백서

자동차 엔지니어를 위한 AI 응용 사례

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.

섹션

혁신적 기능 구축

머신러닝은 자율주행에서 한몫을 담당하는 것으로 가장 잘 알려져 있지만, 파워트레인 및 제어 응용 분야에도 도입되어 왔습니다. 이러한 응용 분야에서는 머신러닝 모델을 사용해서 주행 스타일이나 부품 마모처럼 측정이 어려운 상태의 추정값을 구할 수 있습니다. 이와 같은 추정값은 피드백 제어기에서 사용하여 차량의 성능이나 효율성을 개선할 수 있습니다.

이 섹션에는 다음 기업의 사례 연구가 포함되어 있습니다.

  • Mahindra
  • Caterpillar
  • Continental
  • PathPartner
  • Autoliv    

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.

Caterpillar - 실측 정보 레이블 지정 인프라

Caterpillar - 실측 정보 레이블 지정 인프라.

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.

Continental - 운전자 보조 시스템을 위한 교통 신호 인식 사례

Continental - 운전자 보조 시스템을 위한 교통 신호 인식 사례.

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.

PathPartner - 레이다 기반 자동차 응용 사례에 대한 머신러닝 알고리즘 개발 사례

PathPartner - 레이다 기반 자동차 응용 사례에 대한 머신러닝 알고리즘 개발 사례.

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.

Autoliv - 라이다 기반 센서 검증 사례

Autoliv - 라이다 기반 센서 검증 사례.

섹션

기존 제품의 성능 개선

프로젝트에서 AI를 사용한다고 해서 다른 기법을 배제할 필요는 없습니다. AI는 제1원리나 물리학에 기반한 고전 기법을 보강하는 데 사용할 수 있습니다. 예를 들어 기존의 방법보다 더 정확하다고 알려진 영역에서만 머신러닝 모델을 제어 전략에 통합할 수 있습니다. 실제로 각 접근법의 장점만을 취하기 위해 테스트 목적으로 AI 모델을 기존 알고리즘과 병행하여 실행하는 것이 일반적입니다.

AI를 사용하여 기존 제품을 개선한다는 것은 팀이 다년간 구축해 온 튼튼한 기초를 온전히 활용하는 가운데 새로운 기술로 제품과 서비스를 보강한다는 것을 의미합니다.

이 섹션에는 다음 기업의 사례 연구가 포함되어 있습니다.

  • BMW
  • Cummins
  • Vitesco   

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.

BMW - 머신러닝을 사용한 차량 과조향 상태 검출 사례

BMW - 머신러닝을 사용한 차량 과조향 상태 검출 사례.

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.

Cummins - 고전 제어 설계 보강을 위한 강화 학습 배포 사례

Cummins - 고전 제어 설계 보강을 위한 강화 학습 배포 사례.

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.

Vitesco - 파워트레인 제어의 심층 강화 학습 적용 사례

Vitesco - 파워트레인 제어의 심층 강화 학습 적용 사례.

섹션

개발 워크플로 개선

제품은 복잡해지고 일정은 빠듯해지면서 엔지니어들이 전체 설계 공간을 살펴보기가 갈수록 어려워지고 있습니다. 컴퓨터화된 모델(물리 기반 또는 데이터 기반)은 반드시 수행해야 하는 실제 테스트를 크게 줄여줍니다. 물리학 및 제1원리를 통해 개발된 모델은 화이트박스적인 속성 덕분에 선호되는 경우가 많지만, 대규모 상충관계 연구에 사용하기에는 계산 측면에서 지나치게 비효율적일 수 있습니다.

이와 같은 경우에는 머신러닝 모델이 물리학 기반 모델의 동역학을 포착하면서도 계산 측면에서 더 효율적인 대체 수단이 될 수 있습니다. 예를 들어 딥러닝 모델은 고충실도 엔진 모델로부터 생성된 오염물질 배출 데이터에 맞게 조정된 다음 후처리 제어기 개발에 사용될 수 있습니다.

가장 성숙한 단계의 대체 모델링 사용 분야 중 하나는 모델 기반 보정을 위한 엔진 동작 모델링입니다. 테스트 셀에서 수행되는 실험에서는 다양한 입력 조건에 대한 엔진의 응답을 포착하는 데이터가 생성됩니다. 그 후에는 가우스 과정 모델 또는 방사형 기저 함수 같은 머신러닝 모델이 이 데이터에 “피팅”됩니다. 그 결과로 만들어지는 모델은 엔진 동작을 포착하면서도 컴퓨터에서 신속하게 실행되어 엔진 보정 테이블의 최적화를 가능하게 합니다.

이 섹션에는 다음 기업의 사례 연구가 포함되어 있습니다.

  • Mazda
  • GM
  • Daihatsu
  • Renault 

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.

Mazda - SKYACTIV TECHNOLOGY의 차세대 엔진 개발 가속화 사례

Mazda - SKYACTIV TECHNOLOGY의 차세대 엔진 개발 가속화 사례.

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.

GM - 모델 기반 보정을 사용한 전기 구동장치의 전류 참조 생성 테이블 보정 사례.

GM - 모델 기반 보정을 사용한 전기 구동장치의 전류 참조 생성 테이블 보정 사례.

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.

