일본산업뉴스요약

우븐바이토요타, 자율주행 AI 개발에 7단계 공정 도입
주행 데이터 선별에 AI 검색 활용

도요타자동차의 자회사인 우븐바이토요타(Woven by Toyota, 도쿄)가 자율주행 AI(인공지능)의 학습 데이터 작성 환경을 공개했다. 주행 차량으로부터 수집한 데이터를 7단계의 공정으로 나누어 AI 모델에 학습시켜 AI 모델 성능을 향상시키고 있다. AI 기반의 자율주행이 미국과 중국을 중심으로 확산되는 가운데, 도요타와의 연대를 통해 개발을 가속화한다는 전략이다.

우븐바이토요타가 ‘액티브 러닝(Active Learning)’이라고 부르는 자율주행 AI 개발 환경은 다음의 7단계 공정으로 구성된다. (1)데이터 수집 (2)과제의 우선 순위 선정 (3)데이터셋 작성 (4)AI 모델 학습 (5)시뮬레이션 평가 (6)차량 평가 (7)릴리스(시장 투입) 판단이다.

(7)의 릴리스 판단을 거쳐 최종 성과물인 ‘자율주행 소프트웨어’가 차량에 탑재되면, 프로세스는 다시 (1)의 데이터 수집 단계로 전환된다. 이것은 하나의 순환 프로세스로, 개발 사이클을 빠르게 계속 회전시킴으로써 자율주행 기술의 성능을 고도화해 나간다.

(1)의 데이터 수집에서는 2종류의 차량을 통해 주행 데이터를 취득한다. 하나는 자체 제작한 시험 차량이다. 차량에 장착된 센서로 취득한 주행 데이터를 차량에 탑재된 HDD(하드디스크 드라이브)를 통해 수집한다.

다른 하나는 고객 소유 차량이다. 사전에 동의를 얻은 고객의 차량으로부터 통신을 통해 주행 데이터를 수집한다. 구체적으로는 차량용 스토리지에 기록된 수초 간의 주행 데이터가 특정 타이밍마다 클라우드로 전송된다.

수집하는 주행 데이터의 상세한 내용은 비공개이지만, “ADAS(첨단운전자지원시스템)에 입력되는 종류의 데이터”(우븐바이토요타)라고 한다.

수집된 주행 데이터를 바탕으로 급브레이크, 급선회, 미끄러짐 등, 다양한 상황을 추출. 이 가운데 향후 개발을 통해 해결할 대상을 고르는 것이 (2)의 과제 우선 순위 선정이다.

예를 들어, 급브레이크 상황을 선택한 경우, 왜 급브레이크가 작동했는지를 분석한다. 그 결과, 카메라가 사전에 위험 요소를 검출하지 못해 안전 시스템이 제때 작동하지 않았기 때문이라는 점이 밝혀졌다고 가정하자. 이 경우, 카메라가 놓친 것이 무엇인지를 추적하고 그 물체에 대한 인식 성능을 높이는 것이 구체적인 해결 과제가 된다.

-- 데이터 검색에도 AI 활용 --
해결 과제가 결정되면 (3)데이터셋 작성 단계로 넘어간다. 예를 들어, 카메라가 인식하지 못한 대상이 ‘동물’이었을 경우, AI를 학습시키기 위해 이와 유사한 상황의 주행 데이터를 수집할 필요가 있다. 수집된 주행 데이터(영상) 중에서 동물이 찍힌 것을 찾아내 학습용 데이터로 준비한다.

학습용 데이터는 다양한 방식으로 수집되며, 가장 신뢰성이 높은 것은 우븐바이토요타가 실제 차량 주행을 통해 직접 수집한 데이터이다. 여기에 동물이 찍힌 영상이 있을 경우 최우선으로 이용한다. 하지만 차량 수가 적기 때문에 데이터양이 부족해 적중률이 낮다. 그래서 고객 차량으로부터 취득한 방대한 주행 데이터 중에서 동물이 찍힌 것을 검색해야 한다.

