자율 주행 차량

자율주행차(AV)는 흔히 자율주행 자동차로 불리며, 주변 환경을 감지하고 인간의 개입 없이 작동할 수 있는 지능형 교통 시스템입니다. 이 시스템은 정교한 하드웨어와 첨단 소프트웨어 알고리즘을 결합해 복잡한 주변 환경을 해석함으로써 자동차 혁신 분야의 인공지능 정점을 보여줍니다. 자율주행차 기술의 주요 목표는 인적 오류로 인한 사고를 최소화하여 도로 안전성을 높이는 동시에 교통 효율성을 최적화하고 운전 능력이 없는 이들에게 이동성을 제공하는 것입니다. 핵심적으로 이 차량들은 자극을 인지하고 정보를 처리하며 순간적인 운전 결정을 내리기 위해 인공지능(AI) 에 의존합니다.

인식 및 센서 기술

자율주행 차량이 안전하게 주행하려면 주변 환경에 대한 포괄적인 이해를 갖추어야 합니다. 이는 다양한 센서에서 수집된 데이터를 통합하는 인식 계층을 통해 달성됩니다.

• 컴퓨터 비전(CV): 카메라는 인간의 시력을 모방하는 주요 시각 센서 역할을 합니다. 알고리즘은 영상 데이터를 처리하여 차선 표시, 신호등, 표지판을 인식합니다.
• LiDAR 기술: 광검출 및 거리측정(LiDAR)은 레이저 펄스를 사용하여 환경의 정밀하고 고해상도 3D 지도를 생성하며, 이는 깊이 인지에 필수적입니다.
• 물체 탐지: 딥러닝 모델은 동적 장애물을 식별하고 위치를 파악합니다. 보행자 및 다른 차량을 낮은 지연 시간으로 감지하기 위해서는 YOLO26과 같은 고속 모델이 핵심적입니다.
• 센서 융합: 어떤 단일 센서도 모든 조건에서 완벽하지 않습니다(예: 안개 속 카메라). 융합 알고리즘은 카메라, 레이더, 라이다의 데이터를 결합하여 견고한 환경 모델을 형성합니다.
• 의미적 분할: 이 기술은 이미지 내 모든 픽셀을 분류하여 차량이 주행 가능한 도로 표면, 보도, 식생을 구분할 수 있도록 돕습니다.

자율성의 수준

자율 주행 시스템의 성능은 SAE J3016 운전 자동화 등급에 따라 분류되며, 이는 컴퓨터 제어와 인간 개입의 범위를 정의한다.

• 첨단 운전자 보조 시스템(ADAS): 레벨 1과 2를 포함하는 이 시스템은 조향 또는 가속(예: 적응형 크루즈 컨트롤)을 보조하지만 운전자가 계속 주의를 기울여야 합니다.
• 조건부 자동화: 레벨 3에서는 고속도로 정체와 같은 특정 조건에서 대부분의 주행 작업을 처리할 수 있지만, 경고 시 운전자가 즉시 제어권을 넘겨받을 준비가 되어 있어야 합니다.
• 고도 및 완전 자동화: 레벨 4와 5는 인간의 개입 없이 운행 가능한 차량을 의미합니다. 레벨 4는 지정된 구역(지오펜스) 내에서만 제한적으로 작동하는 반면, 레벨 5는 모든 도로에서 완전한 자율 주행을 목표로 하며, 이를 위해 강력한 에지 AI 하드웨어가 필요한 경우가 많습니다.

실제 AI 애플리케이션

자율주행차 기술은 현재 다양한 분야에 걸쳐 도입되고 있으며, 현실 세계의 복잡성을 처리하기 위해 막대한 기계 학습(ML) 연산에 의존하고 있다.

1. 로봇택시: 웨이모(Waymo )와 같은 기업들은 도시 환경에서 승객을 수송하기 위해 완전 자율주행 차량 군단을 활용합니다. 이 차량들은 예측 모델링을 통해 복잡한 도시 환경에서 보행자와 다른 운전자의 행동을 예측합니다.
2. 자율주행 트럭: 예측 가능한 고속도로 노선에서 자동화로 장거리 물류가 혜택을 얻습니다. 오로라와 같은 혁신 기업들은 장거리 인지 기술을 활용해 연비와 안전성을 향상시키는 자율주행 트럭을 개발합니다.
3. 최종 배송: 소형 자율주행 로봇이 물체 추적 기술을 활용해 보도를 주행하며 소포를 배달함으로써 물류 비용과 탄소 배출량을 절감합니다.

관련 개념 구분하기

자율주행 차량을 로봇공학 및 자동차 분야의 관련 용어와 구분하는 것이 중요하다.

• 자율주행차 대 로봇공학: 자율주행차는 기술적으로 이동 로봇이지만, 로봇공학 분야는 고정식 산업용 암과 휴머노이드 보조 로봇까지 포괄하는 더 넓은 영역입니다. 자율주행차는 특히 운송 논리에 특화되어 있습니다.
• Vs. 연결 차량(V2X): 연결 차량은 서로(V2V) 및 인프라(V2I)와 통신하여 속도 및 위치와 같은 데이터를 공유합니다. 차량은 자율주행이 아니더라도 연결될 수 있지만, 연결성은 종종 자율주행차의 안전성을 향상시킵니다.
• Vs. 원격 조종: 원격 조종은 사람이 차량을 원격으로 운전하는 것을 의미합니다. 반면 진정한 자율주행차는 차량 내 신경망을 활용해 현지에서 의사결정을 내립니다.

YOLO26을 이용한 인식 구현

자율 시스템의 핵심 구성 요소는 시간에 따른 track 능력입니다. 다음 예시는 Ultralytics 플랫폼 호환되는 ultralytics 비디오에서 객체 추적을 수행하는 라이브러리로, 차량의 인지 시스템을 시뮬레이션합니다.

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