첨단 차량 기능과 무공해 차량에 대한 수요가 증가함에 따라, 자동차 엔지니어링 팀은 신기술을 보다 신속히 포용해야 한다는 압박을 점점 더 크게 받고 있습니다. 이와 같은 수요에 발맞추기 위해 점점 더 많은 팀이 AI로 전환하고 있는 실정입니다.

지난 10년간은 AI가 부상함에 따라 엔지니어링 워크플로의 각 단계에서 사용할 수 있는 여러 기술이 개발되었습니다. 예를 들어 머신러닝 모델을 사용해 과거 차량 데이터를 마이닝하여 설계 단계의 주요 의사 결정에 필요한 정보를 얻을 수 있으며, ADAS(첨단 운전자 보조 시스템)의 일부분으로서 차량에 배포할 수도 있습니다.

최근에 이루어진 수많은 혁신은 AI 기법이 아니었다면 불가능했을 것입니다. 그러나 자동차 엔지니어에게 모든 AI 기법이 생소한 것은 아닙니다. 예를 들어 고급 통계 모델(요즘은 머신러닝 모델로 불림)은 오래전부터 보정 워크플로에서 테스트 셀 데이터의 특성을 분석하는 데 사용되어 왔습니다.

이 백서에서는 자동차 팀이 다음과 같은 활동에 AI를 사용하는 방법을 살펴봅니다.

• 혁신적 기능 구축
• 기존 제품 개선
• 개발 워크플로 개선
• 실제 데이터 해석
• 공정 개선 및 서비스 향상

사례 연구를 통해 엔지니어링 조직이 자율주행, 파워트레인 및 제어, 결함 진단과 예측, 제조 부문에서 AI를 사용하는 방법의 실례를 살펴볼 수 있습니다.

혁신적 기능 구축

Mahindra Truck and Bus: 머신러닝을 사용한 노면 상태 추정

Mahindra Truck and Bus Division은 차량 센서의 데이터를 사용하고 신호 필터링 및 센서 융합을 적용하여 데이터로부터 특징을 생성한 다음 머신러닝 모델을 적용하여 노면 상태를 예측하는 툴을 개발했습니다. 이 예측은 다른 알고리즘에 통합되어 차량 연비 개선에 사용됩니다.

자율주행

AI 기법이 지금껏 가장 큰 영향을 준 분야는 아마도 자율주행일 것입니다. 머신러닝 및 딥러닝 모델은 주변 환경을 인식할 수 있으므로 자율성을 한층 끌어올리는 데 있어서 필수적인 툴이 되었습니다. 이러한 모델은 카메라, 라이다, 레이다 및 기타 차량 센서로부터의 데이터를 환경에 대한 유의미한 표현으로 변환하는 데 사용됩니다. 이러한 모델을 구축하기 위해서는 몇 가지 기본적인 요소가 필요한데, 그것은 바로 모델 훈련에 사용할 수 있는 레이블 지정 실측 데이터, 모델을 데이터에 피팅하기 위한 알고리즘, 그리고 모델 성능 확인을 위한 프레임워크입니다. 이와 같은 모델을 구축하는 데 있어 실제 데이터가 중요한 역할을 하므로 관련 작업의 상당 부분은 데이터셋을 획득하고 선별하는 일을 수반합니다.

Caterpillar: 실측 데이터 관리

Caterpillar는 MathWorks와 함께 빅데이터 인프라를 개발했으며, 여기에는 외부 레이블 지정기 활용을 위한 웹 프론트엔드, 레이블 지정된 실측 정보를 검색하고 불러오기 위한 데이터베이스, 기능 개발자가 레이블 지정된 실측 정보를 분류기의 훈련, 확인, 배포에 사용할 수 있도록 돕는 인터페이스가 모두 갖추어져 있습니다.

Continental: 카메라 데이터에 기반한 교통 신호 인식

카메라 데이터에 AI 기법을 적용하기 위해서는 데이터 선별부터 모델 개발 및 배포에 이르는 완전한 워크플로가 필요합니다. 모델의 강점과 약점을 파악하려면 모델의 성능을 시각화하는 툴도 필요합니다. Continental의 엔지니어들은 교통 신호 인식을 위해 실측 데이터에 레이블을 지정하고 기록된 장면을 검사하고 머신러닝 알고리즘을 개발 및 확인하기 위한 툴체인을 개발했습니다.

PathPartner: 레이다 포인트 클라우드의 객체 분류

PathPartner의 엔지니어들은 야간, 악천후, 먼 거리처럼 카메라로는 충분하지 못할 만한 조건에서 보행자와 그 외의 취약한 도로 사용자를 감지할 수 있는 응용 사례의 레이다 데이터에 머신러닝을 적용했습니다. 그들은 분류 학습기 앱을 사용하여 여러 머신러닝 알고리즘을 신속하게 평가하고 예측 정확도를 파악할 수 있었습니다.

