STATERA Library · Series 01_00 · Volume 04 · Chapter 17 · KR
Source: https://github.com/Statera-Library/01_00_Vol_04_Embodied_AI_and_Robotics/blob/main/17_Autonomous_Vehicles/17_Autonomous_Vehicles_KR.md
17 자율주행차 (한글 버전)
자율주행차 개요
자율주행차(Autonomous Vehicles)는 인지, 위치추정, 계획, 제어, 안전 시스템을 하나의 통합 플랫폼으로 결합한 대표적인 Embodied AI 시스템이다. 기존 차량이 인간 운전자에게 모든 판단을 의존했다면, 자율주행차는 주변 환경을 지속적으로 인식하고, 상황을 이해하며, 미래를 예측하고, 주행 결정을 내린 후 실제 차량 제어를 수행한다. 따라서 자율주행차는 단순한 이동 수단이 아니라 복잡한 물리 환경에서 스스로 행동하는 지능형 모바일 로봇으로 볼 수 있다.
17_00 AV System Architecture에서는 자율주행 시스템 전체 구조를 다룬다. 센서 계층, 인지 계층, 위치추정 계층, 예측 계층, 계획 계층, 제어 계층, 안전 계층, 클라우드 연동 계층 등이 어떻게 구성되는지를 설명한다. 이는 자율주행 기술 전체를 이해하기 위한 기본 골격이 된다.
17_01 Perception for AVs에서는 차량이 주변 환경을 어떻게 이해하는지를 다룬다. 카메라, LiDAR, 레이더, 초음파 센서, GNSS, IMU 등의 다양한 센서가 사용되며, 센서 융합을 통해 차선, 신호등, 보행자, 차량, 장애물, 도로 상태를 인식한다. 최근에는 딥러닝과 멀티모달 AI가 핵심 기술로 활용되고 있다.
17_02 Localization and HD Maps에서는 차량의 정확한 위치를 추정하는 기술을 다룬다. GNSS만으로는 충분하지 않기 때문에 LiDAR 기반 위치추정, Visual Localization, INS, HD Map 기술이 결합된다. HD Map은 차선 구조, 신호 체계, 도로 형상 등 다양한 의미 정보를 제공하여 안전한 주행을 지원한다.
17_03 Behavior Planning은 자율주행 시스템의 의사결정 계층이다. 차선 변경, 교차로 통과, 보행자 양보, 차량 추월, 합류 구간 대응 등 복잡한 교통 상황에서 어떤 행동을 선택할지를 결정한다. 이는 환경 인식, 예측 모델, 교통 법규, 위험도 평가를 종합적으로 고려하여 수행된다.
17_04 Motion Planning and Control에서는 행동 계획 결과를 실제 차량 궤적으로 변환한다. 경로 생성, 궤적 최적화, 충돌 회피, 조향 제어, 가감속 제어가 포함되며, 차량이 안전하고 부드럽게 주행하도록 보장한다.
17_05 AV Safety and Regulation에서는 실제 상용화를 위한 안전성과 규제를 다룬다. 기능 안전, 중복 시스템, 사이버 보안, 인증 절차, 검증 방법론, 국제 표준 등이 포함되며, 자율주행 시스템의 신뢰성을 확보하기 위한 핵심 분야이다.
이 여섯 개의 구성 요소는 자율주행차를 단순한 차량이 아니라 스스로 인식하고 판단하며 행동하는 지능형 이동 로봇으로 만드는 핵심 기술 스택을 구성한다.
Embodied AI 전체 구조와의 연결성
자율주행차는 Embodied AI and Robotics 전체 구조에서 거의 모든 핵심 기술을 통합하는 대표적인 응용 분야이다. 실제로 자율주행 시스템은 로보틱스의 대부분의 핵심 기술이 집약된 가장 복잡한 이동형 로봇 플랫폼 중 하나라고 볼 수 있다.
Embodied Intelligence와 직접 연결되는 이유는 차량이 지속적으로 환경을 인식하고 행동을 수행하는 센서-행동 루프를 가지고 있기 때문이다. 이는 Embodied Cognition과 Sensorimotor Intelligence의 대표 사례이다.
