자율주행은 새로운 개념은 아니다.
1918년 Oakland Tribune Newspaper의 실린 "Motor Car of the Future"에서는 "The new car will be [...] controlled entirely by a set of push buttons."라고 자율주행의 모습을 예견하기도 했다.

이제는 기술 허들을 극복하고, 진짜 자율주행의 잠재력이 보이고 있다. 자율주행을 이해하기 위해, 먼저 일반적인 AI의 관점에서 자율주행을 보아야 한다.

인공지능은 크게 세 가지로 분류된다.
Artificial Narrow Intelligence (ANI)
특정 문제 해결에 전문화된 AI, 인간이 할 수 있는 하나의 기능을 초월하는 인공지능을 말함. 약 AI(Weak AI, 인간을 돕는 도구로 설계, 구현된 AI)라고도 함
Aritificial General Intelligence (AGI)
모든 영역에서 인간 수준인 AI, 하나의 인간을 초월하는 인공지능. 강 AI(Strong AI, 인간의 지능을 완벽하게 모방한 AI)로 분류
Artificial Super Intelligence (ASI)
인류 전체의 지능을 초월하는 AI, 초인류. AGI와 마찬가지로 강 AI

하지만 해당 분류에 대해서는 아직 여러 논쟁이 있는 듯하다. 오히려 분류에 갇혀 인공지능 이해에 혼란을 준다는 의견도 있고..

AGI나 ASI는 아직 개발 중인 분야이며, 자율주행은 ANI로 분류된다. 알파고가 또다른 대표적 ANI의 예시. 근거리 미사일 추격 시스템?(Target system of close-range defense of approaching missiles)도 ANI라고 함.

자율주행의 5단계는 아래 그림과 같다.

자율주행 단계도 마찬가지로 여러 논쟁이 있는 것으로 보이나.. 아무튼 자율주행을 소개할 때 가장 먼저 거론되는 내용이다.

이미 OEM(완성차 기업)은 크루즈 컨트롤, 자동 주차 시스템 등 자율주행 Level 1의 기능을 대부분 도입했다.
지금은 Level 2: 테슬라의 Autopilot, 캐딜락의 Super Cruise, 벤츠의 Drive Pilot이 sweet spot라고 볼 수 있다.

Level 3부터는 Redundancy를 규정으로 지켜야 하기 떄문에 Redundancy가 핵심 역할을 하게 된다. 이에 더해 Level 3부터는 책임 소재에 문제가 생긴다!
이를 위해 차량에는 환경을 인지하기 위한 센서와 센서에서 수집한 정보를 올바르게 처리하기 위한 더 많은 Intelligence가 필요하다. 이 두 가지가 현재 차량 산업의 주요 도전임.

단계가 올라갈수록 현 기술의 위치는 불투명하다. 테슬라의 사례에서 볼 수 있듯 자율주행과 관련된 사고가 생기고 있다.
VDA(독일 차량 산업 협회)는 2025년에 Level 3에 도달할 것이라고 예상하고 있다.

자율주행이 현재 실현 가능한 한계에 다다랐다는 건 사실이다.
자율주행은 수많은 개발, 프로세스로 인한 비용 문제와 사회적 문제와 연관되어 있다. 이 미래를 준비하기 위해서는 끊임 없이 진화해야 할 것이다.

인공지능 단계 정리할 겸 자율주행 + 인공지능과 관련된 자료를 찾아 정리해보려는 의도였는데.. 이정도면 그냥 번역 아닌가 싶다.
물론 번역도 아님.. 번역이라기엔 다소 엉망진창인 면이 있기 때문이죠
읽으면서 꽤 흥미롭다고 생각해서 정리를 시작했는데 막상 정리하고 나니 아주 러프하게만 다뤄서 당연하게 느껴지는 얘기 같기도 하고..
근데 자율주행에서 알고리즘, NPU는 공부해도 전체를 아우르는 인공지능 관점에서 생각해 본 적이 없어서
인공지능과 결합해서 자율주행 개념을 정리하는 의미에서는 또 좋았다..

