[이학무의 테크리딩] 인공지능과 자율주행 자동차

‘4차산업 혁명의 꽃’으로 여겨지던 자율주행 자동차 도입 시기가 점점 멀어지고 있는 분위기다. 하지만 이는 대중의 과도한 기대와 실망일 뿐이지 기술적인 한계를 확인한 것은 아니다. 알파고 이후 딥러닝 기반의 인공지능이 빠르게 발달하고 여러 분야에서 결과를 확인시켜주니 인공지능의 핵심적인 사용처로 생각되는 자율주행차 시대도 빠르게 올 것이라고 기대하는 것은 당연한 것이다. 하지만 인공지능의 성능은 신뢰할 수 있는 빅 데이터의 확보 여부에 달려있다는 것을 상기해야 한다. 모든 것을 다 잘할 수 있는 인공지능은 아직 개발하기 어렵다. 그러나 ‘자율주행차’에 적용할 운전을 잘하는 인공지능은 필요한 데이터만 확보하면 충분히 개발할 수 있을 것이다.

그렇다면 자율주행차를 위한 인공지능은 어떤 데이터로 학습을 시켜야 할까? 당연히 주행 판단 데이터가 필요하다. 예를 들어서 차선 변경의 경우를 보자. 차선 변경할 때 감안해야 할 변수는 ‘들어가려고 하는 차선에서 들어갈 수 있는 공간의 크기’, ‘들어가려는 차선의 앞 뒤차의 속도와 거리’, ‘현재 차선의 앞 뒤차의 속도와 거리’ 그리고 ‘내 차의 속도’ 등이 차선을 바꾸는 판단의 주요한 변수이다. 각 변수들에 대해서 성공적으로 차선을 바꾼 경우의 조건과 그렇지 못할 때의 조건의 데이터를 확보하면 이를 기반으로 인공지능을 학습 시킬 수 있다.

앞서 말한 것처럼 운전에 있어 중요 변수인 '거리' 데이터를 정확하게 구하는 것은 필수다. 현재 개발된 센서 중에서 거리를 가장 정확하게 측정해주는 센서는 ‘라이다(Lidar)’이다. 레이저를 발사해서 돌아오는 시간을 측정해서 각각 사물들의 거리를 측정을 한다. Lidar는 거리를 정확하게 측정할 수 있는 센서이긴

하지만 그 물체가 자동차인지 주변 장애물인지 등을 전혀 분간하지 못하고 비싸다는 단점이 있다. 따라서 Lidar에서 생성된 데이터는 사람이 개입해서 정리해주는 것이 필요하고 이 역시 높은 비용 발생 요인이 된다. Lidar가 고가이기 때문에 이를 장착한 차량이 데이터를 만들게 되는 시기도 시간이 많이 필요한데 생성된 데이터도 사람의 개입이 필요하다는 것은 또 그만큼 추가적인 시간과 비용이 요구된다는 것이고 이는 결국 자율주행차 도입이 그만큼 멀어진다는 것을 의미한다.

따라서 Lidar가 자율주행차에 적용될 주요한 센서이긴 하지만 이를 기반으로 데이터를 생성하고 그 데이터로 인공지능을 학습 시키기는 쉽지 않다고 판단된다.

그렇다고 자율주행차 도입에 대해서 포기할 필요는 없다. 카메라를 이용해서도 거리 측정이 가능하기 때문이다. Lidar가 더 정확한 거리를 측정할 수 있지만 카메라도 다수의 카메라와 높은 컴퓨팅 능력을 결합하면 충분히 거리를 측정할 수가 있다. 그리고 카메라를 활용하면 바로 비전인식을 통해서 자동차인지 장애물인지 등을 쉽게 분간해 낼 수 있다. 즉, 자율주행을 위한 인공지능을 학습시킬 데이터가 자동으로 생성될 수 있다는 것이다.

또 하나 좋은 점은 이미 이런 기술이 적용되어 판매된 차량들이 있어서 지금도 데이터를 생성하고 취합하고 있다는 것이다. 점점 더 많은 차량이 빠른 속도로 팔려나갈 것이고 기하급수적으로 데이터가 모아지면 자율주행 성능 역시 이에 준하는 속도로 개선될 수 있을 것으로 기대할 수 있다. 알파고가 증명했던 것처럼 딥러닝 기반의 인공지능은 적합한 데이터만 있다면 빠른 속도로 인간을 뛰어 넘을 수 있다는 것을 떠올릴 필요가 있다.

이학무 미래에셋증권 통신서비스 애널리스트 leehakmoo@gmail.com

※ 외부필자의 원고는 IT조선의 편집방향과 일치하지 않을 수 있습니다.

이학무 미래에셋증권 애널리스트는 반도체, 핸드폰, 디스플레이 등 IT 산업뿐아니라 전기차, 배터리 및 신재생에너지 산업까지 다수의 성장산업을 분석한 신성장 산업 분석 전문가다. 공학을 전공하고 비즈니스를 20년간 분석한 경험을 바탕으로 세상을 이끄는(lead) 기술 읽기(read)를 제공한다.