%eb%9d%bc%eb%b2%a8%eb%a7%81
-
세계 최초로 사람처럼 사물의 개념을 스스로 학습하는 장면 인식 기술 개발
우리 대학 전산학부 안성진 교수 연구팀이 미국 럿거스(Rutgers) 대학교와 공동연구를 통해 사람의 라벨링 없이 스스로 영상 속 객체를 식별할 수 있는 인공지능 기술을 개발했다고 1일 밝혔다. 이 모델은 복잡한 영상에서 각 장면의 객체들에 대한 명시적인 라벨링 없이도 객체를 식별하는 최초의 인공지능 모델이다.
기계가 주변 환경을 지능적으로 인지하고 추론하기 위해서는 시각적 장면을 구성하는 객체들과 그들의 관계를 파악하는 능력이 필수적이다. 하지만 이 분야의 연구는 대부분 영상의 각 픽셀에 대응하는 객체의 라벨을 사람이 일일이 표시해야 하는 지도적 학습 방식을 사용했다. 이 같은 수작업은 오류가 발생하기 쉽고 많은 시간과 비용을 요구한다는 단점이 있다.
이에 반해 이번에 연구팀이 개발한 기술은 인간과 유사하게 환경에 대한 관측만으로 객체의 개념을 스스로 자가 학습하는 방식을 취한다. 이렇게 인간의 지도 없이 스스로 객체의 개념을 학습할 수 있는 인공지능은 차세대 인지 기술의 핵심으로 기대돼왔다.
비지도 학습을 이용한 이전 연구들은 단순한 객체 형태와 배경이 명확히 구분될 수 있는 단순한 장면에서만 객체를 식별하는 단점이 있었다. 이와 달리 이번에 안성진 교수 연구팀이 개발한 기술은 복잡한 형태의 많은 객체가 존재하는 사실적인 장면에도 적용될 수 있는 최초의 모델이다.
이 연구는 그림 인공지능 소프트웨어인 DALL-E와 같이 텍스트 입력을 통해 사실적인 이미지를 생성할 수 있는 이미지 생성 연구에서 영감을 얻었다. 연구팀은 텍스트를 입력하는 대신, 모델이 장면에서 객체를 감지하고 그 객체의 표상(representation)으로부터 이미지를 생성하는 방식으로 모델을 학습시켰다. 또한, 모델에 DALL-E와 유사한 트랜스포머 디코더를 사용하는 것이 사실적이고 복잡한 영상을 처리할 수 있게 한 주요 요인이라고 밝혔다.
연구팀은 복잡하고 정제되지 않은 영상뿐만 아니라, 많은 물고기가 있는 수족관과 교통이 혼잡한 도로의 상황을 담은 유튜브 영상과 같이 복잡한 실제 영상에서도 모델의 성능을 측정했다. 그 결과, 제시된 모델이 기존 모델보다 객체를 훨씬 더 정확하게 분할하고 일반화하는 것을 확인할 수 있었다.
연구팀을 이끈 안성진 교수는 "인간과 유사한 자가 학습 방식으로 상황을 인지하고 해석하는 혁신적인 기술ˮ이라며 "시각적 상황인지 능력을 획기적으로 개선해 지능형 로봇 분야, 자율 주행 분야뿐만 아니라 시각적 인공지능 기술 전반에 비용 절감과 성능향상을 가져올 수 있다ˮ고 말했다.
이번 연구는 미국 뉴올리언스에서 지난 11월 28일부터 개최되어 12월 9일까지 진행 예정인 세계 최고 수준의 기계학습(머신러닝) 학회인 제36회 신경정보처리학회(NeurIPS)에서 발표됐다.
2022.12.02 조회수 11102 -
한동수 교수, 크라우드소싱 기반의 실내 위치인식 기술 개발
〈 한동수 교수 〉
우리 대학 전산학부 한동수 교수 연구팀(지능형서비스통합 연구실)이 크라우드소싱 기반의 실내 위치 인식 기술을 개발했다.
이번 기술은 스마트폰에 탑재된 다양한 센서를 통해 수집된 신호를 기반으로 무선랜 신호(일명 핑거프린트)의 수집 위치를 자동으로 라벨링하는 인공지능 기법이다.
무선랜 신호가 존재하고 스마트폰이 사용되는 건물이면 어디든 적용할 수 있고 정확도가 높아 도심의 실내 위치 인식 시스템 구축비용을 획기적으로 줄일 수 있을 것으로 기대된다.
세계적인 주요 IT 기업들은 실내 환경에서 정확도 높은 위치정보를 제공하기 위해 다양한 노력을 해 왔지만, 정확도 높은 라디오맵(특정 지역이나 건물의 신호 특성) 구축에 많은 어려움을 겪고 있다. 주로 활용되는 와이파이 포지셔닝 시스템(WPS)는 건물의 층을 구분하지 못한다는 한계가 있다.
연구팀은 문제 해결을 위해 우선 불특정 다수의 스마트폰을 통해 수집된 무선신호를 클러스터링을 통해 건물별로 분류한 뒤 기압 정보를 통해 다시 층별로 분류했다. 연구팀은 날씨 변화로 인한 기압 정보 측정에 어려움을 겪던 기존 기술의 한계를 극복하고 수집된 무선신호를 층별로 구분하는 기법을 새롭게 개발했다.
연구팀은 새로 개발한 반자율학습 위치 라벨링 AI 기법을 통해 무선신호의 수집 위치를 라벨링했다. 관성 센서 기반의 관성항법(Pedestrian Dead Reckoning) 기법을 접목해 초기 라디오맵을 구축했고, 관성 센서로부터 얻어지는 신호 정보 없이 수집된 무선신호는 지역 탐색과 전역 탐색을 반복적으로 수행하는 최적화 기계학습 알고리즘을 통해 수집 위치를 최적화했다.