Perception-Action Loop와는 본질적으로 동일한 구조를 가진다. 카메라, LiDAR, 레이더를 통해 환경을 인식하고, 이를 기반으로 차량이 조향·가속·제동을 수행한다. 따라서 자율주행은 실시간 인지-행동 루프의 대표 응용 사례이다.
Robot Perception, Computer Vision, Object Detection, Object Tracking, Segmentation, Depth and 3D Vision과의 연관성도 매우 높다. 보행자, 차량, 차선, 신호등, 도로 경계 등을 인식해야 하기 때문에 컴퓨터 비전 기술이 자율주행 성능을 결정하는 핵심 요소가 된다.
SLAM and Mapping은 Localization and HD Maps의 기술적 기반이 된다. 실제로 많은 자율주행 위치추정 기술은 로봇 SLAM 연구에서 발전해 왔다.
Path Planning과 Robot Control은 자율주행 시스템의 핵심 엔진이다. 행동 계획은 고수준 계획과 연결되며, Motion Planning은 로봇의 경로 생성과 동일한 문제를 다룬다. MPC, Trajectory Optimization, Dynamic Obstacle Avoidance 등은 양쪽 분야에서 공통적으로 사용된다.
Reinforcement Learning, World Models, Multi-Agent Robotics와도 밀접한 관련이 있다. 강화학습은 의사결정 정책 최적화에 활용될 수 있으며, World Model은 미래 교통 상황 예측에 사용된다. Multi-Agent Robotics는 다른 차량, 보행자, 스마트 인프라와의 상호작용을 이해하는 데 중요하다.
Industrial Robotics와도 연결된다. 물류 로봇, 광산 차량, 농업 로봇, 항만 자율주행 차량, 실외 점검 로봇 등은 자율주행 기술을 기반으로 발전하고 있다. 특히 귀사가 개발 중인 실외 자율주행 플랫폼 역시 이 장의 기술 스택을 직접 활용하는 사례에 해당한다.
Edge AI for Robotics는 자율주행 구현의 필수 요소이다. Jetson Orin, Jetson Thor, RTX 기반 Edge GPU와 같은 고성능 임베디드 컴퓨팅 플랫폼이 실시간 인지와 제어를 담당한다.
Digital Twins는 자율주행 검증 과정에서 핵심 역할을 수행한다. 수백만 개의 가상 시나리오를 통해 실제 도로 주행 전에 안전성과 성능을 검증할 수 있다.
미래에는 Robot Foundation Models와 Embodied AGI가 자율주행 기술을 더욱 발전시킬 것으로 예상된다. 차량은 단순히 규칙 기반으로 행동하는 수준을 넘어, 상황을 이해하고 추론하며 일반화된 지능을 활용하는 이동형 AI 에이전트로 진화할 가능성이 높다.
결국 자율주행차는 Embodied AI 전체 구조에서 인지, 추론, 계획, 제어, 안전, 학습, 실세계 배치를 모두 통합하는 대표적인 Physical AI 플랫폼이며, 미래 Embodied AGI로 가는 가장 현실적이고 중요한 기술적 경로 중 하나라고 할 수 있다.
한글 버전
17_00 AV System Architecture
자율주행차 시스템 아키텍처(AV System Architecture)는 차량이 주변 환경을 인식하고, 자신의 위치를 파악하며, 주행 의사결정을 수행하고, 안전한 주행 경로를 생성한 뒤, 실제 차량 제어를 수행하고, 동시에 안전성을 유지할 수 있도록 하는 전체 기술 구조를 의미한다. 이는 자율주행 기술의 가장 기본적인 토대이며, 모든 자율주행 기능은 이 아키텍처 위에서 구현된다. 인간이 눈, 귀와 같은 감각기관을 통해 정보를 수집하고, 신경계와 뇌를 통해 판단한 뒤, 근육을 통해 행동을 수행하는 것처럼 자율주행차 역시 센서, 컴퓨팅 시스템, 의사결정 시스템, 통신 시스템, 액추에이터가 계층적으로 연결되어 실시간으로 동작한다.
AV 아키텍처의 핵심 목적은 원시 센서 데이터를 안전하고 지능적인 주행 행동으로 변환하는 것이다. 이를 위해 여러 계층의 시스템이 단계적으로 정보를 처리한다. 카메라, LiDAR, 레이더, 초음파 센서, GNSS, IMU에서 수집된 데이터는 동기화 과정을 거친 후 인지 시스템, 위치추정 시스템, 예측 시스템, 계획 시스템, 제어 시스템으로 전달된다. 최종적으로 차량은 조향, 가속, 제동 명령을 생성하여 실제 주행을 수행한다.
