우리는 몸의 다양한 감각 기관을 통해 주변 상황을 인식한다. 대부분의 일상 생활에서 시각을 통해 정보를 습득하지만, 이 하나의 센서로는 획득할 수 있는 데이터는 지극히 제한적이다. 예를 들어, 시각적 정보 획득에는 사각이 존재하며, 기후나 일조 등에 따라 정확성도 달라진다. 따라서, 우리는 시각 외에 청각, 후각 등 우리 몸의 모든 센서들을 활용해 더욱 완성도 높은 정보를 획득하게 된다.
다양한 센서의 필요성은 자율주행 기술에서도 동일하게 적용된다. 현재 자율주행 자동차 및 첨단운전자보조시스템(ADAS) 기술 구현에 활용되는 기술은 카메라부터 라이다, 레이더는 물론 소나에 이르기까지 다양하다. 각기 다른 매개체를 이용하는 이 다양한 센서들은 고유의 장점들을 가지고 있지만, 인간의 감각 기관과 마찬가지로 제한적인 능력을 갖는다. 따라서, 최근에는 많은 자율주행 기술 기업들이 여러 종류의 센서를 활용해 주변 환경을 포괄적으로 파악하는 ‘센서퓨전’ 기술에 주목하고 있다.
왜 센서퓨전 기술에 주목하는가?
자동차 산업은 ‘안전’이라는 가치가 가장 강하게 결합되어 있는 업계다. 현재와 미래의 인간 생활에서 필수적인 교통 수단으로 자리 잡은 만큼, 우리의 일상 생활에 미치는 파급효과가 크다. 사실 대부분의 자동차 관련 기업들이 자율주행 기술을 통해 지향하는 궁극적인 가치는 다름 아닌 ‘보다 안전한 운전 환경’을 구현하는 것이다.
센서퓨전 기술은 우리가 다양한 몸의 감각 기관을 활용하는 것과 매우 닮아 있다. 각각의 센서들은 특정 정보를 획득하고 분석하는 데 특화되어 있다. 따라서, 주변 환경을 인식하는 능력에 있어 장점과 단점이 분명하며, 극복하기 어려운 제약이나 한계도 존재한다.
예를 들어, 카메라는 차량이나 보행자 등을 분류하거나 도로 표지판, 신호등을 읽는데 매우 효과적이다. 그러나 안개나 먼지, 빛과 어둠, 눈, 비 등의 환경적 요인에 의해 능력이 제한될 수 있다. 레이더와 라이다는 물체의 위치와 속도를 정확하게 감지할 수 있지만, 객체를 세부적으로 분류할 수 있는 능력이 없다. 특히, 색상에 대한 분류 능력이 떨어지기 때문에 도로의 다양한 표식을 인식해낼 수 없다는 분명한 단점이 있다.
센서퓨전 기술은 획득한 여러 종류의 데이터를 통합해 각각의 센서에서 발생할 수 있는 왜곡이나 결여를 없애는데 초점을 맞추고 있다. 소프트웨어 알고리즘을 이용해 각 센서의 사각에 있는 객체, 동시에 감지한 중첩된 객체로부터 획득한 데이터를 통합하고 정보의 균형을 맞춘다. 이러한 포괄적 정보를 통해 가장 정확하고 신뢰할 만한 환경 모델을 제공하며, 더욱 지능적인 주행을 할 수 있도록 지원한다.
카메라와 라이다의 융합이 더 매력적인 이유는 무엇인가?
이처럼, 센서퓨전은 자동차 업계가 추구하는 ‘안전한 운전 환경’이라는 궁극적 가치를 달성하기 위한 필수적인 기술 중 하나라 볼 수 있다. 그렇다면 다양한 센서들 중 업계가 지속적으로 카메라와 라이다의 조합에 주목하는 이유는 무엇일까?
답은 카메라와 라이다의 데이터를 통합했을 때 얻을 수 있는 정보의 완성도에 있다. 사실상 레이더와 라이다는 객체와의 거리를 정밀하게 측정해 낼 수 있고, 기후 변화에 의한 검출 성능의 변화가 적다는 면에서 유사한 장점을 갖는다. 하지만, 두 센서의 가장 큰 차이점은 물체의 형태를 인식하는 능력이다. 직진하는 빛을 이용하는 라이다는 전자파를 방사하는 레이더와 달리, 객체 레이저 반사 면의 좌표를 활용해 정확한 형체를 인식할 수 있는 능력이 있다. 이는 카메라가 가진 색상 인식 능력과 결합해 높은 정확도를 발휘한다.
카메라와 라이다 사이의 센서퓨전은 마치 컴퓨터의 3D 그래픽을 생성하는 것처럼 직관적이면서도 효과적인 결과물을 만들어낸다. 라이다가 레이저 반사 면의 좌표에 찍어내는 무수히 많은 3D 포인트 클라우드로 물체의 입체적인 형태를 파악하고, 이를 카메라의 정밀한 2D 이미지 정보와 동기화하면, 마치 3D 오브젝트에 텍스처를 얹는 것처럼 주변 환경을 정확하게 구현한다.
자율주행 자동차의 성능 개선과 대중화
이처럼 복수의 센서, 특히 카메라와 라이다 기반의 센서퓨전은 보다 정밀한 자율주행 기술 구현을 위한 효과적 솔루션으로 주목받고 있지만 여전히 해결해야 할 난제들을 안고 있다.
자율주행 기술의 대중화를 위해서는 사람의 안전을 완벽하게 보장하는 기술적 신뢰성, 하위 라인업에 이르기까지 다양한 차종에 적용될 수 있는 범용성을 가져야 한다.
앞서 설명한 바와 같이, 차량에 센서가 많아질수록 주변 환경 인식에 대한 정확도와 신뢰성은 높아진다. 반면, 기술적으로 처리해야 할 데이터 양이 많아지는 만큼, 더 높은 연산 능력을 가진 고가의 하드웨어를 필요로 한다.
이처럼 상반된 2가지 목표를 달성하기 위해 스트라드비젼은 임베디드 플랫폼에서도 AI 기반의 객체 인식이 가능하도록 객체 인식 소프트웨어를 더욱 경량화, 고효율화 하는데 초점을 맞추고 있다. SVNet은 업계 경쟁사 대비 50% 수준의 연산 속도에서도 동일한 능력을 발휘하며, 1단계, 혹은 2단계 이상 낮은 성능의 플랫폼에서 경쟁력 있는 성능을 제공한다.
이는 비용 절감 물론, 센서퓨전과 같은 보다 첨단 기능을 구현할 수 있는 하드웨어적 여력을 제공함으로써 성능과 가격 두 가지 측면의 개선을 가능하게 한다. 스트라드비젼은 이러한 고성능, 고효율의 카메라 인식 기술을 기반으로 라이다 인식 분야의 선도 기업 뷰런테크놀로지와 함께 센서퓨전 기술을 발표했으며, 향후 자율주행 자동차의 대중화를 위한 혁신 기술 지속 개발해 나갈 예정이다.