테슬라 자율주행 FSD 베타

테슬라 FSD 베타는, 사람이 운전하는 것 보다 6.4배 안전하다.

사람은 50만 마일을 운전하였을 경우 1회 충돌(교통사고)가 발생하는 반면(미국 평균), FSD 베타는 320만 마일을 운전하였을 경우 1회 교통사고가 발생합니다. 즉,  FSD 베타의 경우, 사람보다 6.4배 더 많이 운전을 해야 1회 충돌이 발생한다는 것입니다.

 

 

테슬라 FSD는 게임체인저가 될 것입니다.

Ashok Elluswamy* (Director - Autopilot Software at Tesla, 링크드인 링크)는 테슬라 자율주행 개발의 책임자입니다.

이번 인베스터데이에서 왜 테슬라 FSD가 사람이 운전하는 것보다 안전하게 되었는지에 대한 설명으로, 여러 개선된 프로세스를 설명해주었습니다.

* Ashok Elluswamy는 2020년 11월부터 Tesla의 완전 자율 주행(FSD) 개발 디렉터입니다. 그는 완전 자율 주행을 목표로 하는 Tesla의 전기 자동차에 대한 기능으로서 FSD 풀 셀프 드라이빙 시스템 개발을 담당하고 있습니다. 
Elluswamy는 2018년에 Autopilot의 선임 엔지니어링 관리자로 Tesla에 합류하여 회사 ADAS 제품군의 일부인 Tesla의 Autosteer 기능 개발을 이끌었습니다. Tesla에 합류하기 전에는 Apple에서 10년 이상 수석 엔지니어링 관리자로 근무하면서 지도 애플리케이션을 포함하여 iOS 기기의 다양한 기능 개발을 이끌었습니다. Elluswamy는 인도의 PSG 기술 대학에서 전자 통신 공학 학사 학위를, University of Southern California에서 전기 공학 석사 학위를 받았습니다. 소프트웨어 개발 및 엔지니어링 관리에 대한 폭넓은 경험을 바탕으로 Tesla의 자율주행 기술을 발전시키고 이를 소비자에게 현실화하는 데 중요한 역할을 하고 있는 것으로 생각됩니다.

 

테슬라의 FSD는 모델링을 위한 최첨단 AI 사용합니다. AI 모델링 프로세서는 다음과 같습니다.

VISION COMPONENT

(1) 먼저 테슬라 차량에 부착된 카메라를 통해 이미지를 획득합니다.

(2) 획득된 이미지는 RegNet**을 통해 분류됩니다. (RegNet 모델의 주요 장점은 ResNet 및 EfficientNet과 같이 널리 사용되는 다른 아키텍처보다 적은 계산 리소스를 필요로 하면서 이미지 분류 작업에서 최첨단 성능을 달성할 수 있다는 것입니다. 따라서 리얼타임 프로세서 같이 효율성이 우선 순위인 애플리케이션에 적합합니다.)

** RegNet은 이미지 분류 작업을 위한 심층 신경망 아키텍처 유형입니다. 이 아키텍처는 확장 가능하고 효율적이며 사용하기 쉽도록 설계되어 광범위한 컴퓨터 비전 작업에 적합합니다. RegNet 모델은 반복되는 블록 체인으로 구성되며 각 블록은 일련의 컨볼루션 레이어 및 기타 작업으로 구성됩니다. 아키텍처는 네트워크의 중복성을 줄이고 정보 흐름을 최대화하여 강력한 정규화를 제공하도록 최적화되었습니다.

(3) 분류된 각 이미지들은 FPN***을 통해 개체 감지 및 세분화 됩니다. 다양한 크기와 해상도로 구성하고 병합 및 정제하여, 최종 물체 감지합니다.

*** FPN은 Feature Pyramid Network의 약자로 객체 감지, 인스턴스 분할, 의미론적 분할과 같은 컴퓨터 비전 작업에 사용되는 딥 러닝 모델입니다. FPN은 이미지에서 다양한 크기와 해상도로 개체를 감지하는 문제를 해결하도록 설계되었습니다.

 

MAP COMPONENT + LANGUAGE COMPONENT

비전 컴포넌트를, 카메라는 사람의 눈처럼 이미지를 물체로 인식하게 됩니다. 인식된 물체는 네비게이션 맵을 통해 속도 제한, 도로 네트워크를 적용하여 Lane Guidance Module을 통해 시각적 또는 청각적 신호가 생성됩니다. Lane Guidance Module은 차량이 운행되는 동안 차선을 유지하거나 변경하도록 결정합니다. 내비게이션 지도를 분석하여 올바른 차선을 결정한 다음 해당 차선을 유지하도록 시각적 또는 청각적 신호를 제공하는 방식으로 작동합니다. 도로에서 차량의 위치가 결정되면 모듈은 내비게이션 지도를 사용하여 올바른 차선을 결정하고 운전자에게 해당 차선을 유지하도록 시각적 또는 청각적 신호를 제공하는 것입니다. 예를 들어, 운전자가 회전해야 하는 경우 차선 안내 모듈은 회전 방향을 나타내는 화살표와 같은 시각적 신호 또는 "500피트에서 좌회전"과 같은 오디오 신호를 제공할 수 있습니다.

