자율주행과 로봇이 열어가는 신기술혁명의 물결

프롤로그
제1장 자율주행의 발전방향
1.1 자율주행이란
1.1.1 자율주행을 위한 완벽한 학습은 왜 어려운 것일까?
1.1.2 복합센서시스템 자율주행 1.1.3 카메라 단일시스템 자율주행
1.2. 자율주행지능의 획득
1.2.1 엣지케이스 1.2.2 빅데이터의 절대적인 중요성
1.3. 자율주행 전기차기업의 필수조건, 내재화
1.3.1 빅데이터 획득을 위한 저가차량의 양산보급
1.3.2 카메라 중심 자율주행의 비교불가의 강점
1.3.3 AI와 AI반도체의 급격한 발전
1.3.4 자율형자동차의 경쟁력은 플랫폼 생태계 선점에 있다.
1) 차량 내 앱 생태계의 지배력
2) 이동생태계의 운영체제에 쌓여가는 빅데이터의 영향력

제2장 중국 전기차 자율주행 산업의 현황
2.1 중국자율주행업체 현황
2.2 센서 채택과 운행데이터 현황
2.3 카메라 기반 기업현황
2.4 반도체?데이터센터?전문인력현황
2.5 중국의 로보택시 현황
2.6 중국기업들의 장단점

제3장 비전트랜스포머(ViT) 기반 자율주행
3.1. 비전트랜스포머(ViT) 기반의 자율주행이란?
3.1.1 왜 비전트랜스포머(ViT)인가? 3.1.2 ViT의 기술적 특성
3.2 자율주행 ViT의 구조
3.2.1 ViT의 인코더-디코더 구조 3.2.2 ViT의 적용사례

제4장 카메라기반 자율주행의 원리
4.1. 입체적 인식을 위한 점유네트워크
4.1.1 유사라이다기술 4.1.2 Nerf와 벡터스페이스 기반 복셀맵(Voxel Map) 변환
4.1.3 점유네트워크(Occupancy Network)로의 전환
4.1.4 실시간 물체 인식 및 충돌회피운전
4.2 3D모델링 기반 AI 학습 및 자율주행
4.2.1 학습을 위한 비전트랜스포머 4.2.2 각종 교통상황의 학습
1)분류 및 인지를 위한 학습
가)객체분류학습 나)동영상 분류학습 다) 네비게이션과의 매치
라) 교통상황의 학습기반 대응 예
2) 교통상황의 예측기반 학습
3)자율주행을 위한 생성형학습
가)가상공간에서 생성형 학습 나) 생성형AI와 강화학습
다) 자율주행에 강화학습의 적용
4) 모방학습
5) 시뮬레이션학습
4.3 앤드투앤드(End-to-End)와 자율주행의 고도화된 서비스
4.3.1 앤드투앤드의 구현 4.3.2 무인형 로보택시(RoboTaxi)
4.3.3 자율주행과 멀티모달 LLM의 결합

제5장 테슬라의 에너지 저장장치 사업

제6장 지능형로봇
6.1 휴머노이드 로봇산업의 현황과 전망
6.2 로봇의 자율성을 위한 학습
6.2.1 로봇의 모방학습과 강화학습
6.2.2 음성을 행동으로 구현하기 위한 생성형 학습
6.2.3 구글 딥마인드의 SayCan모델 6.2.4 인컨텍스트학습(Incontext Learning)
6.3 로봇학습의 플랫폼 경쟁
6.4 테슬라 로봇
6.4.1 학습 기반의 로봇제어능력 6.4.2 테슬라 옵티머스의 하드웨어
6.5 테슬라의 로봇생산기술
6.5.1 48V시스템 아키텍처로 전환 6.5.2 언박스드(Unboxed Process) 프로세스

제7장 자율주행시대의 승차문화의 변화
7.1 승차공간에서 펼쳐지는 메타버스 세계 7.2 메타버스세계에서 각종 활동
7.3 승차공간에서 스마트팩토리

제8장 자율주행과 휴모노이드 로봇시대의 사회적
변화
8.1. 자율주행이 가져오는 사회적 변화
8.1.1 직업의 변화 8.1.2 교통문화의 변화 8.1.3 사회 인프라 변화
8.1.4 사고율의 변화 8.1.5 사람의 인식 변화 8.1.6 그 밖의 급격한 변화
8.2 자율주행의 실현에 따른 부정적인 영향
8.2.1 교통분야 8.2.2 사회분야 8.2.3 경제분야 8.2.4 일자리분야
8.2.5 환경분야
8.2.6 기타
8.3 휴머노이드 로봇이 가져오는 사회적 변화
8.3.1 라스트 마일 딜리버리(Last Mile Delivery) 8.3.2 가정생활의 변화
8.3.3 산업 및 경제 활동의 변화 8.3.4 의료 및 보건 분야의 변화
8.3.5 군사 및 국방 분야의 변화 8.3.6 식당 및 서비스 분야의 변화
8.3.7 사회 각종 시설 및 공공 서비스의 변화
8.3.8 로봇으로 인한 일자리의 변화 예측
1) 노동집약적인 분야의 변화 2) 지식집약적인 분야의 변화
8.4 휴모노이드 로봇의 일반화에 따른 부정적인 영향
8.4.1 사회분야 8.4.2 경제분야 8.4.3 일자리분야 8.4.4 환경분야 8.4.5 기타

제9장 ViT 알고리즘의 이해
9.1. ViT의 세부구조
9.1.1 셀프어텐션(Self-Attention) 9.1.2 인코더-디코더 어텐션 9.1.3 임베딩벡터
9.1.4 포지셔널 인코딩 (Positional Encoding) 9.1.5 다층 레이어 어텐션
9.1.6 멀티 헤드 어텐션 (Multi-head Attention) 9.1.7 층 정규화
9.1.8 마스크드 디코더 셀프어텐션(Masked Decoder Self-Attention)
9.1.9 FFNN(Feed Forward Neural Network)
에필로그