연구팀은 지하 2층, 지상 6층의 12만 평 규모의 실내 쇼핑몰을 대상으로 정확도를 측정한 결과 3~6미터 수준의 정확도를 보임을 확인했다. 층 구분 정확도도 95% 이상 가능해 수작업을 통한 정확도를 넘어서는 결과를 보였고, 도시 전체 건물에 적용했을 때도 유사한 결과를 얻을 수 있을 것으로 예상했다.
이번에 개발한 기술을 주요 IT 기업, 통신사, 온라인 쇼핑사의 앱을 통해서 수집된 신호에 적용하면 도시 및 국가 규모의 실내 위치 인프라를 손쉽게 구축할 수 있을 것으로 예상된다.
한동수 교수는 “대규모 무선신호를 수집할 수 있는 기업이 해당 기술을 도입하면 가까운 미래에 대부분의 실내 공간에서도 5~10미터 수준의 정확도 높은 위치 인식 서비스가 제공될 수 있을 것이다”라며 “실내외 통합 내비게이션, 응급 호출 서비스 등 스마트시티를 구현하는 데 유용하게 활용될 수 있을 것이다”라고 말했다.
□ 그림 설명
그림1.KAILOS 개념도
2019.06.10 조회수 11643 -
한동수 교수, 크라우드소싱 기반 실내 위치인식 시스템 개발
〈 한 동 수 교수 〉
우리 대학 전산학부 한동수 교수 연구팀(지능형 서비스통합 연구실)이 실내 공간에서 획득한 와이파이 신호의 수집 위치정보를 자동으로 파악할 수 있는 기술을 개발했다.
이 기술은 글로벌 실내 위치인식 시스템 구축에 필요한 핵심 기술로 다수의 스마트폰에서 수집된 무선랜 핑거프린트의 수집 위치를 자동으로 라벨링하는 인공지능 기법이다. 비용을 절감하면서 높은 정확도를 가질 수 있고 무선랜 핑거프린트 수집이 가능한 건물이라면 어느 곳에도 적용 가능하다.
여러 글로벌 기업들이 실내 GPS를 실현하기 위해 전 세계 주요도시에서 수만 건의 실내 지도를 수집했다. 실내 지도와 함께 신호 지도 수집도 시도했지만 높은 정확도를 갖지 못했고 그 결과 실내에서의 위치 인식 서비스 질이 떨어진다.
연구팀은 문제 해결을 위해 실내를 이동 공간과 체류 공간으로 구분하고 각각의 공간에 최적화된 수집 위치 라벨링을 자동화하는 기술을 개발했다.
연구팀이 개발한 기술은 복도, 로비, 계단과 같은 이동 공간에서도 수집된 신호의 위치정보를 별도의 외부 정도 없이도 자동으로 라벨링하는 새로운 자율학습(Unsupervised Learning) 인공지능 기술이다.
이 기술을 토대로 기초실험연구동(N5)과 김병호-김삼열IT융합빌딩(N1)에서 실험을 실시했고, 충분한 양의 학습 데이터가 주어진다는 가정 하에 오차범위 3~4미터 수준의 정확도를 보였다.
이는 수작업을 통해 수집 위치를 라벨링한 결과와 비슷한 정확도로 연구팀이 함께 개발한 지자기 신호, 3축 가속기, 자이로스코프 기반의 딥러닝을 활용한 새로운 센서 퓨전 기법을 통하면 정확도가 더욱 상승하는 결과를 보였다.
그 동안 스마트폰을 통해 수집된 핑거프린트는 활용되지 못하고 버려졌지만 개발된 기술을 통해 무선랜 핑거프린트 빅데이터 영역이 새롭게 열릴 것으로 기대된다.
개발된 GPS 구축 기술은 글로벌 기업이나 국내 위치정보 서비스 기업 등이 전국 범위에서 위치정보 서비스를 제공할 때 도입해 효과적으로 사용할 수 있을 것으로 예상된다.
GPS 신호가 도달하지 않는 실내 환경에서 위치인식 정확도가 높아짐에 따라 포켓몬고 등의 O2O(online to offline) 위치기반 게임도 실내에서 실행 가능할 것으로 기대된다.
또한 다양한 위치기반 SNS, 사물인터넷 등 서비스가 활성화되고 위급한 상황에서 112나 119에 구조요청을 할 시 정확한 위치 파악이 가능할 것으로 보인다.
한 교수는 “개발된 글로벌 실내 위치인식 시스템 구축 기술을 KAIST 실내 위치인식 시스템인 카이로스(KAILOS)에 탑재해 서비스 할 예정이다”며 “전 세계 어느 건물에서든 정확도 높은 실내 위치인식 시스템을 손쉽게 구축할 수 있고 장래에 대부분 실내 공간에서도 위치인식 서비스가 제공 가능할 것이다”고 말했다.
카이로스는 2014년 KAIST에서 출시한 개방형 실내 위치인식 서비스 플랫폼이다. 자신이 원하는 건물의 실내지도를 카이로스에 등록하고 해당 건물의 핑거프린트를 수집해 실내 위치인식 시스템을 구축하도록 지원 중이다.
□ 그림 설명
그림1. 핑거프린트를 수집하여 신호지도를 구축한 뒤, 구축된 신호지도를 기반으로 위치를 추정하는 과정
그림2. KAILOS가 여러 가지 신호와 센서를 복합적으로 사용하였을 때 예상되는 정확도
2017.04.12 조회수 22874