네이버가 요즘 집중하는 자율주행차 기술은?

네이버가 연내 복잡한 도심환경에서도 주행이 가능한 레벨4까지 자율주행기술을 끌어올리는 계획을 세운 가운데, 차선변경을 위한 학습알고리즘을 공개해 개발자들의 이목을 집중시켰다.

네이버랩스 정성균 연구원은 16일 삼성동 코엑스 그랜드 볼룸에서 진행된 개발자 컨퍼런스 ‘데뷰 2017’에서 ‘자율주행과 기계학습’이란 주제로 강연을 했다.

네이버랩스에 따르면 자율주행차는 ‘측위’, ‘인지’, ‘제어’를 담당하는 센서들과 소프트웨어로 구성된다. 내가 어딘지 알아내고(측위), 주변을 파악해(인지), 차량을 움직이는(제어) 기술이 자율주행차를 위해 사용되는 것이다.

수년 간 기계학습(딥러닝)의 기술적 발전은 인지 알고리즘의 성능을 비약적으로 발전시켰는데, 최근 자율주행 연구는 인지와 제어를 동시에 학습하는 형태로 진화되고 있다.

이 같은 학습은 영상 입력을 통한 방법뿐 아니라, 주행기록 등을 기계학습 틀에 넘겨줌으로써 인지와 제어를 동시에 이뤄지도록 한다.

레이다 센서를 이용해 앞차의 속도, 앞차와의 거리 등을 제어하는 자율주행차량은 인식 결과를 주행(제어)에 필요한 정보로 직접 변환하는 방식으로 이뤄진다. 다만 방향과 차선 내 편차, 차간 거리 등을 모두 알아야 하기 때문에 현실에서 모든 정보를 계측하기 어렵다는 한계를 지닌다.

아울러 게임 시뮬레이터를 통해 학습 데이터를 생성하는 방법도 있는데, 이는 간략한 형태로 전방의 도로 상황을 효율적으로 묘사해 인간이 해석 가능한 중간 결과물을 생성하는 장점이 있다. 하지만 실제 환경에서의 학습 데이터를 취득하기 어려워 낮은 정확도가 걸림돌이다.

이 밖에 제너릭 드라이빙 모델은 블랙박스 영상을 활용해 다양한 운전자의 주행 기록과 여러 도로 상황에 대한 데이터를 확보함으로써 효율적인 자율주행차 운행을 돕는다. 이 모델은 N그램 언어 모델에서 착안, 주어진 히스토리를 이용해 다음에 나올 단어가 나타날 확률을 통계적으로 계산한다.

예를 들어 ‘S.T.U.D.E.N.X'라고 했을 때, 마지막 X에 들어갈 단어가 'T'라는 것이 예측되는 것과 같은 방식이다. 이처럼 자율주행에서 과거의 주행기록과 블랙박스 영상을 이용해 다음 움직임을 예측하는 것이다.

지금까지 자율주행차 연구들은 특수한 차량 플랫폼이 필요하고, 단일 차량 데이터만 활용된다는 한계를 지녔다. 이에 성능의 아쉬움이 지적됐다.

정성균 연구원에 따르면 네이버랩스는 자율주행차 기술 연구에 있어 다양한 연구를 진행하고 있지만, 한가지 문제를 깊게 파려는 노력도 함께 기울이고 있다. 도심주행에서 반드시 필요한 차선 변경에 집중하는 것.

운전자 보조시스템으로 후방 추돌 경보시스템 등이 개발됐지만 이는 유지관리비용이 높고, 사회적 비용이 발생한다는 단점이 있다.

이에 네이버랩스는 저렴하고, 정확하면서도 빠른 알고리즘이 필요하다는 생각이다.

정성균 연구원은 강연에서 “차선변경은 목표지점까지 이동하기 위한 빈번하게 활용되는 필수적인 주행기술이지만, 동시에 사고위험이 높아 구현하기 까다로운 기술”이라면서 “네이버랩스의 자율주행연구팀은 보다 안전한 차선변경 기능을 구현하기 위해 영상에서 얻은 이미지 기반의 차선변경 학습알고리즘을 연구 중”이라고 설명했다.

회사는 자사의 자율주행차 후방에 2대의 카메라를 내장, 딥러닝을 시키기 위한 데이터 셋을 직접 만들어 입력시키고 있다. 이 카메라는 사이드 미러 역할을 한다.

네이버랩스는 5만 장의 좌우 측후방 이미지를 취득했는데, 하나의 이미지를 좌우반전 시켜 학습 시키는 방식으로 학습 데이터 양을 두 배로 증가시키는 방법을 활용했다.

또 카메라로 옆 차선의 빈공간을 인지할 것인지, 아니면 차량을 인지할 것인지 등 다양한 방법을 실험해 정확도를 점검하기도 했다.

다만 정 연구원은 “차선폭이 좁아지거나, 다른 도심에 들어갔을 때, 또 빠르게 다가오는 차량이 있을 때 대응이 어렵다는 것이 앞으로 풀어야할 과제”라고 언급했다.

한편 네이버의 기술 전문 자회사인 네이버랩스는 미국자동차공학회 자율주행 기준 레벨3 기술 수준을 올해 말까지 복잡한 도심환경에서도 주행이 가능한 레벨4까지 끌어올릴 방침이다. 이를 위해 도심 내 GPS가 잡히지 않는 지역에서도 자율주행이 가능토록 차선 기반 자기 위치 인식 연구를 강화하고 있다.