자율주행차 (AV) 개발에서 수집된 데이터의 우선순위를 정하고 분석하는 프로세스인 트리아지 (Triage) 는 도로 주행 테스트 중에 수집되는 방대한 양의 데이터를 관리하는 데 중요할 뿐만 아니라 시스템 기능과 안전성을 유지하는 데도 필수적입니다. 트리아지는 잠재적인 기능 및 안전 문제를 식별하고 해결할 뿐만 아니라 점점 더 복잡해지고 있는 AV 시스템의 규모와 복잡성을 관리합니다.
이번 블로그에서는 트리아지의 중요성을 강조할 뿐만 아니라 시스템 성능을 향상시키는 프로세스와 기술 솔루션에 초점을 맞춰 트리아지를 효과적으로 수행하는 44가지 주요 고려 사항에 대해 살펴볼 예정입니다.
전략적 데이터 관리를 통해 개발을 가속화하고 결과를 개선하는 방법과 더불어서 Applied Intuition의 통합 도구를 통해 성공적인 분류를 위한 포괄적인 솔루션을 제공하는 방법에 대해 설명합니다.
1. 효율적인 데이터 선택
여러 대의 카메라와 라이다가 있는 센서 어레이는 일반적으로 매시간 테라바이트의 데이터를 생성합니다. 차량이 확장됨에 따라 데이터 양은 매주 페타바이트에 달할 수 있습니다. 사전 처리된 데이터를 저장하는 데 드는 높은 비용을 고려할 때, 가장 유용한 데이터 하위 집합을 정확하게 식별하는 것은 AV 시스템에서 개선이 필요한 모듈을 식별하는 데 매우 중요합니다. 가치 있는 데이터에 집중함으로써 유용하지 않은 데이터를 효율적으로 삭제하거나 보관하여 스토리지 및 컴퓨팅 비용을 크게 절감할 수 있습니다.
이 접근 방식을 구현하면 운영을 간소화할 뿐만 아니라 AV 프로그램의 인프라 비용도 크게 절감할 수 있습니다. 대규모 AV 프로그램은 데이터를 효율적으로 관리함으로써 누적적으로 수백만 달러의 스토리지 및 컴퓨팅 인프라 비용을 절감할 수 있습니다.
Applied Intuition의 데이터 솔루션은 최첨단 머신 러닝 모델을 활용하여 페타바이트 규모의 수집 데이터에서 가치 있는 인사이트를 자동으로 찾아내어 고객이 시간과 비용을 효과적으로 절감할 수 있도록 지원합니다.
2. 태그 지정 및 필터링으로 문제 해결 간소화
트리아지는 비용을 절감할 뿐만 아니라 시간도 절약하여 도메인 전문가가 가장 시급한 문제에 집중할 수 있게 해줍니다. 자율주행차 개발에서는 인식, 융합, 현지화, 계획과 같은 전문 엔지니어링 그룹이 각각 중요한 역할을 담당합니다. 자율주행 시스템에 문제가 발생하면 이를 적절한 팀에 신속하게 전달하는 것이 중요합니다. 고급 태깅 및 필터링은 가장 중요한 데이터 포인트를 분리하여 이 프로세스를 간소화함으로써 엔지니어가 자신의 전문 지식에 따라 특정 문제를 해결하는 데 집중할 수 있도록 하여 AV 스택의 개선 속도를 높일 수 있습니다.
데이터의 중요성은 AV 프로그램의 라이프사이클 전반에 걸쳐 진화합니다. 차량과 인력이 적은 초기 단계에서는 새로운 시나리오가 널리 퍼져 있기 때문에 수집된 거의 모든 데이터가 가치 있는 인사이트를 제공할 수 있습니다. 여기서 태그 지정과 필터링은 스택의 초기 문제를 신속하게 찾아내고 관련 데이터를 적절한 팀에 전달하는 데 필수적입니다.
차량과 인력이 제한된 초기 단계의 프로그램에서는 주로 새로운 시나리오로 가득 찬 유용한 데이터가 주로 생성됩니다. 이 단계에서 효율적인 태그 지정 및 필터링은 중요한 문제를 신속하게 강조하여 관련 팀에 데이터를 신속하게 전달합니다.
3. 효율적인 검토를 위한 자동화 활용
자율주행 개발의 초기 과제에는 차량의 주변 환경을 정확하게 인식하지 못할 수 있는 미성숙한 자율주행 알고리즘이 탑재된 데이터 수집 차량을 사용하는 것이 포함됩니다. 이러한 데이터를 수동으로 검사하려면 시간이 많이 소요될 뿐만 아니라 비용도 많이 듭니다.