가장 하위 계층에는 센서 시스템이 존재한다. 현대 자율주행차는 단일 센서만으로는 충분한 환경 인식이 불가능하기 때문에 다양한 센서를 동시에 사용한다. 카메라는 도로, 차선, 신호등, 표지판, 보행자, 차량 등의 풍부한 시각 정보를 제공한다. LiDAR는 정밀한 3차원 점군 데이터를 생성하여 물체의 거리와 형상을 측정한다. 레이더는 악천후 환경에서도 안정적으로 거리와 속도를 측정할 수 있다. 초음파 센서는 근거리 장애물 감지에 사용되며, GNSS는 전역 위치 정보를 제공하고 IMU는 차량의 가속도와 자세 변화를 측정한다.
각 센서는 장단점이 다르기 때문에 센서 융합(Sensor Fusion)이 필수적이다. 센서 융합은 여러 센서의 정보를 결합하여 더욱 정확하고 신뢰성 높은 환경 모델을 생성한다. 이를 통해 특정 센서의 오류나 데이터 손실을 보완할 수 있으며, 상위 계층의 의사결정 품질을 향상시킨다.
인지(Perception) 계층은 센서 데이터를 의미 있는 환경 정보로 변환한다. 차량, 보행자, 자전거, 신호등, 표지판, 차선, 도로 경계 등을 탐지하고 추적한다. 최신 인지 시스템은 딥러닝, 트랜스포머, 객체 검출, 세그멘테이션, 다중 객체 추적 기술을 활용하여 주변 환경을 이해한다. 이를 통해 차량은 단순히 물체를 발견하는 것을 넘어 물체의 움직임과 미래 행동까지 예측할 수 있는 기반을 확보한다.
위치추정(Localization)은 차량 자신의 위치와 자세를 계산하는 역할을 수행한다. 정확한 위치 정보가 없으면 어떠한 자율주행 기능도 안전하게 수행될 수 없다. GNSS, IMU, 휠 오도메트리, LiDAR 매칭, Visual Localization, HD Map 매칭 기술을 결합하여 센티미터 수준의 위치 정확도를 달성한다.
HD Map은 위치추정의 중요한 보조 역할을 수행한다. HD Map에는 차선 구조, 도로 형상, 신호등 위치, 제한 속도, 교차로 구조, 횡단보도 등의 상세 정보가 저장되어 있다. 이는 차량이 현재 위치를 더욱 정확하게 파악하고 향후 주행 경로를 계획하는 데 활용된다.
예측(Prediction) 계층은 주변 차량과 보행자의 미래 행동을 예측한다. 자율주행차는 현재 상태만 보는 것이 아니라 미래 상황을 예상해야 한다. 예측 시스템은 주변 객체의 이동 경로를 추정하고 잠재적인 위험 상황을 사전에 탐지한다. 최근에는 머신러닝, 그래프 신경망, 행동 모델링, 월드 모델 기술이 활용되고 있다.
행동 계획(Behavior Planning)은 차량이 무엇을 해야 하는지를 결정하는 전략 계층이다. 차선 변경, 추월, 교차로 통과, 합류, 보행자 양보, 정지선 정차 등의 의사결정을 수행한다. 이 과정에서는 안전성, 교통 법규, 승차감, 효율성, 목적지 도달이라는 여러 요소가 동시에 고려된다.
모션 계획(Motion Planning)은 행동 계획 결과를 실제 주행 궤적으로 변환한다. 충돌을 회피하면서도 차량 동역학 제약과 도로 규칙을 만족하는 경로를 생성한다. A*, RRT, 최적화 기반 계획기, MPC 기반 접근법 등이 대표적으로 사용된다.
제어(Control) 계층은 계획된 경로를 실제 차량 동작으로 변환한다. 조향각, 가속도, 제동력을 계산하여 차량이 목표 경로를 정확하게 추종하도록 만든다. PID, MPC, 적응 제어, 강인 제어, 학습 기반 제어 기술이 활용된다.