참고한 자료
Autonomous Driving - One step closer to artificail intelligence
인공지능(AI), [4IR-3.2] 4차 산업혁명 기술 이해-2
메리츠증권 김준성 텔레그램

Mobility Terminology

Ultrasonic

→ 초음파 센서

→ 일정한 간격으로 높은 주파수를 쏘아 주변을 감지하는 센서로, 20mm에서 10m사이의 가까운 거리의 물체를 감지하는 데 사용

OBU

→ On Board Unit

→ 차량 단말기

RBU

→ Road Side Units

→ 노변기지국

OTA

→ Over The Air

→ 새로운 소프트웨어, 펌웨어, 설정, 암호화 키 업데이트를 휴대전화, 셋톱박스 등의 장치에 무선으로 배포하기 위한 방식을 말한다.

→ 펌웨어의 경우, ROM, EPROM, flash memory 등 비휘발성 메모리에 탑재되어 있어서 생산 이후에는 변경이 불가능하다. 따라서 펌웨어의 버그나 새로운 기능을 추가하기 위해 반드시 필요한 물리적 연결의 불편함을 해결하기 위해 무선으로 배포하는 기술이 필요하다.

→ 하나의 중앙 제어소에서 모든 사용자에게 전송 가능하다. (사용자는 업데이트 거부 및 변조 불가능)

ASIL/ISO 26262

→ ASIL(자동차 안전 무결성 수준)은 자동차 시스템과 관련된 치명도를 표현하는 기준으로, 치명적인 위험의 노출, 제어 가능성, 심각도의 함수이다.

→ ASIL = f(E, C, S) (E: Exposure, C: Controliability, S: Severity)

→ ASIL 수준이 갖는 의미

• ISO 26262는 ASIL 수준에 따라 고장 상황에서도 설계자 및 시스템 엔지니어가 실현해야 하는 안전 요구사항을 정의하며, 시스템이 사용자(운전자, 승객, 도로 교통 이용자 등)의 안전에 대해 충분한 여유를 제공해야 한다.
• ASIL 수준은 특정 모듈에 결부되는 것이 아니라 특정 기능에 결부된다.
• ASIL 수준은 감지 가능성 향상 및 대응 조치 실행과 같이 동일한 기능을 수행하는 두 가지 개별적인 요소의 분리를 통해 낮출 수 있다.
• 구현된 방식 그대로 안전 핵심 기능의 추적 가능성을 입증할 수 있으려면 설계 사이클의 각 단계에서 적절한 증거를 유지해야 한다.
  

  

SAE

→ 국제자동차기술자협회

OEM, Tier 0.5,1,2,3

→ 자동차산업 밸류체인

SVM

→ Surround View Monitoring
→ E-mirror와 동일 개념

T-RVC

→ RVC : 후방 카메라

→ 원래 R-RVC라고 하나 R이 경쟁사 이름이라 우리는 T-RVC라고 함

모빌리티는 끝! 다음에는 반도체 산업 용어 정리가 될 예정이다.

원문 보기(클릭)

Deep Learning: A Technique of Machine Learning

전통 머신 러닝은 개발자가 컴퓨터에게 define된 data set을 주고 잘못된 결과가 나오면 알고리즘을 저장하는 형태였음
딥러닝은 머신 러닝의 subset으로 undefine된 data로 분석(parse)하여 트레이닝 중인 데이터에 대해 학습함
딥러닝은 개발자의 알고리즘 재조정이 필요 없는 대신 더 좋은 성능(performance)를 위해 큰 data set이 필요함