다음으로 Dense World Tensor는 자율 주행 시스템에서 차량 주변의 3D 환경을 나타내는 데 사용되는 데이터 구조입니다. 기본적으로 차량 주변 공간을 나타내는 복셀(체적 픽셀)의 3D 그리드입니다. 각 복셀에는 환경의 장애물, 노면 및 기타 물체에 대한 정보가 포함되어 있습니다. Dense World Tensor는 환경의 고해상도 표현을 생성하는 데 사용되며, 그런 다음 자율 주행 시스템에서 차량의 궤적을 계획하는 데 사용됩니다. 텐서는 차량이 움직일 때 실시간으로 업데이트되며 여기에 포함된 정보는 차량의 경로에 대한 실시간 결정을 내리는 데 사용됩니다. Dense World Tensor는 차량이 주변 환경을 실시간으로 인식하고 이해할 수 있게 해주기 때문에 자율 주행 시스템의 중요한 구성 요소입니다. 시스템은 환경을 정확하게 표현함으로써 환경을 탐색하고 장애물을 피하고 도로에 머무르는 방법에 대해 더 나은 결정을 내릴 수 있습니다.

 

테슬라 FSD 베타는, 차량이 처한 환경의 각 가능한 구성에 대한 궤적을 생성하는 프로세스가 10 밀리세컨드 수준입니다. 여기에는 차량의 경로에 영향을 줄 수 있는 장애물, 도로 상태 및 기타 요소의 가능한 모든 조합을 고려하고 각각에 대한 궤적을 생성하는 것이 포함됩니다. 인베스터데이 발표에서 예시된, 교차로에서의 좌회전은, 사람이 운전하는 경우에도 매우 복잡한 케이스 중 하나입니다. 위 이미지에서 모델링된 것처럼 좌회전시 고려된 개체는, 기존 교통흐름 뿐만 아니라, 무단횡단중인 사람과 반려견, 정면 반대쪽에서 직진으로 운행 될 수 있는 차량들이 고려되었습니다.

 

또한 FSD 시스템의 계획(플래너) 처리 구성 요소가 차량이 따라야 할 최적의 궤적을 계산하기 위해, 소요되는 시간은 50 밀리세컨드 수준입니다. 플래너 구성요소는 차량의 현재 위치, 속도, 원하는 목적지는 물론 주변의 장애물이나 다른 차량과 같은 다양한 요소를 고려하여 차량 경로를 생성하는 역할을 합니다. 계산시 매개변수는, 계획자가 새 궤적을 생성하는 데 필요한 시간을 결정하기 때문에 중요합니다. 이 시간이 너무 짧으면 플래너가 모든 관련 요소를 고려하고 최적의 경로를 생성할 수 없어 안전하지 않은 운전 행동을 초래할 수 있습니다. 반면, 시간이 너무 길면 보행자나 다른 차량의 갑작스런 출현 등 환경 변화에 차량이 충분히 빠르게 반응하지 못할 수 있습니다. 가능한 각 구성에 대한 궤적을 생성함으로써 플래너는 차량이 발생할 수 있는 모든 상황에 적절하게 대응할 준비가 되어 있는지 확인할 수 있습니다. 예를 들어, 차량 경로에 갑작스러운 장애물이 있는 경우 플래너는 원하는 목적지에 도달하면서 장애물을 피하는 궤적을 빠르게 선택할 수 있습니다. 이 접근 방식은 복잡하고 예측할 수 없는 운전 환경에서도 차량이 안전하고 효율적으로 작동하는지 확인하는 데 도움이 됩니다.

 

 

테슬라 FSD의 차량 움직임 정확도(차가 움직일 것인지, 정차 중인 것인지, 주차 중인 것인지에 대한)는 2022년 9월 이후 큰 폭으로 개선되어, FSD 베타가 결국 10월 이후 출시되는데 큰 기여를 하였습니다. 현재는 거의 95% 이상의 정확도를 보여줍니다.

 

 

FSD 베타 관련 특허 주요내용 정리

2021년 4월 20일, 테슬라는 자율주행 관련 미국 특허를 출원하였습니다. (특허 링크)

 

이 특허는 차량의 자율주행에 있어서 매우 정확한 결과를 생성하기 위한 기계 학습 훈련(머신 러닝) 기술이다.

이 특허는 자율 주행에서 기술을 사용하는 것에 중점을 둔다. 차량의 환경 및 작동 매개변수를 캡처하기 위해 차량의 센서가 센서 데이터를 캡처하는 상황이다. 이 특허는 기술이 실제로 어떻게 적용될 수 있는지에 대한 흐름도와 예를 제공한다.