안전 계층은 전체 시스템에 걸쳐 존재한다. 센서 상태, 컴퓨팅 상태, 통신 상태, 액추에이터 상태를 지속적으로 모니터링하며 이상 상황을 감지한다. 또한 센서, 컴퓨팅, 전원, 네트워크, 제어 시스템의 중복성을 확보하여 일부 구성 요소가 고장 나더라도 차량이 안전하게 동작할 수 있도록 설계된다. ISO 26262와 같은 기능 안전 표준은 이러한 시스템 설계의 기준이 된다.
고성능 컴퓨팅 플랫폼은 AV 아키텍처의 핵심 기반이다. CPU, GPU, AI Accelerator, Domain Controller, 실시간 프로세서가 결합된 이기종 컴퓨팅 구조가 일반적으로 사용된다. 이러한 플랫폼은 딥러닝 인식, 센서 융합, 위치추정, 계획, 안전 모니터링을 동시에 수행한다.
통신 시스템 역시 중요한 역할을 한다. 차량 내부에서는 CAN, Automotive Ethernet, TSN 등을 사용하며, 외부와는 클라우드 연결, OTA 업데이트, 플릿 관리, V2X 통신을 수행한다. 이를 통해 차량은 지속적으로 학습하고 성능을 개선할 수 있다.
최근에는 시뮬레이션과 디지털 트윈이 AV 아키텍처의 핵심 요소로 자리 잡고 있다. 수백만 개의 가상 시나리오를 통해 시스템을 검증하고, 실제 도로 환경에서 발생할 수 있는 다양한 상황을 사전에 평가할 수 있다. 이는 안전성 확보와 인증 과정에서 매우 중요한 역할을 수행한다.
미래의 AV 아키텍처는 점차 AI 네이티브 구조로 진화할 것으로 예상된다. 파운데이션 모델, 멀티모달 AI, 월드 모델, End-to-End 학습 기술이 통합되면서 기존의 모듈형 구조는 보다 통합된 지능형 구조로 발전할 가능성이 높다. 그러나 안전성, 신뢰성, 설명 가능성, 검증 가능성은 앞으로도 가장 중요한 요구사항으로 남을 것이다.
자율주행차 전체 구조에서 AV System Architecture는 Perception for AVs, Localization and HD Maps, Behavior Planning, Motion Planning and Control, AV Safety and Regulation을 하나의 통합된 시스템으로 연결하는 가장 기본적인 기반 계층이다. 따라서 AV 시스템 아키텍처는 자율주행 기술 전체를 이해하기 위한 출발점이자 핵심 골격이라고 할 수 있다.
17_01 자율주행차 인지 시스템 (Perception for AVs)
한글 버전
자율주행차 인지 시스템(Perception for AVs)은 차량이 주변 환경을 실시간으로 관찰하고 이해하며 해석할 수 있도록 하는 기술 분야이다. 이는 자율주행 시스템의 감각 지능 계층에 해당하며 위치추정, 예측, 계획, 제어, 안전 기능의 기반이 된다. 인간 운전자가 눈과 귀를 통해 주변 상황을 인식하고 이를 바탕으로 주행 결정을 내리는 것처럼, 자율주행차는 다양한 센서와 인공지능 알고리즘을 활용하여 주변 환경을 이해한다. 인지 시스템이 정확하게 동작하지 않으면 이후의 모든 자율주행 기능 역시 정상적으로 수행될 수 없다.
인지 시스템의 주요 목표는 원시 센서 데이터를 구조화된 환경 정보로 변환하는 것이다. 이 과정에서 차량은 주변의 차량, 보행자, 자전거, 오토바이, 차선, 신호등, 표지판, 공사 구역, 도로 경계, 장애물 등을 탐지하고 분류한다. 또한 각 객체의 위치, 속도, 방향, 이동 경로, 미래 행동 가능성까지 추정한다. 이렇게 생성된 환경 모델은 자율주행 차량의 모든 의사결정 과정에 활용된다.
현대 자율주행차는 다양한 센서를 동시에 활용한다. 카메라는 색상, 질감, 형태, 문자 정보 등 풍부한 시각 정보를 제공한다. 차선, 표지판, 신호등, 도로 표시와 같은 시각적 요소를 인식하는 데 매우 효과적이다. 최근에는 CNN, Transformer, 멀티모달 AI 기술을 활용하여 영상으로부터 더욱 높은 수준의 의미 정보를 추출하고 있다.