Delving Further into Deep Learning

large sets of data는 훈련되지 않은 Neural Network으로 계산되며, 과정 중에 각 레이어의 가중치(weight)를 조정하여 데이터의 중요한 지표(feature)를 인식함
무게(weight) 조정은 NN(Neural network)이 task를 처리하는 성능을 발전시키는 데 중요함
이 과정에 높은 computiational power가 필요

Difference between Training and Inference of Deep Learning Frameworks

추론(Inference)은 훈련(training)과 달리 결과에 의한 조정이나 재평가가 필요 없음
훈련된 neural netwrok model의 지식으로 추론 결과를 내는 것
모르는 데이터 세트가 훈련된 neural network model로 입력되면 해당 neural network의 정확도를 기반으로 예측을 내놓음
⇒ 추론은 훈련된 neural network model이 필요, 훈련 후에 추론이 이루어짐

Important aspects of Inference

딥러닝 시스템이 추론에 이용되지만, 추론의 중요한 측면이 딥러닝 시스템을 ideal하지 않게 만듬
딥러닝 시스템은 많은 양에 데이터를 다루고 neural network를 재평가하는 데 최적화되어 있고, 높은 성능의 컴퓨팅 성능을 요구함 = 많은 에너지와 cost 소모
추론은 data set이 더 적을 수는 있지만 많은 장치로 하이퍼스케일링 됨

parses 분석하다
computing: to examine computer data and change it into a form that can be easily read or understood :

delve into 깊이 파고들다 (digging 처럼 사용되는 듯)
to search, especially as if by digging, in order to find a thing or information:

hyperscale
분산된 컴퓨팅 환경을 수천 개의 서버로 확장할 수 있는 완전한 하드웨어 및 시설의 조합. 이름에서 알 수 있듯이 하이퍼스케일은 일반적으로 빅 데이터 또는 클라우드 컴퓨팅 용도로 컴퓨팅에서 이루어지는 대규모 확장에 관한 모든 것을 의미한다고 함.. (무슨 말인지 모르겠음)

첫 입사 후 모르는 용어가 너무! 너무 많아 노션 한 페이지에 모르는 용어를 쭉 정리한 적이 있다.

꾸준히 추가하려 했으나 지금은 못 하는 중..

그리하여 복기할 겸 여기에 옮겨 보려고 한다.

순서는 딱히 없음. 그때그때 모르는 단어를 순서대로 정리했기 때문입니다

그래서 노션에는 위처럼 색인으로 링크를 모아놨었는데 티스토리에는 그런 기능 없겠지..?

Mobility Terminology

ITS

: Intelligent Transport System
: 지능형교통시스템(ITS: Intelligent Transport System)은 도로와 차량 등의 하드웨어 중심의 기반시설에 통신, 전자, 제어, 컴퓨팅 기술 등의 소프트웨어 기술을 결합하여 차량 및 기반 교통시설이 상호보완적으로 작동하여, 안전하고 쾌적하고 효율적인 교통을 실현 가능하게 하는 교통네트워크와 정보통신네트워크 간의 통합시스템이다.

C-ITS

: 차량이 주행 중 운전자에게 주변 교통상황과 급정거, 낙하물 등의 사고 위험 정보를 실시간으로 제공하는 시스템
: 참고 자료 (클릭)

ToF

: Time of Flight
: ToF 모듈은 피사체를 향해 발사한 빛이 튕겨져 돌아오는 시간으로 거리를 계산, 사물의 입체감과 공간 정보, 움직임을 인식하는 3D 센싱 부품이다. 생체인증, 동작 인식은 물론 AR, 가상현실(VR) 등의 기능을 구현할 수 있어 차별화된 사용자 경험을 제공한다.

Ridar

: 레이더(Radio Detection and Ranging, Radar)는 전자기파를 이용하여 물체에 반사되어 돌아오는 신호를 수신하여 물체와의 거리를 측정하는 센서로, 200m 이상까지 탐지 가능한 장거리 레이더(Long-Range Radar, LRR)와 10m 정도까지 탐지하는 근거리 레이더(Short-Range Radar, SRR)로 구분된다.

