[이슈] AI·자율주행·로보틱스, 더 강력해진 매트랩 및 시뮬링크 릴리스 2019b 발표
[이슈] AI·자율주행·로보틱스, 더 강력해진 매트랩 및 시뮬링크 릴리스 2019b 발표
  • 최광민 기자
  • 승인 2019.09.25 18:44
  • 댓글 0
이 기사를 공유합니다

한층 발전한 딥러닝 툴박스 제공으로고급 네트워크 아키텍처 훈련 가능
AI·자율주행·로보틱스 등 더 강력해진 매트랩 및 시뮬링크 릴리스 2019b(사진:본지편집)

매스웍스가 매트랩(MATLAB)과 시뮬링크(Simulink)의 릴리스 2019b(이하 R2019b)를 17일(현지시각) 발표했다. 이번 릴리스에는 인공지능(AI), 딥러닝, 자동차 산업을 지원하는 기능들을 비롯해 다양한 새로운 기능들이 대거 포함됐다.

특히 R2019b에는 로보틱스를 지원하는 새로운 제품, 이벤트 기반 모델링을 위한 새로운 교육 리소스 및 제품군 전체의 업데이트 및 버그 수정 기능이 포함됐다.

우선 매트랩에서는 R2019b 버전을 통해 사용자가 파라미터를 대화형으로 살펴보면서 데이터를 처리하고, 라이브 스크립트의 일부가 되는 매트랩 코드를 생성할 수 있도록 하는 라이브 편집기 작업(Live Editor Tasks)을 사용할 수 있도록 했다.

이에 따라 매트랩 사용자는 구문 또는 복잡한 코드없이 작업에 집중할 수 있으며, 생성된 코드를 자동으로 실행해 시각화를 통해 파라미터를 빠르게 반복할 수 있다.

데이터 준비 및 라벨링 시연화면(사진:매스웍스 홈페이지 캡처)
데이터 준비 및 라벨링 시연화면(사진:매스웍스 홈페이지 캡처)

시뮬링크에서는 R2019b 버전을 통해 사용자가 필요에 따라 기능을 액세스하고 발견할 수 있도록 도와주는 새로운 시뮬링크 툴스트립(Simulink Toolstrip)을 사용할 수 있다. 이는 시뮬링크에서 툴스트립 탭이 워크플로우에 따라 배열되고 사용 빈도에 따라 정렬돼 탐색 및 검색 시간을 줄여준다.

인공지능 및 딥러닝 부분에서는 올해 초에 적용된 유연한 훈련 루프 및 네트워크를 기반으로 R2019b에서는 한층 발전한 딥러닝 툴박스(Deep Learning Toolbox)를 제공한다. 이 새로운 기능을 통해 사용자들은 사용자 지정 훈련 루프, 자동 미분, 공유 가중치, 사용자 지정 손실함수를 사용해 고급 네트워크 아키텍처를 훈련시킬 수 있다.

딥러닝 상호 운용성 개요
딥러닝 상호 운용성 개요

또 사용자는 생성적 적대 신경망(GAN), 샴 네트워크(Siamese Networks), 변량 자동 인코더(Variational Autoencoders) 및 주의 네트워크(Attention Networks)를 구축할 수도 있다. 딥러닝 툴박스는 이제 CNN(Convolutional Neural Network) 계층과 LSTM(Long Short-Term Memory) 계층을 결합하는 네트워크와 3D CNN 계층을 포함하는 네트워크를 ONNX(Open Neural Network Exchange) 형식으로 내보낼 수 있다.

특히 이번 릴리스 R2019b에서 선보인 자동차 업계를 지원하는 기능은 3차원 시뮬레이션 환경에서 주행 알고리즘을 개발, 테스트 및 검증하는 기능이다. 또 주어진 운동 제약 조건을 바탕으로 주행 경로의 속도 프로파일을 생성하는 블록 등 3차원 시뮬레이션과 이를 지원하는 '자동 주행 툴박스(Automated Driving Toolbox)'도 새로 추가됐다.

자율주행에서 지상 사실 라벨링 시연 화면
자율주행에서 지상 사실 라벨링 시연 화면

이와 함께, 파워트레인 블록셋(Powertrain Blockset)으로 알고리즘 설계 및 성능, 연비 및 배기 분석을 위한 딥러닝 SI(spark-ignition) 엔진 모델을 생성하는 기능이 추가됐다. 또 HEV(Hybrid Electric Vehicle) P0, P1, P3, P4 참조 응용 프로그램을 비롯해 하이브리드 전기 자동차의 HIL(Hardware-in the-Loop) 테스트, 트레이드(tradeoff) 오프 분석 및 제어 파라미터 최적화를 위한 완벽히 조립된 모델도 새로 적용됐다.

센서 퓨전 및 추적 툴박스(Sensor Fusion and Tracking Toolbox)로 트랙-투-트랙(track-to-track) 퓨전을 수행하고 분산 추적 시스템을 설계하는 기능이 적용됐으며, 또 폴리스페이스 버그 파인더(Polyspace Bug Finder)로 람다(lambda) 표현식 오용, 잠재적인 열거형 문제 및 기타 문제를 검사하기 위한 AUTOSAR C++14 코딩 지침에 대한 지원이 증가했다.

로보틱스분야에서는 로보틱스 시스템 툴박스(Robotics System Toolbox)에 추가된 새로운 기능 외에 R2019b부터 두 가지의 새로운 제품이 도입됐다.

개발한 알고리즘으로 로봇을 연결하고 제어한다

먼저, 네비게이션 툴박스(Navigation Toolbox)는 물리적 또는 가상 환경 안에서 매핑(mapping), 로컬리제이션(localization), 계획 및 이동하는 시스템의 설계 및 시뮬레이션을 위한 알고리즘 및 툴이 포함됐다.

또 ROS(Robot Operating System) 툴박스(ROS Toolbox)를 추가했다. 이 툴박스는 사용자가 노드로 구성된 네트워크를 작성하고, ROS 네트워크를 모델링 및 시뮬레이션하며, ROS 노드용으로 임베디드 시스템 소프트웨어를 생성할 수 있도록 매트랩 및 시뮬링크와 ROS 및 ROS2 사이의 인터페이스를 제공한다.

마지막으로 R2019b에서는 스테이트플로우(Stateflow) 교육으로 사용자가 스테이트플로우 모델을 생성, 편집 및 시뮬레이션하는 방법을 익힐 수 있도록 돕는 대화형 튜토리얼인 스테이트플로우 온램프(Stateflow Onramp)를 제공한다. 매트랩, 시뮬링크 및 딥러닝을 위한 기존 온램프와 마찬가지로, 이 자기 주도 학습 강의는 자동 평가와 피드백을 포함한 비디오 튜토리얼 및 실습 연습 문제로 구성된다.


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.