LiDAR는 정밀한 3차원 점군(Point Cloud)을 생성하여 주변 환경의 구조를 측정한다. 카메라와 달리 거리 정보를 직접 측정할 수 있기 때문에 객체의 위치와 크기를 정확하게 계산할 수 있다. LiDAR는 장애물 탐지, 자유 공간 추정, 위치추정, 공간 인식에서 핵심 역할을 수행한다.
레이더는 악천후 환경에서 특히 중요한 센서이다. 비, 안개, 눈, 먼지와 같은 조건에서도 안정적으로 물체의 거리와 속도를 측정할 수 있다. 레이더는 상대 속도를 직접 측정할 수 있기 때문에 충돌 방지와 고속도로 주행에서 매우 중요한 역할을 수행한다.
초음파 센서는 저속 주행과 주차 상황에서 사용된다. 감지 거리는 짧지만 근거리 장애물 인식에서는 매우 높은 신뢰성을 제공한다.
다양한 센서의 정보를 결합하는 기술을 센서 융합(Sensor Fusion)이라고 한다. 카메라는 의미 정보를 제공하고, LiDAR는 기하학적 정보를 제공하며, 레이더는 속도 정보를 제공한다. GNSS와 IMU는 차량의 위치와 운동 상태를 제공한다. 센서 융합은 이러한 정보를 통합하여 단일 센서보다 훨씬 정확하고 신뢰성 높은 환경 모델을 생성한다.
센서 융합은 여러 방식으로 수행될 수 있다. 초기 융합은 원시 데이터를 직접 결합하며, 중간 융합은 특징 벡터를 결합하고, 후기 융합은 독립적으로 생성된 결과를 통합한다. 실제 자율주행 시스템은 여러 융합 방식을 혼합하여 사용하는 경우가 많다.
객체 탐지(Object Detection)는 인지 시스템의 핵심 기능이다. 객체 탐지 모델은 차량, 보행자, 자전거, 표지판 등을 인식하고 분류한다. 최근에는 딥러닝과 트랜스포머 기반 검출기가 높은 성능을 제공하고 있으며 다양한 기상 조건과 환경에서도 안정적으로 동작하도록 발전하고 있다.
객체 추적(Object Tracking)은 시간에 따른 객체의 이동을 추적하는 기능이다. 차량은 단순히 현재 객체의 위치만 알아서는 안 되며, 해당 객체가 앞으로 어떻게 움직일 것인지를 이해해야 한다. 다중 객체 추적 시스템은 연속된 센서 프레임을 연결하여 객체의 이동 경로와 속도를 추정한다.
세그멘테이션(Segmentation)과 장면 이해(Scene Understanding)는 환경에 대한 더욱 높은 수준의 해석을 제공한다. 도로, 보도, 건물, 차선, 차량, 보행자, 식생 등을 픽셀 단위 또는 점군 단위로 분류하여 전체 환경 구조를 이해한다. 이를 통해 차량은 어디가 주행 가능 영역인지, 어떤 영역을 회피해야 하는지를 판단할 수 있다.
3차원 인지는 자율주행에서 점점 더 중요해지고 있다. 점군 처리, 깊이 추정, Occupancy Mapping, 3D 객체 검출 기술은 차량이 복잡한 공간 환경을 이해하는 데 활용된다. 이를 통해 차량은 물체의 실제 크기와 거리, 도로 구조, 주행 가능 공간을 정확히 파악할 수 있다.
인지 시스템은 악천후 환경도 처리해야 한다. 비, 눈, 안개, 강한 햇빛, 야간, 센서 오염, 가려짐(Occlusion) 등의 상황은 인지 성능을 크게 저하시킬 수 있다. 따라서 현대 인지 시스템은 중복성, 신뢰도 추정, 불확실성 분석, 이상 탐지 기능을 포함하여 다양한 환경에서도 안정적으로 동작하도록 설계된다.
인공지능은 자율주행 인지 기술을 혁신적으로 발전시켰다. 대규모 데이터셋과 딥러닝 모델은 객체 탐지, 세그멘테이션, 추적, 장면 이해 성능을 크게 향상시켰다. 최근에는 Transformer, Self-Supervised Learning, Foundation Model, Multimodal AI 기술이 적용되면서 보다 일반화된 환경 이해 능력이 가능해지고 있다.
