반응형 자율주행20 Simulation World Creator 1) 시뮬레이션의 목적과 핵심 개념복잡 시나리오 검증• 테슬라의 자율주행(FSD) 소프트웨어는 실제 도로 주행 데이터 외에도, 시뮬레이션에서 희귀하거나 위험도가 높은 상황을 반복적으로 테스트합니다.• 현실 세계에서 정확히 재현하기 어려운 상황(예: 돌발 장애물, 극단적 교통 혼잡, 복잡한 교차로 등)을 가상의 안전한 환경에서 무제한 시도할 수 있습니다.Lane Graph & Ground Truth Alternation• Lane Graph: 도로/차선 구조를 그래프로 나타낸 것으로, 각 차선이 어디서 분기·합류하는지, 교차점은 어떻게 연결되는지를 나타내는 ‘위상(Topology)’ 정보를 담습니다.• Ground Truth Alternation: 시뮬레이션 환경에서 사용하는 실제 지형·도로·객체의 정답(.. 2025. 5. 11. Automated 3D Labelling by multi-trip reconstruction 여러 번의 주행(트립)에서 획득한 영상·센서 데이터를 하나의 3D 장면으로 재구성한 뒤, 그 결과물을 이용해 자동으로 객체나 환경 요소에 라벨을 달아주는 기법을 의미합니다. 즉, 같은 장소를 여러 차례 지나가면서 촬영한 다각도·다시점 데이터를 종합해 정교한 3D 모델을 만들고, 이를 활용해 “자동 라벨링”을 수행하는 방식입니다. 일반적인 흐름을 단계적으로 살펴보면 다음과 같습니다. 1) 복수 주행(multi-trip) 데이터 수집 반복 경로 주행• 동일 혹은 유사 경로를 여러 번 지나갈 때, 차량(또는 로봇)이 카메라·라이다 등 센서를 통해 풍부한 영상·깊이 정보를 수집합니다.• 각 트립마다 촬영되는 시점(각도, 조도, 날씨)이 다르므로, 장면을 다양한 관점에서 관찰할 수 있습니다.시간 분산 데이터• .. 2025. 5. 7. FSD Networks in Car 1) FSD Networks in CAR의 개념 테슬라의 FSD(Full Self-Driving) 소프트웨어는 차량 내부 전용 컴퓨터(HW3/HW4 등)에서 여러 개의 뉴럴 네트워크가 병렬로 실행되며, 실시간으로 주변 환경을 파악하고 주행 결정을 내리는 구조를 갖추고 있습니다. 이 네트워크들은 각기 다른 목적(객체 추적, 공간 점유 분석, 교통 신호 인식, 주행 경로 계획 등)을 수행하면서도 상호 협력하여 완전 자율주행을 지향하는 통합 시스템을 형성합니다. 2) Moving Object Network• 역할주변 차량, 보행자, 자전거, 이륜차 등 “움직이는 객체”를 실시간으로 포착하고 추적하는 신경망입니다.• 특징1. 객체 검출 + 동적 속성 파악: 단순히 “존재 여부”만 파악하는 것이 아니라, 속도·가.. 2025. 5. 4. FSD Lanes Neural Network 테슬라 AI 데이 2022에서 발표된 FSD Lanes Neural Network는, 차량 주변의 차선 정보를 단순 2D 선분이 아니라 3차원 구조와 연결 정보까지 포함해 “언어(language)”처럼 이해·추출하려는 테슬라의 새롭고 확장된 접근법입니다. 이때 핵심 개념 중 하나로 Vision Map Language가 등장하는데, 이는 시각 정보(카메라로부터 얻은 장면)를 하나의 “지도 언어”로 간주하여, 교차로·합류 차선·유턴 차선 등 복잡한 차선 구조를 체계적으로 표현하고 학습하기 위한 테슬라 내부의 신경망 프레임워크를 의미합니다.아래에서는 1) FSD Lanes가 기존 접근과 어떻게 다른지, 2) Vision Map Language가 어떤 식으로 동작하며 FSD Lanes에 기여하는지, 3) 전체적.. 2025. 5. 1. 데이터 엔진(Data Engine): 전 세계 테슬라 차량으로부터의 실시간 학습 루프 수백만 대 차량 플릿과 베타 테스트• 테슬라는 이미 전기차 시장 선도기업으로서 방대한 차량 보급량을 자랑하며, 이들 차량이 주행하면서 생성하는 실도로 영상·센서 데이터를 수집해 클라우드로 전송합니다.[1][2]• FSD Beta 프로그램은 이 데이터를 기반으로 OTA 업데이트를 계속 실시하며, 운전자들 역시 “실험적 기능”이란 경고를 받고서 사용하게 됩니다. 이때 발생하는 주행 로그는 다시 테슬라가 받아 네트워크를 개선하는 데 활용합니다.자동 라벨링 & 섀도우 모드• 대규모 데이터 라벨링에는 AI 기반 자동 라벨링 시스템이 사용되고, 사람은 검수·보정만 담당해 효율을 높입니다.• 테슬라는 “섀도우 모드(Shadow Mode)” 방식으로, 새로운 모델을 실제 도로에서 운전자 모르게 병행 평가하고, 구형 모.. 2025. 4. 28. End-to-End 학습의 개념: 입력부터 조향·제어까지 1) 테슬라의 E2E(End-to-End) 지향• 전통적인 자율주행 파이프라인(객체 인식→지도 매칭→경로 계획→제어)을 최소화하고, “카메라 입력 → 차량 제어”를 단일 신경망 혹은 소수 네트워크로 묶어 학습하는 방향을 추구합니다.[8][9]• 테슬라 AI Day 등에서 강조된 “사람이 만든 모듈 규칙보다 AI가 직접 최적화하는 것이 효율적”이라는 철학이 반영된 결과입니다. 2) 장점• 중간 라벨이나 지도 의존도 없이, 막대한 실도로 데이터를 통해 “안전 주행” 목표에 직접 최적화할 수 있습니다.• 데이터가 쌓일수록 성능이 빠르게 향상되어, OTA 업데이트만으로도 상당한 개선이 이루어집니다. 3) 유의점• 블랙박스 구조로 인해, 실패 사례가 발생했을 때 원인을 찾기 어렵다는 점이 지적됩니다.[9]• FS.. 2025. 4. 25. 이전 1 2 3 4 다음 반응형
