[12월 월간브리핑]자율주행 개발을 위한 오픈소스 모형차 플랫폼 현황

• 자율주행 업계에서 시뮬레이션 기술은 점점 더 중요해지고 있으며, 모형차 플랫폼 기술도 다양해지는 추세임

  1. 자율 기술의 안전성과 정확도를 높이기 위해 많은 데이터 및 시뮬레이션 기술이 활용되며, 그 과정에서 오픈소스 데이터, 시뮬레이션 기술 등이 폭넓게 도입

• AWS, 엔비디아, 미국 워싱턴 대학은 모형차 기술을 오픈소스 기술로 공개해서 자율 주행 기술을 접할 수 있는 기반을 확대

  1. 모형차 플랫폼은 주로 교육 또는 취미용으로 활용되고 있으며, 기업들은 오픈소스로 자율주행 기초 교육 기회를 더욱 확대하는 동시에 연계된 자사 인프라 기술 사용을 유도

□ 자율주행은 각종 센서와 소프트웨어를 통해 주행 환경을 인식하고 알아서 목적지까지 안전하게 운행하는 기술로 전 세계 시장 규모는 2020년 기준 71억 달러(약 8조 원)이며 2035년에는 1조달러(약1,243조 원)에 이를 것으로 전망

- 자율주행의 기술 수준을 6단계로 나눠 구분하며, 기업들이 궁극적으로 추구하는 자율주행 기술은 레벨 5으로 사람이 운전대를 잡지 않아도 알아서 목적지까지 이동하는 기술

자율주행 기술 분류표
출처: 미국 자동차 공학회

- 현재 기준 낮은 기술 성숙도 및 법적 제약으로 자율 주행 기술은 레벨 0~2 정도의 사람을 보조하는 수준이나, 2025년부터 높은 차원의 자율 주행 기술인 레벨 3 기술이 성장할 것으로 예측

• 

  출처 : KDB미래전략연구소



•  

- 자율주행의 기술에는 다양한 기술이 포함돼있으며, 그중에서 수많은 도로 및 주행 환경을 인지하고 대처하고 기술의 결함을 발견하기 위해 시뮬레이션 및 테스트 기술이 확대되고 있음

* 예를 들어 구글이 만든 자율주행 기업 웨이모는 약 374만 km, GM 산하 자율주행 기업 크루즈는 약 141만 km 만큼 시범 주행을 하면서 자율주행에 필요한 각종 데이터를 얻고 관련 AI를 학습시킴

- 도로에 나가서 진행하는 직접적인 시범 주행이 아니더라도 소프트웨어 시뮬레이터나 모형차 플랫폼을 통해서도 자율주행 기술 테스트가 이뤄지고 있다는 점에서 시뮬레이션 영역은 데이터 분석 기술과 함께 자율주행 시장에서 큰 축을 담당

* 자율주행차 기술 분야 및 관련 기업은 자율주행 시스템(Autonomous driving systems), 데이터 및 시물레이션 (Data and simulation), 빛 감지 랜딩 및 센싱(Light detection/randing and sensing), 자율주행차 제조업체(Autonomous vehicle manufacturers), 지도 및 위치 기반 서비스(Map and location- based services), 앱 및 모빌리티 인프라(Apps and mobility infrastructure), 커넥티드 카 & V2X 통신(Connected car &V2X communication)으로 분류

• 

  자율주행차 기술 분야 및 관련 기업

  출처 : 퍼스트마일VC 블로그



•  

- 엔비디아는 시뮬레이션 기술의 발전으로 날씨, 구조물, 좁은 도로 등 현실 세계를 디지털 환경에서 똑같이 재현해 자율주행 기술의 안전성을 빠르게 테스트할 수 있었다고 강조하며, 실제 엔비디아 시뮬레이션 기술을 통해 5시간 만에 약 48만km 거리를 테스트할 수 있었다고 소개

□ 최근 오픈소스 업계에서 소프트웨어 시뮬레이션 기술과 별개로 하드웨어를 결합한 오픈소스 기반 모형차 플랫폼도 함께 등장

- 자율주행 업계에서 볼 수 있는 오픈소스 기술은 초기에는 주로 AI 학습에 필요한 데이터였으며, 구글, 아우디, 리프트(Lyft), 바이두 같은 기업은 물론 버클리대, 옥스퍼드대 같은 학계에서 참여해 자율주행 테스트 과정에서 센서나 카메라로 얻은 데이터를 오픈소스로 공개

