AI·자율주행·로보틱스 등 더 강력해진 매트랩 및 시뮬링크 릴리스 2019b 발표
AI·자율주행·로보틱스 등 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(Deep Learning Toolbox)를 제공한다. 이 새로운 기능을 통해 사용자들은 사용자 지정 훈련 루프, 자동 미분, 공유 가중치, 사용자 지정 손실함수를 사용하여 고급 네트워크 아키텍처를 훈련 시킬 수 있으며, 3D CNN 계층을 포함하는 네트워크를 ONNX(Open Neural Network Exchange) 형식으로 내보낼 수 있다
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 매트랩 및 시뮬링크의 다양한 새로운 기능들이 포함됐다.

이에 더해 R2019b에는 로보틱스를 지원하는 새로운 제품, 이벤트 기반 모델링을 위한 새로운 교육 리소스 및 제품군 전체의 업데이트 및 버그 수정이 포함됐다.

R2019b 하이라이트에 포함된 내용으로 먼저, 매트랩에서는 R2019b 버전을 통해 사용자는 파라미터를 대화형으로 살펴보고, 데이터를 전처리하고, 라이브 스크립트의 일부가 되는 매트랩 코드를 생성할 수 있도록 하는 라이브 편집기 작업(Live Editor Tasks)을 사용할 수 있다.

이제 매트랩 사용자는 구문 또는 복잡한 코드가 아닌 작업에 집중할 수 있으며, 생성된 코드를 자동으로 실행하여 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)

아울러 시뮬링크에서는 R2019b 버전을 통해 사용자는 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 사용하여 고급 네트워크 아키텍처를 훈련시킬 수 있다.

딥러닝 상호 운용성 개요
딥러닝 상호 운용성 개요

또한 사용자는 생성적 적대 신경망(GAN), 샴 네트워크(Siamese Networks), 변량 자동 인코더(Variational Autoencoders) 및 주의 네트워크(Attention Networks)를 구축할 수도 있으며, 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 R2019b에서는 자동차 업계를 지원하는 새로운 3차원 시뮬레이션 환경에서 주행 알고리즘을 개발, 테스트 및 검증하는 기능과 주어진 운동 제약 조건을 바탕으로 주행 경로의 속도 프로파일을 생성하는 블록 등 3차원 시뮬레이션과 이를 지원하는 '자동 주행 툴박스(Automated Driving Toolbox)'가 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.

이밖에 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)로 계획 및 내비게이션 알고리즘의 설계, 시뮬레이션 및 배포를 위한 신제품. 네비게이션 툴박스는 물리적 또는 가상 환경 안에서 매핑(mapping), 로컬리제이션(localization), 계획 및 이동하는 시스템의 설계 및 시뮬레이션을 위한 알고리즘 및 툴이 포함됐다.

또한 ROS 툴박스(ROS Toolbox)를 추가해 ROS(Robot Operating System) 기반 응용 프로그램의 설계, 시뮬레이션 및 배포를 위한 신제품. 이 툴박스는 사용자가 노드로 구성된 네트워크를 작성하고, ROS 네트워크를 모델링 및 시뮬레이션하고, 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.