LiDAR

: 라이다(Light Detection And Ranging, Lidar) 센서는 빛을 이용해 주변 물체 및 장애물 등을 감지하는 센서를 말하며, 평면적 정보만 획득하는 2D 스캔 라이다와 공간적 정보를 획득하는 3D 스캔 라이다로 구분된다. 레이더 대비 라이다의 강점은 정밀한 3D 거리 정보를 획득할 수 있는 3D 스캔 라이다 기술이며, 최근 차량용 라이다 기술 트렌드는 3D 스캔 라이다의 상용화를 위한 저가격화 및 소형화에 집중되고 있다.

HMI

: Human Machine Interface (사용자 인터페이스)
: 참고 자료 (클릭)

DSRC

: 단거리 전용 통신(Dedicat short-range communications) 또는 줄여서 DSRC는 주로 차량 통신에 사용할 수 있고 정해진 규약과 기준에 부합하는 단방향 또는 양방향의 단거리 무선 통신 채널이다.
: 지능형 교통체계(ITS)에서 사용

ADAS

: Advanced Driver Assistant System (첨단 운전자 보조 시스템)

아래는 ADAS 기술

ACC Adaptive Cruise Control (지능형순항제어)
→ ADAS는 교통 환경에 따라 속도를 조절할 수 있는 기능인 '적응형 크루즈 컨트롤(Adaptive Cruise Control, ACC)'을 핵심기술로 해 발전 중
LKS 차선유지보조시스템
UWS 전후방 감지
FRMS 전후방 모니터링 시스템
LDWS(LDW) 차선이탈경보시스템
APS 자동주차보조
LCDAS 차선변경지원시스템
DZWS 차내경고시스템
PCS 충돌예방안전
AFS 배광가변전조

FSD

: 테슬라 자율주행기술

MaaS

: Mobility as a Service
: 다양한 교통 서비스를 예약, 이용, 결제할 수 있도록 통합한 플랫폼 서비스

V2X (V2V, V2I, V2P, V2N)

: Vehicle to X
: V2X란 운전 중 다른 차량 및 도로 인프라 등과 통신하면서 보이지 않는 곳에서의 교통상황 정보를 수집하거나 공유하는 통신기술을 말한다. V2X에서 X는 모든 것(Everything)을 의미하며 차량(Vehicle), 인프라(Infrastructure), 보행자(Pedestrians), 네트워크(Network) 등이 해당된다.

V2V (Vehicle to Vehicle)
차량과 차량 간 통신기술이다. 이동 중이거나 정차 중인 차량 간 신호와 데이터를 송수신하여 일정 범위 내에 있는 자동차들이 각자의 위치와 속도 정보, 주변 교통상황 등을 교환하고 돌발상황을 대처할 수 있도록 한다. 즉, V2V 통신기술 이용 시 앞차와의 사고 등 운전하면서 발생할 수 있는 정보들을 뒤에 오는 차량에게 전달함으로써 연쇄 추돌을 방지할 수 있는 것이다.

V2I (Vehicle to Infrastructure)
차량과 도로 인프라 간 통신기술이다. 차량 내 설치된 단말기와 도로에 설치된 노변 기지국(RSE: Road Side Equipment)간 통신으로 차량으로부터 주행 정보를 수집하여, 중앙 서버에서 분석한 뒤, 교통상황 및 도로상황을 차량에게 제공하는데 사용된다. V2I를 통해 차량에서는 실시간 교통상황 및 돌발상황을 제공받을 수 있어 교통정체나 교통사고를 사전에 예방할 수 있다.

V2P (Vehicle to Pedestrian)
차량과 보행자 간 통신이다. 모바일 기기를 지닌 개인 혹은 보행자나 이륜차 탑승자와의 정보 교환을 의미하고, 특히 스마트폰이나 이어폰을 사용한르ㅏ 차량을 인지하지 못한 보행자, 사각지대를 달리고 있는 자전거 등과의 사고를 예방한다.