* 이후 시뮬레이션을 보다 쉽게 해주는 소프트웨어도 공개되고 있으며, 대표적으로 MIT 연구소가 만든 비스타(VISTA) 2.0와 칼라(Carla)가 있음

- 비스타 2.0은 실제 운전하는 장소에서 얻은 사진 및 센서 데이터를 반영한 시뮬레이터 기술로 2D와 3D 환경 모두에서 테스트할 수 있으며, MIT 컴퓨터 과학 및 인공지능 랩(CSAIL)에서 주도하고 미 국립 과학 재단과 도요타 연구 센터, 엔비디아 지원을 받음

- 칼라 역시 도시 구조, 빌딩, 자동차 정보를 한꺼번에 활용하는 오픈소스 시뮬레이터로 연구용으로 개발됐으며 비영리 연구 기관인 CVC를 주축으로 인텔, 애플, 도요타 연구 센터 지원을 받아 개발

- 자동차뿐만 아니라 선박 운행을 위한 자율 주행 기술 ‘오픈 시뮬레이션 플랫폼(Open Simulation Platform, OSP)’이나 항공 분야를 위한 자율 주행 기술 ‘에어심(AirSim)’도 오픈소스 기술로 공개되는 등 특수 분야 자율 주행 기술에서도 오픈소스 프로젝트가 등장

- 시뮬레이션 기술이 소프트웨어에 초점이 맞춰졌다면 모형차 플랫폼은 자율주행 분야의 하드웨어 기술의 발전을 주도하고 있으며, 오픈소스 기술에는 AWS 딥레이서, 머쉬어(MuSHR), 엔비디아 젯레이서(JetRacer), 머쉬어(MuSHR)가 있음

- 아마존웹서비스(AWS)가 만든 ‘AWS 딥레이서(AWS DeepRacer)’는 실제 자동차의 18분의 1 크기인 모형차 기술로 자율 주행 경주를 경험할 수 있도록 지원하고 궁극적으로 누구나 강화 학습(Reinforcement learning, RL)을 쉽게 배울 수 있게 하기 위해 개발됨

• 

  AWS 딥레이서 하드웨어

  출처 : 구매 페이지 및 공식 페이지

•  

- AWS 딥레이서의 핵심인 모형 자동차인 ‘에보(Evo)’는 인텔 아톰 프로세서를 탑재하고, 우분투 OS, 인텔 오픈비노, ROS 키넥틱을 활용하며 카메라, 라이다, 자이로스코프센서 등을 지원하고 있음

- AWS의 딥레이서에서 활용하는 소프트웨어는 모두 오픈소스 이며, 그중 3D 시뮬레이션은 기존에 존재하던 네비게이션 오픈 소스 기술인‘내브2(Nav2)’을 활용 특히 교육용 도구로 활용되고 있으며, AWS에서 직접 온라인 강의를 제공하고 매년 딥레이서 전용 레이스를 운영해 우승자를 가리는 이벤트를 진행

- 젯레이서는 엔비디아가 만든 AI 자율주행 경주용 자동차로 기존 차량의 18분의 1 또는 10분의 1 크기의 모형을 이용 하였으며 젯레이서 사용자는 엔비디아 텐서RT(TensorRT)를 통해 학습 모형을 만들어 장애물 인식 및 주행 방식을 학습시킬 수 있음 또한 젯레이서 내부에는 엔비디아가 만든 오픈소스인 젯봇(JetBot), 젯캠(JetCam), 젯카드(JetCard)가 탑재됐으며, 세 기술 모두 젯슨 나노(Jetson Nano)를 기반으로 실행

• 

  젯레이서 학습 툴 예시

  출처 : 깃허브

•  

* 젯슨 나노는 일종의 작은 컴퓨터로 이미지 분류, 개체 감지, 분할 및 음성 처리와 같은 애플리케이션을 위해 여러 신경망을 병렬로 실행할 수 있으며, 5와트 수준의 적은 전력으로도 실행 가능함