 

시계열 요소 그룹을 포함하는 센서 데이터가 수신되고 시계열 요소 그룹에서 선택된 하나 이상의 시계열 요소에 대한 해당 실측 정보를 기반으로 학습 데이터 세트를 결정한다.

그런 다음 훈련 데이터 세트를 사용하여 기계 학습 모델을 훈련하는 데 프로세서를 사용한다.

차량의 센서가 캡처한 센서 데이터를 사용하여 환경 및 차량 작동 매개변수를 캡처하는 기계 학습 훈련 기술에 대한 것으로, 센서 데이터는 차량이 주행 중인 도로 및 주변 환경, 차량 차선, 차량 차선, 타 차량 통행, 장애물, 교통 통제 표지판 등의 이미지 데이터와 같은 정보를 캡처한다. 캡처된 데이터 세트는 알고리즘상 러닝 단계(기관)으로 전송된다. 훈련 데이터 세트를 생성하기 위한 서버이다. Ground Truth는 시계열 요소 그룹을 기반으로 결정되며 그룹의 단일 요소와 연결된다. 다음 단계로, 훈련 데이터 세트를 사용하여 기계 학습 모델을 훈련한다. 일부 실시에 대한 예시에서, 캡처된 데이터의 시계열은 훈련 데이터를 생성하는 데 사용된다. 이 특허는, 자율 주행에서 사용되는 딥 러닝 시스템에 특히 유용한 것으로, 모델을 트레이닝하는데 품질이 성능을 제한하는 경우에 우수함을 보여준다. 카메라를 통해 획득한 차량의 이미지나 도로 교통신호 등 같이 레이블이 지정된 정확한 기능으로, 러닝 데이터 세트를 생성하면, 머신러닝 모델을 교육하여 매우 정확한 기계 학습 결과를 생성할 수 있다.

 

 

테슬라 FSD 베타 : 중요한 이정표

"현재 FSD를 구매한 거의 모든 미국 및 캐나다 고객(약 400,000명)에게 FSD Beta를 출시되었습니다.

이것은 우리 회사의 중요한 이정표입니다. 미국과 캐나다의 모든 고객은 이제 구매/구독 시 FSD 베타 기능에 액세스하고 AI 기반 자율성의 진화를 경험할 수 있습니다."

 

도로에서 사고가 심각한 결과를 초래할 수 있기 때문에 인류는 운전자 없이 차량이 작동한다는 생각은 벅차게 보일 수 있습니다. 그러나 자율 주행 기술이 도로 안전을 크게 향상시킬 수 있는 잠재력이 있다는 점에 유의해야 합니다. AI 모델 및 기타 고급 기술을 통해 차량은 산만하거나 부주의한 운전과 같은 인간의 실수로 인한 사고를 예방할 수 있는 찰나의 결정을 내릴 수 있습니다. 물론 자율주행 기술의 개발과 보급이 안전을 최우선으로 하여 책임감 있게 이루어지는 것이 중요합니다. 기술의 테스트 및 검증은 엄격해야 하며 공공 도로에서 기술을 안전하게 사용할 수 있도록 규정과 표준을 마련해야 합니다. 궁극적으로 사람들이 자율주행이라는 아이디어에 익숙해지기까지는 시간과 교육이 필요할 것입니다. 기술이 발전하고 널리 보급됨에 따라 대중의 인식이 바뀌고 사람들은 기술이 제공할 수 있는 이점을 보게 될 것입니다.

 

AI 모델을 통한 자율주행은 사람이 이해하기에 너무 복잡하고 어려운 최신 기술일 수 있습니다.

또한 지난 100년간 이어져온, 어쩌면 인류가 탄생하고 수십만년 동안 이어져온, 탈것에 대한 컨트롤은, 유전학적으로 인류가 받아 들이기 어려울 수도 있습니다.

하지만, 이는 과학기술에 대한 신뢰의 영역으로 생각되며, 역사적으로 탈것의 자동화가 이루어졌던 것 처럼 AI 모델을 통한 자율주행은 정해진 미래라고 생각됩니다.

 

읽어주셔서 감사합니다.

 

 

<테슬라 관련글>

테슬라 사이버트럭 휠 디자인 특허
정해진 미래, 시총 1위 테슬라
테슬라의 게임체인저 메가팩(Megapack)
스타링크 글로벌 로밍 제공
테슬라 파워트레인 기술혁신 (50% 비용절감)
2023년 스타링크 IPO 가능성
테슬라 인베스터데이 결과(마스터플랜3 리뷰)
테슬라 차세대 전기차(반값 전기차, 모델2, 모델Q)
스페이스X의 스타쉽(starship)
테슬라의 미래, 아마존의 과거