합니다.
촬영된 영상 가운데 서로 지나치게 유사한 장면을 찾아내어 대표성이 있는 일부만 학습에 반영하는 선별 작업은 데이터의 효율을 높이는 가장 중요한 절차 가운데 하나입니다. 이러한 선별이 이루어지지 않으면 학습에 투입되는 시간과 자원이 늘어나는 것에 비해 실제 성능 향상은 크지 않은 비효율적인 상황이 반복될 수 있습니다.
장면의 유사도를 판단하는 기준을 세울 때는 단순히 화면이 비슷해 보이는지를 넘어 로봇의 판단에 실질적으로 영향을 미치는 요소가 얼마나 겹치는지를 함께 고려해야 실질적인 선별 효과를 얻을 수 있습니다. 겉보기에는 비슷한 장면이라도 조명이나 장애물의 위치가 달라지면 학습에 서로 다른 의미를 지닐 수 있어 이러한 세부 요소까지 함께 살피는 정교한 접근이 요구됩니다.
일상적인 주행 상황은 데이터가 자연스럽게 많이 쌓이지만 갑자기 사람이 튀어나오거나 예상치 못한 장애물이 나타나는 상황은 상대적으로 드물게 기록됩니다. 이렇게 드물게 발생하는 상황일수록 로봇의 안전한 판단에 직결되는 경우가 많아 전체 데이터에서 차지하는 비중이 낮더라도 학습 과정에서 더 많은 가중치를 두어 반영하는 작업이 필요합니다. 단순히 발생 빈도에 비례해 데이터를 다루면 정작 중요한 예외 상황에 대한 대응력이 충분히 길러지지 않을 위험이 있습니다.
이러한 방식들을 함께 적용하면 실제 발생 빈도는 낮지만 안전과 직결되는 상황에 대한 학습이 충분히 이루어질 수 있어 데이터의 양과 무관하게 판단의 신뢰도를 높이는 데 도움이 됩니다.
실제 현장에서 수집한 주행 데이터만으로는 모든 상황을 폭넓게 다루기 어렵기 때문에 가상 환경에서 만들어진 데이터를 함께 활용하여 실제로는 마주치기 힘든 다양한 상황까지 학습에 포함시키는 방식이 최적화 과정에서 함께 고려되고 있습니다. 다만 가상 환경에서 만들어진 데이터는 실제 환경과 미묘한 차이를 지닐 수 있어 두 데이터의 비중을 적절히 조절하는 작업이 함께 필요합니다.
가상 데이터의 비중이 지나치게 높아지면 실제 환경에서의 미세한 차이에 로봇이 제대로 대응하지 못하는 상황이 발생할 수 있어 실제 데이터를 중심에 두고 가상 데이터로 부족한 부분을 채우는 방식이 안정적인 결과로 이어집니다.
자율주행로봇은 카메라 영상은 물론 거리 센서나 위치 정보처럼 여러 종류의 정보를 함께 활용하여 판단을 내립니다. 비전 데이터를 최적화할 때 카메라 정보만 따로 떼어 다루기보다 다른 센서에서 수집된 정보와 함께 맞추어 정리해야 실제 로봇이 판단을 내리는 방식과 가까운 형태로 학습이 이루어질 수 있습니다. 여러 센서의 정보가 서로 어긋난 상태로 학습에 반영되면 로봇이 실제 주행 중 판단에 혼선을 겪는 원인이 될 수 있습니다.
데이터를 선별하고 조정하는 작업이 실제로 효과가 있었는지는 최적화 이전과 이후의 학습 결과를 비교하는 검증을 통해 확인해야 하며 이러한 검증 없이는 최적화 작업의 방향이 옳았는지 판단하기 어렵습니다. 데이터의 양을 줄였음에도 판단 정확도가 유지되거나 오히려 향상되었는지를 확인하는 과정이 최적화 작업의 성패를 가늠하는 기준이 됩니다.
검증 결과 특정 상황에서 성능이 떨어진 것이 확인되면 해당 상황과 관련된 데이터를 다시 보완하는 방식으로 최적화 작업을 조정해 나가는 순환적인 접근이 이루어지고 있습니다.
로봇이 실제로 운영되는 현장에서 마주치는 새로운 상황은 데이터 구축 단계에서 미처 예상하지 못했던 경우가 많아 운영 이후 수집되는 데이터를 지속적으로 검토하고 최적화 작업에 반영하는 과정이 함께 이루어져야 합니다. 초기에 아무리 정교하게 구성된 데이터라 하더라도 시간이 지나면서 새로운 환경 변화가 나타나기 때문에 이러한 지속적인 개선 없이는 최적화 상태를 오래 유지하기 어렵습니다.
현장에서 수집된 사례 가운데 로봇이 판단에 어려움을 겪었던 상황을 우선적으로 검토하면 한정된 자원으로도 최적화의 효과를 효율적으로 높여나갈 수 있습니다.
자율주행로봇의 비전 인공지능이 안정적으로 판단을 내리기 위해서는 데이터를 무작정 늘리기보다 중복을 줄이고 드문 상황의 비중을 높이며 실제 데이터와 가상 데이터를 적절히 조합하는 정교한 최적화 작업이 뒷받침되어야 합니다. 여러 센서 정보를 함께 고려하고 반복적인 검증과 현장 사례 반영이 꾸준히 이어질 때 자율주행로봇은 한정된 데이터로도 다양한 상황에 안정적으로 대응하는 판단 능력을 갖추어 나갈 수 있습니다.
.svg)
.svg)
