드라이브 소프트웨어

국제 가전 전시회에서는 신품종 자율주행 시스템의 관점에서 도로를 보여주는 자동차 메이커와 연구자들로부터 데모가 쏟아져 나오는 것을 볼 수 있을 것이다.

차내 인공지능을 위한 세계에서 가장 강력한 엔진인 NVIDIA DRIVE PX 2와 함께 이 작업을 주도하고 있다. 당사의 드라이브 웍스 소프트웨어를 통해 DRIVE PX 2는 자동차 개발자들이 새로운 종류의 자율주행 차량에 딥러닝의 힘을 불어넣을 수 있도록 도울 것이다. 이러한 새로운 시스템이 제공하는 기술은 놀랍지만 그들이 성취한 업적에 대해서는 약간의 설명이 필요할 수 있다. 여기 자율주행 데모를 볼 때 여러분이 보고 있는 것과 여러분이 보고 있지 않은 것에 대한 간단한 가이드가 있다. 오늘날의 경제는 신흥 시장의 발전, 신기술의 가속화되는 상승, 지속가능성 정책, 소유권에 대한 소비자 선호 변화로 인해 극적으로 변화하고 있다. 디지털화, 증가하는 자동화, 그리고 새로운 비즈니스 모델은 다른 산업에 혁명을 일으켰고 자동차도 예외는 아닐 것이다. 이러한 세력은 자동차 분야에서 다양한 이동성, 자율주행, 전기화, 연결성의 네 가지 파괴적인 기술 주도 트렌드를 만들어내고 있다. 대부분의 업계 주체와 전문가들은 4대 트렌드가 서로를 강화하고 가속화할 것이며 자동차 산업이 붕괴될 가능성이 무르익었다는 데 의견을 같이하고 있다. 판도를 바꾸는 혼란이 이미 가시권에 들어왔다는 인식이 팽배해 있는 상황에서 이들 트렌드의 결과로 10~15년 후 업계가 어떤 모습을 보일지에 대한 통합적 시각은 여전히 없다. 이를 위해 '2030년 자동차 혁명'에 대한 우리의 8대 핵심 관점은 어떤 변화가 오고 있으며 그것이 전통적 자동차 제조업체와 공급자, 잠재적 신규 참여자, 규제당국, 소비자, 시장, 자동차 가치사슬에 어떤 영향을 미칠 것인지에 관한 시나리오를 제공하는 것이다. 이 연구는 임박한 변화를 보다 가시적으로 만드는 것을 목표로 하고 있다. 따라서 예측은 현재 우리의 이해에 기초하여 네 가지 추세에 걸쳐 가장 가능성이 높은 가정을 투영하는 것으로 해석되어야 한다. 그들은 분명 본질적으로 결정론적인 것은 아니지만 산업 참여자들이 잠재적 미래 상태에 대해 논의함으로써 불확실성에 더 잘 대비하도록 도와야 한다. 이러한 그래픽 기술에 기반한 자율주행 자동차 개발은 아마도 기술 발전에 따라 엄청난 속도로 발전할 것임에 틀림 없다.다음과 같이 크게 두 가지 범주의 인정을 볼 수 있다. 의미론적 분할. 컴퓨터 이미지를 구성하는 작은 점인 픽셀에 특정 등급의 오브젝트에 속하는 레이블을 붙이는 기능이다. 우리는 아래의 예에서 그것을 볼 수 있다. 길이 파랗다. 사람은 오렌지색이다. 차는 빨간색이다. 만약 컴퓨터가 이 정도의 세부사항까지 이미지에 무엇이 있는지 알아낼 수 있다면, 우리는 자율 시스템이 안전하게 항해할 수 있는 능력에 대해 더 큰 자신감을 갖게 된다. 물체 감지. 물체의 위치를 상자로 묶는 기능이다. 여러 등급의 사물을 동시에 탐지할 수 있는 우리의 능력을 보여주는 비디오들을 볼 수 있을 것이다. 아래 예시에서는 사람과 자동차를 식별하기 위해 고안한 검출기가 있다. 경계 상자는 객체의 위치를 설명하는 분할보다 더 간단한 방법이다. 의미론적 세분화와 객체 감지는 자율 주행 시스템이 도로를 어떻게 보는지에 대한 대부분의 데모에서 화면에서 확인할 수 있는 겁니다. 이 모든 것을 운전하는 데 있어서 심오한 학습에 의해 수행되는 핵심적인 역할이다. 심오한 학습은 우리가 사람들이 할 수 없는 것을 하게 한다. 도로 위의 모든 종류의 물체를 인식할 수 있는 소프트웨어를 만드는 것은 실용적이지 않다. 해결책은 기계가 스스로 가르칠 수 있도록 가르치는 것이다. 딥러닝은 복잡한 목표를 명시할 수 있게 해준다. 올바른 방법으로, 그리고 올바른 조리법이나 알고리즘으로 만들어지면, 네트워크는 복잡한 일을 할 수 있는 방법을 알아낼 수 있다. 우리는 NVIDIA GPU의 엄청난 연산력을 사용하여 이러한 네트워크를 훈련시킨다. GPU는 한번에 또는 병렬로 많은 과제를 해결할 수 있기 때문에 딥러닝에 이상적으로 적합하다. 원샷은 네트워크가 전체 이미지를 촬영하고 분할을 위해 탐지 또는 픽셀 라벨을 뱉어내는 것을 의미한다. 그것은 자동차 회사들이 실제 운전에서 나온 비디오를 사용하여 방대한 상황의 물체를 인식할 수 있도록 시스템을 빠르게 훈련시킬 수 있게 해준다. 이러한 심층 학습 시스템에 더 많은 데이터를 던질수록 더 똑똑해진다. 미래의 비즈니스 기회가 어디에 있는지 이해하려면 모빌리티 시장에 대한 그 어느 때보다 세밀한 관점이 필요하다. 구체적으로는 이러한 시장을 주로 인구밀도, 경제발전, 번영에 기초하여 도시유형별로 세분화할 필요가 있다. 이러한 부문들 전반에 걸쳐 소비자 선호도, 정책 및 규제, 그리고 새로운 비즈니스 모델의 가용성과 가격은 강하게 갈릴 것이다. 예를 들어 런던과 같은 거대 도시에서는 혼잡 요금, 주차 부족, 교통 체증, 기타 교통 체증으로 인해 자동차 소유가 이미 많은 사람들에게 부담이 되고 있다. 이와는 대조적으로, 미국의 아이오와 주와 같은 시골 지역의 경우, 자가용 차량 사용은 지금까지 선호되는 교통수단으로 남을 것이다. 따라서 도시의 유형은 이동성 시장에 대한 전통적인 지역적 관점을 대체하면서 이동성 행동의 핵심 지표가 될 것이다. 2030년이 되면 뉴욕의 자동차 시장은 캔자스보다 상하이의 시장과 훨씬 더 많은 공통점을 갖게 될 것이다. 긍정적인 미래를 기대해 본다.