Daihatsu - AI를 사용한 엔진음 분류 사례

Daihatsu - AI를 사용한 엔진음 분류 사례.

배출 저감

기존의 자동차 제조업체들은 ICE(내연 기관)가 장착되는 재래식 차량을 계속 개발하면서도 무공해 차량(배터리 또는 연료 전지 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 NOX 추정값은 룩업 테이블이나 연소 모델에서 구합니다. 그러나 룩업 테이블은 정확도가 떨어지고 연소 모델은 계산량이 많습니다. Renault의 엔지니어들은 딥러닝 신경망을 사용하여 엔진에서 방출되는 NOX를 모델링했습니다. 이 팀은 일반적인 드라이브 사이클로 실제 엔진으로부터 실험 데이터를 수집하고, 여러 심층 신경망 구성을 반복하여 엔진에서 방출되는 NOX를 적절히 모델링한 구성을 찾았습니다. 그런 다음 제어 설계와 데스크탑 시뮬레이션에 대한 비선형 관측기의 일부로서 이 모델을 사용했습니다.

Renault - NOX 배출 시뮬레이터 개발 사례

Renault - NOX 배출 시뮬레이터 개발 사례.

섹션

실제 데이터 해석

머신러닝 알고리즘은 대규모 데이터셋에서 패턴을 인식하므로 지속적으로 늘어나는 실제 주행 데이터에 대해 사용하기 알맞습니다. 이 데이터에서 추출되는 추세와 패턴은 엔지니어링 설계 평가, 차량 보정, 인프라 계획, 새로운 제품 및 서비스 개발에 사용할 수 있습니다.

이 섹션에는 다음 기업의 사례 연구가 포함되어 있습니다.

  • Honda
  • Volkswagen
  • Ford

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.

Honda - 차량 분석 및 MATLAB을 사용한 BS-VI 개발 전략 수립 사례

Honda - 차량 분석 및 MATLAB을 사용한 BS-VI 개발 전략 수립 사례.

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.

Volkswagen Data Lab - 개인별 주행 행동 분류 사례

Volkswagen Data Lab - 개인별 주행 행동 분류 사례.

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.

Ford - Apache Spark에 MATLAB을 사용한 ADAS 기능 사용 분석 및 시나리오 생성 사례.

Ford - Apache Spark에 MATLAB을 사용한 ADAS 기능 사용 분석 및 시나리오 생성 사례.

섹션

공정 개선 및 서비스 향상

AI 기법은 공정 개선과 서비스 향상을 위한 새로운 기회를 창출하고 있습니다. 제조 그룹에서는 생산 라인의 문제를 조기에 감지하기 위해 예측 정비 및 이상 감지 기법을 도입하고 있습니다. AI 알고리즘은 제조 품질에 대한 조기 지표를 제공하여 미래의 폐기율을 감소시키고 제조 장비에서 고장이 발생하기 전에 예측할 수 있습니다.

이 섹션에는 다음 기업의 사례 연구가 포함되어 있습니다.

  • Mercedes-Benz
  • Baker Hughes

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.

Mercedes-Benz - 시계열 제조 데이터를 위한 패턴 일치 사례

Mercedes-Benz - 시계열 제조 데이터를 위한 패턴 일치 사례.

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.

Baker Hughes - 가스 및 석유 추출 장비에 대한 예측 정비 소프트웨어의 데이터 분석 및 머신러닝 사용 사례

Baker Hughes - 가스 및 석유 추출 장비에 대한 예측 정비 소프트웨어의 데이터 분석 및 머신러닝 사용 사례.

섹션

MATLAB 및 Simulink를 사용한 AI

MATLAB®은 오래전부터 데이터 분석과 알고리즘 개발에 사용되어 왔습니다. MATLAB은 사용하기 간편하고 다양한 영역 특정 툴을 제공한다는 장점이 있기에 위에 설명된 여러 사례에서 고객의 선택을 받았습니다. 자동차 센서 데이터에 머신러닝 기법을 사용하기 위해서는 머신러닝 알고리즘에 전달하기 전에 원시 데이터에서 적절한 정보를 추출하기 위해 영역 특정 전처리가 필요한 경우가 많습니다. 예를 들어 머신러닝 모델을 적용할 수 있는 특징을 생성하기 위해 필터링된 신호에서 주파수 영역 성분을 추출할 수 있습니다.

MATLAB에서 엔지니어는 제어, 신호 처리, 영상 처리 및 라이다 처리와 같은 영역 특정 기법을 머신러닝 기법과 결합함으로써 완전히 블랙박스적인 모델보다 더 직관적이고 견고한 모델을 만들 수 있습니다.

엔지니어는 Simulink®를 사용하여 블록 다이어그램을 시뮬레이션함으로써 복잡한 시스템을 이해하고 분석할 수 있습니다. Simulink는 머신러닝과 딥러닝을 위한 블록을 제공하여 엔지니어가 AI 기법을 모델 기반 설계와 결합할 수 있도록 지원합니다.

AI는 자동차 엔지니어링 팀에 수많은 기회를 제공합니다. 자동차 엔지니어링에는 AI가 가치를 제공할 수 있지만 아직 연구되지 않은 분야가 여전히 남아 있지만, AI 활용을 시작하려는 팀은 이 백서에 소개된 응용 사례를 통해 유용한 아이디어를 얻을 수 있을 것입니다.