V2N (Vehicle to Network)
차량과 네트워크 간 통신이다. 네트워크를 통해 교통사고 상황, 도로 정체구간 등의 정보를 실시간으로 제공 받을 수 있어 운전자가 유연하게 대처할 수 있도록 한다.

변화 이유

1. 공간적 측면
   • 자율주행 개발과 함께 ECU 개수 점차 증가
   • 전체 자동차 제조원가 중 전장품 원가 및 유지보수 비중 20% → 38%, 향후 50% 넘을 전망
   • 자율주행 개발 위해서는 현재 + 측위모듈, V2X 통신모듈 등 추가 차량 탑재 필요
   • 자동차: 한정된 공간에서 더 넓은 실내공간 확보가 중요
     - 소나타 모델의 경우 발전하며 실내 공간 226mm 증가, 트렁크 용량 23.8% 증가
2. 시스템 설계 관점
   • ECU와 센서, Actuator와 Point-to-Point로 연결되면서 복잡도 증가 → CAN 도입 이후 일부 개선
   • ECU가 계속 증가하면서 복잡도 빠르게 증가
   • 도메인(Power, Chassis, Body 등)에 따라 네트워크를 구분하고, 다시 Local 네트워크 구성
3. 설계 관점
   • 와이어링 하네스
     • 배선량과 커넥터 사용 축소
     • 동일 등급 내 차종별로 공용화된 와이어링 적용을 위한 와이어링 플랫폼 설계
     • 와이어링 하네스 비용 증가에 따라 와이어링 하네스를 최적화해서 설계할 수 있도록 차량 내에서 ECU 위치를 선정하는 설계 방식 적용 필요
   • 전장품 하드웨어
     • 사용되고 있는 ECU 간의 통합
       - 2개의 저용량 MCU보다 1개의 고용량 MCU 사용이 설계 비용과 공간활용 측면에서 유리
     • 표준회로 적용으로 규모의 경제 실현

현황

• 기능이 증가하면서 더 많은 제어기가 사용되고 있고, ECU 간에 중복된 기능이 탑재되거나 불필요한 기능이 여전히 남아있는 등 전기전자 설계에 어려움을 겪고 있음
• 신 차종을 개발하면서 개발 기간을 단축시키고 재료비는 절감해야 하는 어려움이 있음
  → 차종별로 공용화된 시스템과 부품 사용 (비용 및 시간 절약)
• 시스템 레벨에서 차량 전체 최적화 달성 필요

지향점

• 단위 부품 레벨에서의 최적화가 아닌 시스템 레벨 최적화를 위한 설계를 할 것
• 시스템 구성에 사용된 전기전자요소가 재사용성과 확장성을 가질 것
• 필요 이유
  • 더이상의 ECU 추가가 경제적이지 않으며, OEM에서 시스템 관리하기에 복잡
  • ECU 통합 Architecture (Integration Architecture) 단계를 넘어 시스템에서 도메인 전체를 제어하는 중앙제어 아키텍처(Centralization Architecture)로 전환 필요

단계

1. Integrated (현재)
   - 각 ECU가 Module에 존재
2. Central Gateway (도입 중)
   - Central Gateway ↔ ECU
   - Domain 내의 ECU를 Central Gateway가 중개
3. Domain Control
   - Central Gateway ↔ DCU(Domain Controller) ↔ ECU
   - Central Gateway가 DCU 중개 (Domain Fusion 역할)
4. Zone Control
   - Zonal Computer ↔ DCU(Domain Controller) ↔ ECU

참고한 자료

- 자율주행자동차를 위한 차세대 E/E 아키텍처 설계 동향, 박지훈, 자동차부품연구원 (2016. 04)

- 기타 구글 검색 이미지