챕터별 상세
00:00
자율 주행이 체스보다 어려운 이유: 열린 시스템의 복잡성
체스는 정해진 규칙 내에서 움직이는 닫힌 시스템이지만, 운전은 수많은 변수가 존재하는 열린 시스템이다. 객체의 종류, 환경의 변화, 그리고 이들 간의 상호작용이 만들어내는 시나리오는 무한대에 가깝다. 이러한 Coverage Complexity 때문에 모든 상황을 사전에 학습시키는 것은 불가능하며, AI가 물리적 세계의 인과관계를 직접 경험하며 학습하는 물리적 지능이 필수적이다.
10:30
Scenario2Vector: 대규모 데이터셋에서의 시나리오 마이닝
자율 주행차의 안전을 측정하기 위해 서로 다른 차량이나 소프트웨어 버전 간의 성능을 비교하는 방법론을 제시했다. Scenario2Vector 기법을 적용하여 주행 데이터를 고차원 벡터로 임베딩하고, SDL(Scenario Description Language)을 통해 비정형 시나리오를 해석 가능한 형태로 변환했다. 이를 통해 수천 시간의 주행 기록 중에서 터널 주행이나 급커브와 같이 특정 상황만을 자동으로 추출하여 성능을 정밀하게 비교 분석했다.
18:50
CRASH: 적대적 강화학습을 이용한 안전성 강화
자율 주행 에이전트의 취약점을 찾기 위해 시뮬레이션 환경에서 적대적 강화학습을 도입했다. CRASH 알고리즘은 주변 NPC 차량들이 자율 주행차와 충돌하도록 유도하는 정책을 학습시켜 시스템이 실패하는 엣지 케이스를 강제로 생성한다. 이렇게 발견된 충돌 시나리오를 다시 자율 주행 에이전트의 학습 데이터로 사용하여 시스템의 견고성을 단계적으로 높이는 Safety Hardening 과정을 거쳤다.
28:00
F1TENTH와 인디 자율 주행 챌린지(IAC)의 성과
연구의 실효성을 검증하기 위해 1/10 스케일의 F1TENTH 플랫폼부터 실제 경주차를 이용한 IAC까지 연구 범위를 확장했다. F1TENTH는 저비용으로 물리적 AI 연구를 수행할 수 있는 오픈소스 생태계를 제공하며 전 세계 30개 이상의 레이싱 대회를 개최했다. 최종적으로 실제 인디카를 개조한 IAC에서 시속 184마일(약 296km/h)의 세계 기록을 달성하며 고속 주행에서의 자율 제어 가능성을 입증했다.
41:00
고속 주행을 위한 Bezier 궤적 계획 및 물리 기반 모델링
시속 300km에 육박하는 속도에서는 0.1초의 오차도 치명적이므로 효율적인 궤적 계획이 중요하다. 수백 개의 웨이포인트를 예측하는 대신 Bezier Curve를 활용하여 소수의 제어점만으로 매끄럽고 연속적인 주행 경로를 생성하는 방식을 적용했다. 또한 타이어 마찰력과 같은 복잡한 물리 현상을 정확히 반영하기 위해 물리 법칙을 신경망 구조에 통합한 Physics-informed 모델을 사용하여 예측 정확도를 높였다.
용어 해설
- 물리적 인공지능(Physical AI)
- — 가상 세계의 데이터 처리를 넘어 실제 물리적 환경에서 로봇이나 차량이 센서를 통해 주변을 인식하고 물리 법칙에 따라 상호작용하며 행동하는 AI 기술이다. 단순한 논리 추론을 넘어 마찰력, 관성 등 복잡한 물리 현상을 이해하고 실시간으로 대응해야 하는 난도가 높은 분야이다.
- 적대적 강화학습(Adversarial Reinforcement Learning)
- — 학습 대상인 에이전트의 취약점을 찾아내어 실패를 유도하는 적대적 에이전트를 함께 훈련시키는 기법이다. 자율 주행 시뮬레이션에서 사고를 유발하는 NPC 차량을 훈련시켜 시스템의 한계를 파악하고 이를 통해 주행 에이전트의 견고성을 높이는 데 사용된다.
- 베지에 곡선(Bezier Curve)
- — 몇 개의 제어점을 사용하여 매끄러운 곡선을 생성하는 수학적 방법으로, 컴퓨터 그래픽과 경로 계획에 널리 쓰인다. 자율 주행에서는 수많은 웨이포인트를 일일이 계산하는 대신 소수의 제어점으로 부드러운 주행 궤적을 정의하여 계산 효율성을 극대화한다.
- 시나리오 기술 언어(SDL (Scenario Description Language))
- — 복잡한 도로 상황과 차량의 움직임을 정형화된 텍스트나 코드로 기술하는 표준화된 방식이다. 이를 통해 방대한 주행 데이터셋에서 특정 위험 상황이나 교차로 진입 같은 시나리오를 효율적으로 검색하고 분류할 수 있다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 11.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.