Deep Learning과 자율 주행 기술

Machine Learning과 Deep Learning의 차이

 

딥 러닝 (Deep Learning)

컴퓨터가 인간처럼 생각할 수 있는 인공지능 AI를 구현하는 기술이다. 

머신 러닝 (Machine Learning)은 좁은 의미의 인공지능을 구현하는 구체적인 접근 방식이며 알고리즘을 이용해 데이터를 분석(analysis)하고 학습(Training)하며, 학습한 내용을 기반으로 판단이나 예측(predict)한다.

구체적인 판단 기준을 소프트웨어에 직접 코딩하는 것이 아니라, 대량의 데이터와 알고리즘을 통해 컴퓨터가 학습하는 것으로 메일함의 스팸메일을 자동으로 걸러주는 것과 같은 역할이다. 

하지만 머신 러닝은 인식률이 떨어지고 잦은 오류가 발생했는데 이를 해결하기 위한 기술이 바로 Deep Learning이다.

위 그림을 보면 이해가 쉽다.

 

Brain Neurous synapse

 

딥 러닝은 인공신경망에서 발전한 형태의 인공지능으로 뇌의 뉴런과 유사한 정보의 입출력 계층을 활용해서 데이터를 학습한다. 신경계 기본 단위인 뉴런은 주변으로부터 자극을 받아들이는 돌기가 여러 개 뻗어있으며, 이 자극들이 중심부의 핵으로 모여들어 처리되고, 그 결과물을 다른 하나의 돌기를 통해 다른 곳으로 전달되도록 구성되어 있다.

딥 러닝은 뉴런과 같이 여러 데이터를 입력받아 처리하고 하나의 결과를 판단한다.

'딥'은 시간이 지나면서 축적되는 신경망 층의 깊이를 의미하며 신경망의 깊이가 깊어질수록 성능이 향상된다.

 

자율 주행 기술

 

1. 시각 인식 지능의 적용

자율 주행의 기술의 가장 핵심은 사물 인식 기술이다. 전방 충돌 방지, 차선 이탈 방지, 차간 거리 조절 등 지능형 주행 및 자율 주행과 관련한 모든 기능은 주변 상황을 인식하는 것에서부터 시작한다. 인간은 시각 정보에 의해 운전하지만, 자율 주행 자동차는 카메라, 레이더, 초음파, 적외선 등 다양한 정보를 복합적으로 활용한다. 

 

2. 학습 지능의 적용

기존의 차량 주행 기능들은 상황들을 규칙으로 정의하고 모델링 한 후 소프트웨어로 구현하는 규칙기반 방식(Rule-based Approach)으로 구현되었다. 하지만, 규칙기반 방식은 산업별 전문 인력이 필요하고 상황마다 정교하게 규칙을 만들어야 되기 때문에 비효율적이다. 또한, 모든 상황을 예측하여 반영하는 것은 거의 불가능하고, 기후나 주행 규칙이 다른 국가 적용하기에 확장성(Scalability)이 떨어진다. 반면, 딥 러닝 기술을 적용하면 처음에는 초보운전자처럼 실수가 있지만, 많은 데이터를 확보해갈수록 스스로 학습하여 완성도 높은 자율 주행이 가능해진다.

자율 주행 기술은 고가의 센서와 자동차 산업의 전문성을 기반으로 하여 소수의 기업만이 구현할 수 있었다. 하지만, 규칙기반 방식이 아닌 컴퓨터 스스로 학습할 수 있는 딥 러닝 방식을 적용하며 높은 진입 장벽이 허물어지고 있다. 따라서 자율 주행 기술이 더욱 빠르게 발전하고 있으며, 강화 학습(Reinforcement Learning), 관계형 추론(Relational Networks), 지능 이식(Transferring Intelligence)과 같은 기술을 자율 주행에 접목시키기 위한 연구가 진행 중이다.

 

참고 문헌 1. 딥 러닝과 자율 주행 자동차

참고 문헌 2. 딥러닝 기반의 인공지능 자율 주행 기술 경쟁의 핵심을 바꾼다 (LG경제연구원, 이승훈)

참고 문헌 3. 인공지능과 머신 러닝, 딥 러닝의 차이를 알아보자 (8월 3일, 2016 by NVIDIA KOREA)