하지만, 방대한 양의 주행 데이터 중에서 원하는 영상을 사람이 찾아내는 것은 어렵다. 우븐바이토요타는 AI를 이용한 검색 시스템을 자체 개발했다. 화상(이미지)과 텍스트를 통합적으로 처리하는 멀티모달 AI 모델인 'BLIP (Bootstrapping Language-Image Pre-training)'를 베이스로 해 자사용으로 개발한 것으로 보인다.

이 검색 시스템에 예를 들어 ‘Animal on road’라는 텍스트를 입력하면, 동물 또는 ‘동물로 추정되는 물체’가 찍힌 주행 데이터가 추출된다. 동물로 추정되는 물체의 경우, AI가 판별하지 못한 잘못된 데이터이다. 이것은 사람이 확인하고 제외시킨다. 검색 시스템을 통해 어느 정도 정제한 다음 잘못된 데이터를 골라내기 때문에 사람의 작업 공수를 최대한 줄일 수 있다.

우븐바이토요타는 “이 검색 시스템 역시 완성형이 아니며, 검색 성능을 계속해서 높이고 있다”라고 밝혔다.

학습용 데이터가 준비되면 (4)AI 모델 학습 단계로 나아간다. (3)까지의 공정을 통해 엄선된 데이터를 AI 모델에 학습시켜 성능을 향상시킨다. 오픈소스 AI 모델을 기반으로 최적화하여 완성시키는 것이다.

-- 충실한 가상 평가로 개발 시간 단축 --
학습을 마치면 동물에 대한 인식 성능이 향상된 자율주행 AI가 완성된다. 이 성능을 확인하는 것이 (5)시뮬레이션 평가이다. 가상 환경에서 성능을 평가하기 때문에 실제 차량 주행으로만 실시하던 기존의 평가 방식과 비교해 평가 시간을 대폭 단축할 수 있게 되었다고 한다.

시뮬레이션 환경에서 3차원 영상 데이터를 생성할 수 있게 된 점이 큰 역할을 했다. 예를 들어, 고속도로의 왼쪽 차선 주행을 평가한 후에 오른쪽 차선 주행에 대한 평가도 실시할 필요가 생길 경우, 가상 공간에서 왼쪽 차선을 주행하고 있는 차량을 오른쪽 차선으로 이동시켜 자율주행 소프트웨어의 성능을 평가할 수 있다. 이 외에도 일본의 도로에 미국의 택시(옐로 캡)를 가상으로 주행시키는 등, 평소에는 조우할 수 없는 차량이나 물체의 영상을 생성해 자율주행 AI의 성능을 평가하는 것도 가능하다.

시뮬레이션 평가에서 대해서도 성능 향상을 위한 개발이 추진되고 있다. 시뮬레이션 상에서 더욱 현실에 가까운 평가가 가능해질 경우, 실제 차량 주행에 소요되는 인력과 비용, 시간이 줄어 자율주행 AI의 개발 사이클을 훨씬 더 빠르게 회전시킬 수 있다.

그렇다고 해서 (6)의 실제 차량을 이용한 차량 평가를 생략할 수는 없다. 이전 단계인 시뮬레이션 평가에서 자율주행 AI 모델의 성능 향상이 확인되면, 시험 차량에 AI 모델을 탑재하고 테스트 코스에서 실제로 주행시켜 문제가 없는지 여부를 확인한다. 이 과정을 통과하면 (7)릴리스 판단 단계로 넘어가, 고객의 차량에 탑재해 실용화한다는 것이 바로 액티브 러닝에 의한 자율주행 소프트웨어 개발의 흐름이다.

교통사고 제로의 자율주행 기술을 실현하는 데 있어서 특히 (5)에서 (7)까지의 공정이 얼마나 엄격하게 실시되는지가 열쇠를 쥐고 있다고 할 수 있다. 우븐바이토요타는 이 액티브 러닝을 활용하면서 도요타자동차와 긴밀히 연대해 “안전하고 안심할 수 있는 자율주행 기술 개발을 목표로 하겠다”라고 강조했다.

-- 끝 --

Copyright © 2026 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.