Autoliv: 라이다 포인트 클라우드에서 객체 검출

Autoliv의 엔지니어들은 딥러닝을 사용하여 라이다 포인트 클라우드의 객체를 검출하여 다른 센서로는 검출할 수 없는 영역 내 객체를 식별할 수 있었습니다. 딥러닝을 사용한 덕분에 이 팀은 라이다 데이터에 수작업으로 레이블을 지정하고 이를 분석하는 데 드는 시간을 대폭 줄일 수 있었습니다.

기존 제품의 성능 개선

BMW: 과조향 검출

BMW는 과조향, 즉 차량이 선회하는 중에 후륜 타이어가 접지력을 잃는 상황을 검출하기 위한 머신러닝 모델을 개발했습니다. 이 팀은 트랙의 운전자로부터 수집된 데이터를 토대로 차량의 다양한 센서에서 수집되는 데이터를 분석하여 과조향 검출에 가장 유용할 만한 데이터를 식별했습니다. 그런 다음 새 데이터를 사용해 과조향 검출을 수행할 수 있는 머신러닝 모델을 훈련시키고 차량에서 직접 테스트할 수 있도록 ECU에 배포했습니다. 이러한 차량에서의 테스트는 머신러닝 워크플로가 사용 가능함을 입증했을 뿐만 아니라 팀원들이 견인 제어 시스템 전반의 성능을 평가하고 이전 설계와 비교하여 개선된 부분을 파악하는 데도 도움이 되었습니다.

Cummins: 제어 설계를 위한 시스템 식별 모델 개발

Cummins는 고전 제어 설계를 개선하기 위한 머신러닝 사용 방안을 연구하고 있습니다. 연구 주제 중에는 머신러닝을 사용하여 모델 예측 제어를 위한 시스템 식별 모델을 개선하고 딥러닝 및 강화 학습 등의 데이터 주도 기법을 PID 기반 제어와 결합하는 방법이 포함되어 있습니다.

Vitesco: 배출 저감을 위한 강화 학습

Vitesco는 배출 응용 사례에 강화 학습을 적용했습니다. 이 팀은 자세한 플랜트 모델(엔진 및 배기가스 시스템으로 구성됨)을 만든 후 강화 학습 에이전트를 프로토타이핑, 생성 및 최적화하여 배기가스 후처리 시스템의 제어 전략을 개선했습니다.

개발 워크플로 개선

Mazda: 모델 기반 보정을 사용한 테스트 감소 및 모델 정확도 개선

모델 기반 보정은 전통적인 통계학적 방법을 사용하여 테스트 계획을 정의하고, 실험 또는 시뮬레이션 설정에서 데이터를 수집하고, 데이터 기반 모델을 데이터에 피팅한 후, 데이터 기반 모델을 실제 시스템의 대용으로 사용하여 시스템 성능을 최적화하는 작업으로 구성됩니다. Mazda의 엔지니어들은 모델 기반 보정 기법을 사용하여 테스트 업무 부하를 최소화하고 엔진 모델의 복잡도를 낮추고 모델의 배기 파이프에서 나오는 매연에 대한 예측 정확도를 높였습니다.

GM: 전기 구동 시스템에서 모델 기반 보정 사용

전기 구동 시스템을 보정하는 데도 동일한 모델 기반 보정 기법이 사용되고 있습니다. General Motors는 전기 구동 시스템의 각각의 속도/토크/전압 조합에 대한 최적의 전류 지령을 파악하고자 전류 참조 생성 테이블을 보정했습니다. 이 팀은 실험계획법을 사용하여 최적의 테스트 계획을 수립한 다음 다양한 머신러닝 모델을 실험 데이터에 피팅하여 전류를 입력값의 함수로서 모델링했습니다. 이러한 전류 모델은 신속 설계 탐색을 지원하여, 팀원들은 최적화를 수행하여 차량 소프트웨어에 사용될 전류 참조 테이블을 생성할 수 있었습니다.

AI 보조 테스트

AI 기법은 테스트 중에 사람이 감독해야 할 부분을 줄이는 데 사용할 수 있습니다. 과거 테스트 데이터를 사용하면 테스트가 실행되는 동안 바람직하거나 그렇지 않은 동작을 식별하도록 모델을 훈련시킬 수 있습니다. AI 모델은 영상, 오디오 또는 비디오와 같은 센서 데이터로 훈련이 가능하므로, 이를 사용하여 테스트 기준의 실시간 분류를 수행할 수 있습니다.

Daihatsu: 엔진 노킹 식별

노킹을 식별하는 일은 전통적으로 숙련된 테스트 담당자가 수행해 온 작업입니다. Daihatsu의 엔지니어들은 음향 분석을 사용하여 오디오 신호에서 특징을 추출하는 접근법을 개발했습니다. 이렇게 추출된 특징은 엔진 노킹을 분류하는 딥러닝 모델로 입력됩니다. 이러한 접근법을 통해 숙련된 작업자와 동일한 정확도로 노킹음을 판단할 수 있습니다.

