Autonomous Vehicles

자율주행 자동차(AVs)는 흔히 무인 자동차라고도 불리며, 주변 환경을 감지하고 사람의 개입 없이 운행할 수 있는 지능형 교통 시스템입니다. 이러한 시스템은 정교한 하드웨어와 고급 소프트웨어 알고리즘을 결합하여 복잡한 주변 상황을 해석하는 AI in automotive 혁신의 정점을 보여줍니다. AV 기술의 주요 목적은 인적 오류로 인한 사고를 최소화하여 도로 안전을 향상시키는 동시에, 교통 효율성을 최적화하고 운전이 불가능한 사람들에게 이동성을 제공하는 것입니다. 이 자동차들은 핵심적으로 artificial intelligence (AI)에 의존하여 자극을 인식하고, 정보를 처리하며, 순간적인 주행 결정을 내립니다.

Link to this section인식 및 센서 기술#

자율주행 자동차가 안전하게 주행하려면 주변 환경을 종합적으로 이해해야 합니다. 이는 일련의 센서에서 데이터를 수집하는 인식 계층을 통해 달성됩니다.

• Computer Vision (CV): 카메라는 인간의 시각을 모방하는 주요 시각 센서 역할을 합니다. 알고리즘은 비디오 피드를 처리하여 차선 표시, 신호등 및 표지판을 인식합니다.
• LiDAR Technology: LiDAR(Light Detection and Ranging)는 레이저 펄스를 사용하여 환경의 정확하고 고해상도인 3D 지도를 생성하며, 이는 거리 인식에 필수적입니다.
• Object Detection: 딥러닝 모델은 동적 장애물을 식별하고 위치를 파악합니다. YOLO26과 같은 고속 모델은 보행자와 다른 차량을 저지연으로 감지하는 데 매우 중요합니다.
• Sensor Fusion: 모든 조건에서 완벽한 단일 센서는 존재하지 않습니다(예: 안개 속의 카메라). 융합 알고리즘은 카메라, 레이더, LiDAR의 데이터를 결합하여 강력한 환경 모델을 형성합니다.
• Semantic Segmentation: 이 기술은 이미지의 모든 픽셀을 분류하여 차량이 주행 가능한 도로 표면, 보도 및 식생을 구분하도록 돕습니다.

Link to this section자율주행 수준#

자율 시스템의 기능은 컴퓨터 제어와 인간 개입의 정도를 정의하는 SAE J3016 levels of driving automation에 의해 분류됩니다.

• Advanced Driver Assistance Systems (ADAS): 레벨 1과 2를 포함하는 이 시스템들은 조향이나 가속을 보조하지만(예: 어댑티브 크루즈 컨트롤), 운전자가 계속 주의를 기울여야 합니다.
• Conditional Automation: 레벨 3에서 차량은 고속도로 교통 체증과 같은 특정 조건에서 대부분의 주행 작업을 처리할 수 있지만, 인간은 알림이 울리면 즉시 제어권을 넘겨받을 준비가 되어 있어야 합니다.
• High And Full Automation: 레벨 4와 5는 인간의 입력 없이 운행할 수 있는 차량을 의미합니다. 레벨 4는 지오펜싱(geo-fenced) 구역으로 제한되는 반면, 레벨 5는 모든 도로에서의 완전한 자율주행을 목표로 하며, 종종 강력한 Edge AI 하드웨어가 필요합니다.

Link to this section실제 AI 응용 분야#

자율주행 자동차 기술은 현재 다양한 분야에 배치되고 있으며, 실제 환경의 복잡성을 처리하기 위해 대규모 machine learning (ML) 연산에 의존하고 있습니다.

1. Robotaxis: Waymo와 같은 기업들은 도심 환경에서 승객을 수송하기 위해 완전 자율주행 차량 플릿을 활용합니다. 이 차량들은 predictive modeling을 사용하여 복잡한 도시 환경에서 보행자와 다른 운전자들의 행동을 예측합니다.

2. Autonomous Trucking: 장거리 물류는 예측 가능한 고속도로 경로에서 자동화의 이점을 누립니다. Aurora와 같은 혁신 기업들은 장거리 인식 기술을 활용하여 연료 효율성과 안전성을 개선하는 자율주행 트럭을 개발합니다.

3. Last-Mile Delivery: 소형 자율주행 로봇은 object tracking을 사용하여 보도를 이동하며 물품을 배달하고, 물류 비용과 탄소 발자국을 줄입니다.

Link to this section관련 개념 구분#

로봇 공학 및 자동차 분야의 관련 용어와 자율주행 자동차를 구분하는 것이 중요합니다.

• Vs. Robotics: AV는 기술적으로 이동형 로봇이지만, 로봇 공학 분야는 고정형 산업용 로봇 팔과 휴머노이드 보조 기기를 포함하는 더 넓은 개념입니다. AV는 특히 운송 논리에 특화되어 있습니다.
• Vs. Connected Vehicles (V2X): 커넥티드 차량은 서로(V2V) 그리고 인프라(V2I)와 통신하여 속도와 위치 같은 데이터를 공유합니다. 차량이 자율주행이 아니더라도 연결될 수 있지만, 일반적으로 연결성은 AV의 안전성을 향상시킵니다.
• Vs. Teleoperation: 원격 조종(Teleoperation)은 사람이 원격으로 차량을 운전하는 것을 포함합니다. 반면, 진정한 AV는 온보드 neural networks to make decisions locally.에 의존합니다.

Link to this sectionYOLO26을 사용한 인식 구현#

모든 자율 시스템의 핵심 구성 요소는 시간이 지남에 따라 객체를 추적하는 능력입니다. 다음 예제는 Ultralytics Platform과 호환되는 ultralytics 라이브러리를 사용하여 비디오에서 객체 추적을 수행하고 차량의 인식 시스템을 시뮬레이션하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load the YOLO26 model, optimized for speed and accuracy
model = YOLO("yolo26n.pt")

# Track vehicles and pedestrians in a video stream
# This simulates the continuous perception required by an AV
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    show=True,
)

# Process results (e.g., counting objects or estimating speed)
for r in results:
    print(r.boxes.xywh)  # Print bounding box coordinates