​

운전자가 신뢰할 수 있는 자율주행을 구현하기 위해서는 고도의 안전성과 신뢰성이 확보된 시스템이 필요하며, SAE Level 5 수준의 자율주행 제어 시스템 개발을 위해서는 개발 효율성 또한 중요합니다. 자율주행 기능 구현을 위해서는 기존의 제어 기반 접근 방식과 학습된 뉴럴 네트워크를 활용하는 방법이 있습니다. GPU기반으로 운용되는 학습하는 뉴럴 네트워크는 고화질 센서로부터 수집되는 방대한 양의 데이터 처리에 적합합니다.

​

AI 적용 가능 영역 식별

자율주행 시스템을 개발하기 위한 사물인식, 상황분석, 행동계획 프로세스가 향후 인공지능과 머신러닝으로 대체될 수 있는 방법들을 연구해야 합니다.

​

뉴럴 네트워크 학습

성공적인 데이터 학습을 위해서 양질의 학습 데이터가 필요합니다. 이후에 AI가 스스로 인식해야 하는 객체들을 데이터로 정밀하게 표시하여 분류해야 합니다. 이 단계에서 상당한 노력과 수작업을 필요로 합니다. BOSCH에서는 품질 목표를 달성하기 위해 Understand.ai의 라벨링 서비스와 Tool을 활용하고 있습니다.

​

다양한 주행환경 데이터 구축

실제 주행 중 센서를 통해 기록된 raw data는 학습 데이터로 사용됩니다. 즉, 실제 주행경로의 종류와 특성이 정의된 다양한 교통환경(고속도로, 시골길, 도시, 교통 객체, 교통 시나리오 등)에 대한 raw data가 필요합니다. 수많은 raw data를 통해 개발에 필요한 교통환경을 쉽게 추출할 수 있습니다.

​

​

뉴럴 네트워크의 지도 학습

뉴럴 네트워크는 인간의 뇌와 마찬가지로 긍정적/부정적 사례를 습득하며 학습합니다. 정확한 결과를 얻기 위한 판단경로는 유지되지만, 부정확한 결과로 이어지는 판단 경로는 폐기하며, 정확한 결과를 학습하기 위해서 TASK와 솔루션이 모두 필요합니다. 이러한 방식을 지도학습이라고 하며, 솔루션은 참조 데이터(raw data+라벨링/주석)의 형태로 표시(라벨링/주석)하여 사용 가능합니다.

​

Lidar Data의 3D Annotation

3D Annotation은 Lidar의 센서 데이터를 활용합니다. 각각의 객체들은 Lidar의 3D 포인트 클라우드 위에 고도의 정밀한 바운딩 박스로 표시되며, 카메라의 센서 데이터는 신뢰성 점검에 사용합니다. 반복적인 접근방식은 품질 목표를 달성하기 위한 성공적인 사례로 입증되었습니다. 이러한 방식은 BOSCH와 understand.ai의 지속적인 피드백을 통해서 정밀한 품질 수준을 달성했습니다.

​

​

Annotation 센서 데이터를 활용한 지도 학습

Annotation 데이터는 AI의 적용 가능 영역을 식별하는데 사용됩니다. 지도 학습은 네트워크의 깊이와 데이터의 양에 따라 상황에 따라서 몇 주가 소요되며, 강력한 GPU 기반의 IT 인프라가 필요합니다.

​

결과 및 정확도

Annotation이 복잡한 작업에 도움이 되는 것은 확실하지만, 완벽할 수 없다는 것은 염두에 두어야 합니다. 참조 데이터의 품질은 AI가 사물을 명확하게 식별하는 후속 능력을 결정하기 때문에 정확한 Annotation은 지도 학습에 반드시 필요한 필수 조건입니다. 다른 개발 분야와 마찬가지로 Annotation도 최고의 품질을 달성하기 위해 프로세스와 Tool을 지속적으로 조정하고 최적화하기 위한 반복 학습과정을 거쳐야 합니다. understand.ai의Annotation경험과전문성을기반으로확립된프로세스, 강력한 Tool, 효율적인 피드백 사이클로 원하는 결과를 얻으실 수 있습니다.

​

FAQ

Q1) Annotation의 품질은 어떻게 측정하나요?

A1) 프로젝트 시작 전에 설정된 서비스 수준의 계약에 따라 UAI의 전담 사내 품질 보증팀이 통계적으로 유의미한 양의 라벨데이터의 품질을 점검합니다.

​

Q2) 프로젝트 중에 품질을 확인하는 방법은 어떻게 되나요?

A2) 프로젝트 기간 진행 중에는 UAI의 Tool에 접속하여 작업 현황을 확인할 수 있습니다.

​

Q3) Annotation Tool을 사용하여 나의 데이터를 export/import 할 수 있나요?

A3) 레코딩 데이터의 다양한 포맷이 존재하기 때문에 현재까지는 export/import 시 UAI에서 진행합니다.

​

​

understand.ai Data Annotation

​

주요 기능

▶ 취득한 2D, 3D 데이터에 머신 러닝 학습용 데이터 생성

- 2D Image: Bounding Box, Polyline, Semantic Segmentation

- 3D Lidar/Radar: Cuboid

- 공통: 차종, 표시등, 교통 표지판, 보행자, 날씨 등의 Meta-Attribute

▶ 머신러닝 학습용 데이터에서 중요한 양질(Right quality)의 데이터 제공

​

특장점

▶ 빠르고 효율적인 Annotation을 위한 기능 제공

- Zero-Touch Magic: 프레임 이동 시 Interpolation을 통한 자동 Annotation 지원 (2D의 경우 약 40%, 3D의 경우 약 70% 수준의 자동화 가능)

- Hyperdense Point Cloud Transformation, Velocity Based Propagation 기능을 통해 Zero-Touch Magic의 자동화 수준을 지속적으로 향상시킴

▶ 품질 관리를 위한 작업자 및 작업 결과물에 대한 모니터링 기능 제공

​