배출 저감

기존의 자동차 제조업체들은 ICE(내연 기관)가 장착되는 재래식 차량을 계속 개발하면서도 무공해 차량(배터리 또는 연료전지 구동식)도 만들어야 한다는 압박을 점점 더 크게 받고 있습니다. 엄격한 청정 대기 규제는 더 복잡한 ICE, 촉매 변환기 기반 시스템 및 OBD(온보드 진단) 시스템의 개발을 촉진하고 있습니다. 이러한 시스템은 대체로 비선형적이며 개발, 조정, 테스트에 상당한 리소스를 요합니다. AI 접근법을 데이터 주도 모델 개발에 접목하면 개발에서 가상 환경의 사용을 늘려 이에 대한 실용적인 대안을 제시할 수 있습니다.

Renault: 배기가스 추정기 개발

기존의 NO_X 추정값은 룩업 테이블이나 연소 모델에서 구합니다. 그러나 룩업 테이블은 정확도가 떨어지고 연소 모델은 계산량이 많습니다. Renault의 엔지니어들은 딥러닝 신경망을 사용하여 엔진에서 방출되는 NO_X를 모델링했습니다. 이 팀은 일반적인 드라이브 사이클로 실제 엔진으로부터 실험 데이터를 수집하고, 여러 심층 신경망 구성을 반복하여 엔진에서 방출되는 NO_X를 적절히 모델링한 구성을 찾았습니다. 그런 다음 제어 설계와 데스크탑 시뮬레이션에 대한 비선형 관측기의 일부로서 이 모델을 사용했습니다.

실제 데이터 해석

Honda: 배출 후처리 시스템 평가

Honda의 엔지니어들은 배출 규정 준수를 위해 개발 활동에 필요한 정보를 얻고자 차량 1,000대로부터 수집된 100만 킬로미터 상당의 주행 데이터를 분석했습니다. 이 팀은 원시 데이터를 전처리하고 필터링한 다음 속도, 주행 거리, 기어 선택, AC 사용, 교통 상황 등의 특징을 추출하기 위한 파이프라인을 개발했습니다. 이 분석에서 도출된 통계적 분포를 통해 엔지니어들은 배출 후처리 시스템이 성능 요구사항을 충족하는지 확인할 수 있었습니다.

Volkswagen Data Lab: 주행 패턴 분석

Volkswagen Data Lab은 원격 측정 데이터가 어떻게 운전자마다 다른지를 분석하고 차량 센서로부터 수집된 데이터를 토대로 누가 운전 중인지를 자동으로 파악할 수 있는 분류기를 개발했습니다. 이 팀은 차량의 CAN 버스 데이터를 사용하고 시계열에서 슬라이딩 윈도우를 사용하여 다양한 통계적 특징을 추출했습니다. 이 접근법을 통해 운전자를 통계적으로 인식하고 “주행 거리에 따른 비용 책정(pay-as-you-drive)” 같은 잠재적 비즈니스 모델의 기틀을 확보할 수 있었습니다.

실제 차량 데이터

커넥티드 차량은 차량 설계의 여러 측면에 사용할 수 있는 실제 주행 데이터를 생성합니다. 이러한 데이터는 매우 거대하기 때문에 이를 저장할 특수한 IT 시스템이 필요합니다.

Ford: 차량 데이터 액세스 및 분석

Ford의 팀은 Apache Spark™에 저장된 차량 데이터에 MATLAB을 연결했으며, 그에 따라 엔지니어들은 익숙한 툴로 이 데이터에 액세스하고 분석할 수 있게 되었습니다. ADAS 엔지니어들은 이 데이터를 통해 특정 기능이 실제 환경에서 어떻게 작용하는지를 이해하고 시뮬레이션과 확인에 사용 가능한 시나리오를 생성할 수 있습니다.

공정 개선 및 서비스 향상

Mercedes-Benz: 기계 사이클 오류 감지

Mercedes-Benz의 엔지니어들은 제조 생산 파라미터에서 오류 사이클을 감지하기 위해 이상 감지 기법을 적용했습니다. 이 팀은 시계열 기법을 사용하여 기계 사이클의 특성을 식별한 다음 통계 분석을 수행하여 정상 사이클과 이상 사이클의 특성을 분석했습니다.

예측 정비

예측 정비 기법은 차량에서의 응용 사례에도 사용됩니다. 특히 상업용 차량 분야에서는 예기치 않은 가동 중단 시간이 발생하면 장비 운영업체에 커다란 타격이 될 수 있습니다. 이 문제에 대처하는 전통적인 방법은 고장이 발생하기 훨씬 전에 주기적 정비 일정을 잡는 것입니다. 그러나 이와 같은 접근법은 정비를 위한 부가적인 노동이 필요하고, 잔여 수명이 아직 있는 부품을 폐기하게 될 수도 있습니다.

Baker Hughes: 펌프 고장 예측

Baker Hughes는 머신러닝 기법을 사용하여 개발한 예측 정비 알고리즘으로 석유 추출 장비의 펌프 고장을 예측할 수 있었으며, 이로써 예기치 않은 고장을 줄이고 연간 1,000만 달러로 추정되는 비용을 절약할 수 있었습니다.