향후 Vision-Language Model과 멀티모달 파운데이션 모델은 자율주행 인지 시스템의 새로운 발전 방향이 될 것으로 예상된다. 차량은 단순히 물체를 인식하는 수준을 넘어 교통 상황의 의미를 이해하고 인간과 유사한 수준의 상황 해석 능력을 갖추게 될 가능성이 있다.
인지 시스템은 엄청난 양의 데이터를 실시간으로 처리해야 하기 때문에 고성능 컴퓨팅 플랫폼이 필수적이다. GPU, AI Accelerator, Domain Controller, Edge AI 플랫폼이 활용되며, 모델 압축과 하드웨어 최적화 기술이 실시간 성능 확보에 중요한 역할을 수행한다.
안전성 역시 인지 시스템 설계의 핵심 요소이다. 인지 오류는 전체 자율주행 시스템의 오류로 이어질 수 있기 때문에 중복 구조, 이상 탐지, 검증 시스템, 안전 모니터링 체계가 반드시 포함된다. 또한 시뮬레이션, 실제 도로 검증, 안전 인증 과정을 통해 수백만 개 이상의 시나리오에서 성능이 검증된다.
자율주행 시스템 전체 구조에서 Perception for AVs는 센서 계층과 위치추정, 예측, 계획, 제어 계층을 연결하는 핵심 지능 계층이다. 이는 원시 센서 데이터를 의미 있는 환경 정보로 변환하여 차량이 주변 세계를 이해하고 안전하게 행동할 수 있도록 지원한다. 자율주행 기술이 발전할수록 인지 시스템은 더욱 중요한 역할을 수행하게 될 것이며, 자율주행 스택 전체에서 가장 빠르게 발전하는 핵심 기술 영역 중 하나로 남을 것이다.
한글 버전
Localization and HD Maps는 자율주행 시스템의 가장 중요한 핵심 기술 중 하나이다. 인지(Perception)가 "주변에 무엇이 있는가?"라는 질문에 답한다면, Localization은 "나는 지금 어디에 있는가?"라는 질문에 답한다. 자율주행 차량은 정확한 위치를 알지 못하면 현재 어떤 도로를 주행하고 있는지, 어떤 차선에 위치해 있는지, 주변 인프라와 어떤 관계를 가지고 있는지 판단할 수 없다. 따라서 Localization과 HD Map은 자율주행의 공간 지능(Spatial Intelligence)을 구성하는 핵심 기반 기술이다.
인간 운전자는 도로 표지판, 건물, 차선, 랜드마크를 이용하여 자신의 위치를 자연스럽게 파악한다. 반면 자율주행 차량은 센서와 알고리즘을 이용하여 이를 수행해야 한다. 특히 자율주행에서는 수 미터 수준이 아니라 수십 센티미터 또는 수 센티미터 수준의 위치 정확도가 요구된다. 고속도로에서 주행하는 차량은 단순히 어느 도로 위에 있는지를 아는 것이 아니라, 어느 차선의 어느 위치에 있는지까지 정확하게 알아야 한다.
GNSS(Global Navigation Satellite System)는 차량 위치추정의 기본적인 출발점이다. GPS, Galileo, BeiDou, GLONASS와 같은 위성항법 시스템을 이용하여 전역 위치를 계산한다. 최신 자율주행 차량은 여러 위성 시스템을 동시에 활용하는 Multi-Constellation GNSS 수신기를 사용한다. 그러나 GNSS는 도시 협곡(Urban Canyon), 터널, 숲, 고층 건물, 전파 간섭 등의 영향을 받기 때문에 단독으로는 자율주행에 필요한 정확도와 신뢰성을 제공하기 어렵다.
이를 개선하기 위해 RTK(Real-Time Kinematic)와 PPP(Precise Point Positioning) 기술이 활용된다. RTK는 기준국의 보정 정보를 사용하여 센티미터급 위치 정확도를 제공한다. PPP는 정밀 궤도 정보와 시계 보정 정보를 이용하여 위치 오차를 최소화한다. 하지만 이러한 기술 역시 모든 환경에서 완벽하게 동작하지는 않는다.