* 젯봇은 교육용 AI 로봇이며, 젯캠은 카메라 인터페이스, 젯카드는 SD카드를 통한 이미지를 처리하는 기술

* AWS는 딥레이서 에보에 최적화된 자동차도 직접 만든 것에 비해 엔비디아는 외부에서 판매되는 소형 레이서 자동차를 활용해 젯레이서 기술을 개발

- 머시어(MuSHR)는 미 워싱턴 대학에서 만든 자동차 경주용 로봇으로 AWS 딥레이와 유사한 제품이나 모형 자동차 자체도 3D 프린터로 출력할 수 있게 만들고 각종 부품 정보도 공개하면서 오픈소스 하드웨어로 만든 것이 특징

• 

  머쉬어 제품 예시

  출처 : 머쉬어 공식 홈페이지



•  

- 미 워싱턴대의 머쉬어처럼 MIT나 조지아 대학도 이전에 AI 및 로봇 연구를 위해 오픈소스 모형 자동차를 공개한 바 있으나, 머쉬어 개발진은 해당 하드웨어가 너무 비싸다고 지적하며 머쉬어 가격을 대폭 낮춤

* 머쉬어 자동차를 구축하는데 필요한 비용은 610달러~930달러(78만원~118만원)이며, 조지아 대학이 만든 오픈소스 오토랠리(AutoRally)는 1만달러(약 1,200만 원), MIT가 만든 오픈소스 레이스카(RACECAR)는 2,600달러 (약 330만 원) 비용이 필요

* 워싱턴대는 직접 머쉬어를 활용하는 로봇 강의, 자율주행 강의를 만들어 학부생 및 석사 과정 수업에 제공하면서 활용도를 높임

□ 시사점

- 자율주행 기술은 점점 자동차 제조 업계 및 AI 기술에서 중요한 가치를 지니고 있으며 관련 세부 기술은 더 다양해지는 추세

- 그 중 테스트 기술은 자율 주행 기술의 품질에 직·간접적인 영향을 주므로 기업, 정부, 학계 차원의 지원이 더 필요함

- 모형차는 특히 직접 실물로 자율주행 기술을 보고 체험할 수 있다는 점에서 교육 효과가 높으며, 더 많은 모형차 플랫폼이 나올 경우 프로그래밍 교육의 연장선으로 대학교 및 성인 뿐만 아니라 초중고 학생들의 관심을 이끌어 미래 인재 육성에 도움이 될 것으로 전망

※ 출처

1) 2035년엔 1200조 시장…"자율주행차 상용화 제도 마련해야", 2022년 4월, https://www.joongang.co.kr/article/25065823
2) 자율주행차 글로벌 산업 동향, 산은조사월보, 2022년 8월, https://rd.kdb.co.kr/FLPBFP02N01.act?_mnuId=FYERER0030#__init__
3) https://medium.com/@firstmilevc/avlandscape-8a21491f1f54
4) Why Simulated Roads Make Self-Driving Cars Safer, https://blogs.nvidia.com/blog/2017/10/26/self-driving-simulation/
5) 15 Best Open-Source Autonomous Driving Datasets, 2021년 7월, https://medium.com/analytics-vidhya/15-best-open-source-autonomous-driving-datasets-34324676c8d7
6) https://news.mit.edu/2022/researchers-release-open-source-photorealistic-simulator-autonomous-driving-0621
7) https://carla.org/
8) https://opensimulationplatform.com/
9) https://www.microsoft.com/en-us/ai/autonomous-systems-project-airsim
10) https://github.com/aws-deepracer/aws-deepracer
11) https://www.amazon.com/dp/B081GZSJVL
12) https://aws.amazon.com/ko/deepracer/
13) https://navigation.ros.org/index.html
14) https://github.com/NVIDIA-AI-IOT/jetracer
15) https://github.com/NVIDIA-AI-IOT/jetracer
16) https://mushr.io/
17) https://mit-racecar.github.io/
18) https://autorally.github.io/
19) https://news.cs.washington.edu/2019/08/21/allen-school-releases-mushr-robotic-race-car-platform-to-drive-advances-in-ai-research-and-education/
20) https://courses.cs.washington.edu/courses/cse478/20wi/