1. Introduction to Deep Learning / L2. Applying Deep Learning - DeepTraffic

자율주행차 : 카메라와 센서를 통해 사물을 인식하게하고, 그것을 바탕으로 주행 결정을 내린다.

그에 있어 Deep Learning은 자율주행차에 있어 가장 중요한 역할을 하는 tool 중 하나이다.

딥러닝을 사용하면 

 - 자동차에게 운전을 하도록 가르칠 수 있고

 - 해당 도로 환경에서의 적절한 운전을 시킬 수 있다.

 - 예를들면, 주변에 사람들 또는 다른 차들로 둘러 싸여 있는지 등

 - 또는 고속도로에서, 자동차가 고속으로 운전할 때의 적절한 운전법 등

딥러닝이 해결할수있는 문제 중 하나는 교통체증 상황에서의 적절한 운전법이다.

Neural Network는 말 그대로 우리의 뇌의 정보 처리과정을 느슨하게(loosely) 컴퓨터화 하여 복원시킨 것이다.

이 신경망 네트워크는 사람과 동일하게 시행착오(trial and error)를 겪으며 학습(learning)하게 된다.

자율주행차의 예시로 MIT에서 개발한 DeepTraffic을 사용해 볼 것인데, 여기에 이 Neural Network가 적용되어있다.

DeepTraffic에서 최초에 자동차에 적용된 것은 safety에 관한 것이 전부이다.(주행 환경에 대한 설정이 되어있지 않음)

따라서 이 차는 다른 차와 절대 부딛히지 않는다.

그 외 주행에 관한 자동차의 판단(decision)은 neural network에 의해 결정된다.

이 neural network는 

 - input data를 받아와서 

 - 이를 hidden or unseen layers에서 처리(processes) 또는 학습(learns)을 한다

 - 그리고 그에 상응하는 action을 내보낸다(output).

DeepTraffic에 적용해보자면, 

input : 주위의 자동차들(몇번째 차로에 어떤차가 있는지, 몇번째 차로엔 비어있는지)

output : input data를 바탕으로 내린 action(왼쪽 또는 오른쪽으로 차선을 변경할 것인지, 현재 차선을 계속 유지할 것인지, 속도 증감 등)

시간이 흐름에 따라 자동차의 상태(input)와 행동(action, output)은 계속해서 새롭게 발생하며, 시간이 흐를수록 자동차는

교통체증 상황에서 어떠한 행동이 가장 빠른 주행을 할 수 있는지에 대한 결과를 내놓게 된다.(학습함에 따라)

이를 딥러닝의 한 종류로 증강학습(reinforcement learning)이라 부른다.

Reinforcement Learning : The car learns and favors actions that result in faster navigation

DeepTraffic에 있어, input data를 조절하는것은 개발자의 임무이다. 

# lanesSide, patchesAhead, patchesBehind 세가지 변수를 설정해 주는것이 input data에 해당한다.

최초에 설정되어 있는 데이터는 디폴트값이기 때문에 바로 앞의 차만 감지할 수 있지만, 

# 다음과 같이 변수들을 설정해주면 더 넓은 learning input area를 확보 할 수 있다.

이렇게 설정해준 area가 neural network가 학습하게 될 input을 결정한다.

# 설정해 줄 수 있는 다른 변수로 hidden layer와 neural network의 neurons의 개수(number of neurons)가 있다.

최초 시작시 neuron의 개수는 1개인데, 이 뉴런의 수를 늘리고 코드를 복붙해서 layer의 수를 늘려야만

incoming data로부터의 학습능력을 향상시킬 수 있다.

하나의 layer는 데이터로부터 들어오는 기본 패턴만을 인지할 수 있다.

그리고 이후의 연속적인 패턴들이 이전 패턴들을 참고하게 된다.

이는 신경망 네트워크가 input data로 부터 패턴을 찾고, 그로부터 학습하는 과정을 보여주는 좋은 예시로 작용한다.

DeepTraffic (https://selfdrivingcars.mit.edu/deeptraffic/)