Artificial Neural Expert System based YOLO$_{Gen_1}$ detector for Autonomous Driving Problem

자동차를 운전하는 것은 운전자와 도로 사이의 끊임없고 찰나적인 대화를 필요로 합니다. 눈은 위험 요소를 살피고, 뇌는 깜빡이는 불빛이나 갑작스러운 정지의 의미를 처리하며, 손은 필요한 회전이나 제동을 실행합니다. 수십 년 동안 엔지니어들은 기계에게도 인간과 같은 능력을 부여하기 위해 노력해 왔으며, 인간의 도움 없이 보고 결정할 수 있는 시스템을 구축해 왔습니다. 세상은 예측 불가능하기 때문에 이 도전은 매우 거대합니다. 보행자가 연석에서 발을 내디딜 수도 있고, 교통 신호등이 고장 날 수도 있습니다. 이를 해결하기 위해 연구자들은 두 가지 주요 도구에 의존합니다. 바로 기계의 눈 역할을 하는 센서와 뇌 역할을 하는 소프트웨어입니다. 눈은 보통 카메라나 레이더를 사용하여 물체를 포착하며, 뇌는 복잡한 컴퓨터 프로그램을 사용하여 그 물체들이 무엇을 의미하는지, 그리고 다음에 무엇을 해야 하는지를 파악합니다. 목표는 실제 교통 상황의 무질서한 현실을 다루며 안전하고 효율적으로 주행할 수 있는 차량을 만드는 것입니다.

튀니스 엘 마나르 대학교(Tunis El Manar University)의 한 연구자가 더 날카로운 눈과 더 숙련된 뇌를 결합하여 이 시스템을 구축하는 새로운 방법을 제안했습니다. 그들은 자율 주행 시스템의 시각 센서 역할을 하는 YOLOGen1이라는 새로운 검출기를 도입했습니다. 작은 물체나 멀리 있는 물체에 종종 어려움을 겪었던 이전 버전들과 달리, 이 새로운 검출기는 탁월한 선명도로 도로를 볼 수 있도록 설계되었습니다. 이는 날씨의 영향을 받을 수 있는 레이더에 의존하는 대신, 협력하는 카메라 기반 모델들의 정교한 조합을 사용합니다. 연구자는 이 새로운 검출기가 표준 주행 데이터셋에서 98%가 넘는 신뢰 수준으로 물체를 식명할 수 있다는 것을 발견했습니다. 특정 주행 장면 데이터셋을 사용한 테스트에서, 이 모델은 다른 여러 선도적인 모델들을 능가하며 더 많은 자동차, 보행자, 표지판을 더 높은 정확도로 찾아냈습니다.

하지만 도로를 보는 것은 절반의 싸움일 뿐입니다. 차량은 어떻게 반응할지 결정해야 합니다. 연구자는 이를 해결하기 위해 인공 신경 전문가 시스템(Artificial Neural Expert System)이라 부르는 새로운 유형의 의사결정 시스템을 만들었습니다. 이것을 운전 규칙을 공부했지만 동시에 자신의 실수로부터도 배우는 디지털 운전자로 생각하면 됩니다. 전통적인 컴퓨터 프로그램은 경직된 규칙을 따릅니다. 예를 들어, 신호가 빨간색이면 멈추라는 식입니다. 하지만 만약 신호등이 고장 나서 빨간색 상태로 멈춰 있다면 어떻게 될까요? 경직된 프로그램은 영원히 멈춰 서 있을 것입니다. 그러나 이 새로운 시스템은 신호가 차단되었음을 인식하고 전략을 전환할 수 있습니다. 예를 들어, 상황을 정지 표지판처럼 취급하는 식입니다. 이 시스템은 다음에 일어나는 일을 바탕으로 내부 규칙을 지속적으로 업데이트함으로써, 표준 규칙이 실패하는 상황을 처리할 수 있게 합니다. 이 시스템은 학습을 하더라도 결코 위험한 경로를 선택하지 않도록 안전하게 설계되었습니다.

이 시스템이 실시간으로 작동하게 만들기 위해, 연구자는 한 작업이 끝나기를 기다린 후 다음 작업을 시작하는 것이 아니라 컴퓨터의 서로 다른 부분들이 동시에 함께 작동하도록 소프트웨어를 구성했습니다. 연구진은 값비싼 그래픽 카드가 필요 없이 표준 노트북 프로세서에서 이 전체 설정을 테스트했습니다. 결과는 놀라웠습니다. 시스템은 단순한 하드웨어에서도 실시간보다 빠르게 영상을 처리하고 주행 권고를 내릴 수 있었습니다. 시뮬레이션에서 이 시스템은 신호 고장으로 인해 빨간불이 유지되는 것과 같은 복잡한 시나리오를 성공적으로 통과했는데, 이는 차량을 안전하게 이동시키기 위해 동적으로 의사결정 로직을 변경함으로써 가능했습니다. 연구자는 실제 영상 자료를 사용하여 접근 방식의 유효성을 검증했으며, 시스템이 운전자나 자율 주행 차량에 유용하고 즉각적인 조언을 제공할 수 있음을 보여주었습니다.

이 연구는 고도로 정확한 시각 검출기와 유연한 학습 기반 의사결정 시스템을 결합함으로써, 자율 주행 차량이 더 안전하고 신뢰할 수 있게 될 수 있음을 시사합니다. 연구자는 새로운 검출기인 YOLOGen1이 현재 주행 장면에서 물체를 포착하는 데 있어 가장 효과적인 버전임을 입증했습니다. 또한, 그들의 의사결정 시스템이 깨진 규칙과 예상치 못한 장애물에 적응할 수 있음을 보여주었으며, 이는 실제 교통의 혼란을 다룰 수 있는 차량을 향한 중요한 단계입니다. 이 시스템은 시뮬레이션과 녹화된 영상으로 광범위하게 테스트되었지만, 연구자는 실제 도로 주행 차량에 적용되기 전에는 실제 도로에서의 추가적인 테스트가 필요하다고 언급했습니다. 그들의 연구는 기계가 도로를 명확하게 볼 수 있을 뿐만 아니라, 그곳에서 발견된 문제들을 헤쳐 나갈 수 있다는 것을 증명하며 앞으로 나아갈 유망한 길을 제시합니다.