프로그램이 확장됨에 따라 차량의 수와 함께 데이터의 양이 폭발적으로 증가함에 따라 기존의 데이터 관리 방식은 재정적으로 비현실적입니다. 특히, 이러한 데이터의 대부분은 이미 발생한 시나리오를 반복할 수 있지만, 그 안에는 예상치 못한 상황을 테스트하는 데 중요한 드문 '롱테일' 시나리오가 숨겨져 있습니다.
팀은 자동화 및 오프라인 모델 생성 태그를 사용하여 주요 섹션을 빠르게 찾아내므로 엔지니어가 중요한 검토에 더 효율적으로 집중할 수 있습니다. 또한 정교한 자동화 및 필터링 규칙을 통해 팀은 방대한 양의 데이터를 효율적으로 선별하여 추가 분석을 위한 핵심 영역을 식별할 수 있습니다. 자동화와 사람의 검토를 결합한 이러한 계층적 접근 방식은 시스템 결함을 식별하는 정확성을 높여줍니다. 엔지니어는 몇 시간 동안 데이터를 검토하는 대신 자신의 전문 분야와 가장 관련이 있는 문제를 해결하고 스택을 더 빠르게 개선하는 데 시간을 할애할 수 있습니다.
이상적인 경우에는 차량에서도 실시간 이벤트 태깅이 이루어집니다. 수집된 데이터는 실시간으로 자동으로 태그가 지정되고 개발자가 사용할 수 있습니다. 이 데이터에는 이탈 및 센서 문제가 포함될 수도 있고, 개발자가 실제로 특정 이벤트 태그를 요청하여 훈련이나 분석에 즉시 사용할 수도 있습니다.
4. 시각화를 통한 데이터 분석 최적화
시각화 도구는 복잡한 데이터 세트에 대한 명확한 인사이트를 제공하고 의사 결정 프로세스를 향상시키는 트리아지프로세스에서 필수적인 요소입니다. 이러한 도구는 데이터를 그래픽으로 표현함으로써 엔지니어가 이상 징후를 신속하게 식별하고 중요한 시나리오를 이해하여 방대한 양의 AV 데이터 검토 및 분석을 간소화할 수 있도록 도와줍니다.
엔지니어는 시각화 도구를 사용하여 로그를 필터링하고 자율 시스템이 중단된 위치를 파악하여 중요한 문제를 정확히 찾아내어 문제를 해결할 수 있습니다. Log Sim을 사용하면 고객은 연결 해제 지점을 지나 소프트웨어 스택에 기록된 센서 데이터를 재생하고 스택이 위험한 상황에 진입했는지 확인할 수 있습니다.
또한 시뮬레이션 기술은 팀이 초기 시스템 분리 이후에도 분석을 확장할 수 있도록 하여 중추적인 역할을 합니다. 엔지니어는 분리 시점 이후의 센서 데이터를 재생하여 시스템이 진행 중인 시나리오에 대처했을지 여부를 평가함으로써 대응의 견고성을 평가하고 안전 조치를 강화하는 데 기여할 수 있습니다.
트리아지는 자율 주행 차량 소프트웨어를 구축하기 위한 피드백 루프의 핵심적인 부분입니다. 올바른 도구를 사용하면 데이터의 가치와 분류 프로세스의 효율성을 향상시킬 수 있습니다. 좋은 도구는 팀이 스택의 성능을 더 쉽게 분석하고, 문제를 더 빠르게 식별 및 수정하고, 관련 데이터를 더 효과적으로 찾고, 더 나은 실제 및 시뮬레이션 테스트를 생성하여 소프트웨어의 품질을 보장하는 데 도움이 될 수 있습니다.
Applied Intuition의 접근 방식
Applied Intuition은 레벨 4 자율성 및 자동차 OEM (주문자 상표 부착 생산) 고객과의 협업을 통해 데이터 관리 및 분류에 대한 효과적인 접근 방식을 개발했습니다.
Data Explorer는 고객이 데이터에 태그를 지정하고, 인사이트를 얻기 위해 데이터를 마이닝하고, 스택이 분리된 스니펫으로 로그를 빠르게 필터링할 수 있도록 지원합니다. 안전을 위해 위험한 상황이 발생하면 스택이 분리되어 드라이버가 작업을 이어받게 됩니다.
Data Explorer는 Validation Toolset 및 Log Sim과 같은 다른 툴과 함께 작동하여 고객이 더 안전한 자율 주행 소프트웨어를 더 빠르고 저렴하게 개발할 수 있도록 지원합니다.
Data Explorer, Validation Toolset, Log Sim을 결합하여 더 안전한 자율 주행 소프트웨어를 개발하는 방법에 대해 자세히 알아보려면 Applied Intuition에 문의하세요.
.webp)
.webp)