따라서 GNSS는 INS(Inertial Navigation System)와 결합된다. INS는 IMU를 사용하여 차량의 가속도와 회전 운동을 측정한다. GNSS 신호가 일시적으로 차단되더라도 차량은 자신의 이동량을 추정할 수 있다. GNSS는 장기 정확도를 제공하고 INS는 단기 연속성을 제공하기 때문에 두 시스템은 상호 보완적으로 동작한다.
휠 오도메트리 역시 중요한 위치추정 정보원이다. 휠 엔코더를 이용하여 차량 이동 거리를 추정한다. 바퀴 미끄러짐이나 타이어 마모로 인해 오차가 누적될 수 있지만 GNSS 및 IMU와 결합하면 유용한 보조 정보가 된다. 실제 시스템에서는 Kalman Filter, Factor Graph Optimization, 확률 기반 추정 기법을 이용하여 여러 센서 정보를 융합한다.
LiDAR Localization은 현재 가장 높은 정밀도를 제공하는 위치추정 기술 중 하나이다. 차량이 실시간으로 획득한 점군 데이터를 HD Map과 비교하여 위치를 계산한다. 건물, 전신주, 가드레일, 도로 경계와 같은 구조물을 지도와 매칭함으로써 매우 높은 위치 정확도를 달성할 수 있다. 특히 도시 환경에서는 풍부한 구조물 정보 덕분에 매우 효과적이다.
Visual Localization은 카메라를 활용하는 위치추정 방법이다. 차량은 현재 촬영한 영상과 저장된 지도 또는 과거 데이터를 비교하여 자신의 위치를 계산한다. 최근에는 딥러닝 기술의 발전으로 조명 변화, 계절 변화, 기상 변화에 강인한 Visual Localization 기술이 등장하고 있다.
SLAM(Simultaneous Localization and Mapping)은 지도 없이 위치를 추정하는 기술이다. 차량은 이동하면서 동시에 지도를 생성하고 자신의 위치를 계산한다. Visual SLAM, LiDAR SLAM, Visual-Inertial SLAM, Multi-Sensor SLAM 등 다양한 형태가 존재한다. 상용 자율주행 차량은 주로 HD Map을 활용하지만, SLAM은 지도 제작과 지도 갱신에 매우 중요한 역할을 수행한다.
HD Map은 일반 내비게이션 지도와는 전혀 다른 개념이다. 일반 지도는 도로 연결 정보 중심이지만, HD Map은 차선 단위의 상세한 도로 구조를 포함한다. 차선 경계, 차선 연결 관계, 교차로 구조, 신호등 위치, 제한 속도, 정지선, 횡단보도, 도로 곡률, 경사도, 가드레일, 전신주 등 수많은 정보를 센티미터 수준의 정확도로 저장한다.
HD Map은 여러 계층으로 구성된다. 기하학 계층은 도로 구조를 표현하며, 의미 계층은 교통 규칙과 차선 정보를 제공한다. 위치추정 계층은 LiDAR 매칭에 사용되는 특징 정보를 저장한다. 경로 계획 계층은 차량의 경로 탐색을 지원한다. 이러한 계층 구조를 통해 HD Map은 자율주행 차량의 디지털 도로 모델 역할을 수행한다.
HD Map의 가장 큰 장점은 사전 지식(Prior Knowledge)을 제공한다는 점이다. 센서는 현재 보이는 정보만 인식할 수 있지만 HD Map은 시야 밖의 정보까지 제공할 수 있다. 차량은 앞으로 다가올 곡선 구간, 교차로, 제한 속도 변경, 합류 구간 등을 미리 알 수 있으며 이를 바탕으로 보다 안전한 주행 전략을 수립할 수 있다.
HD Map 제작은 매우 복잡한 과정이다. 고정밀 LiDAR, 카메라, RTK GNSS, INS가 탑재된 매핑 차량이 도로 데이터를 수집한다. 이후 방대한 데이터를 처리하여 정밀 지도를 생성한다. 또한 공사, 도로 변경, 신호 체계 변경 등으로 인해 지도는 지속적으로 업데이트되어야 한다.
최근에는 클라우드 기반 지도 관리 기술이 발전하고 있다. 자율주행 차량 플릿은 주행 중 환경 변화를 감지하고 이를 중앙 서버에 전송한다. 이를 통해 지도 갱신이 자동화되고 유지 비용을 줄일 수 있다.
Localization에서는 불확실성(Uncertainty) 관리도 매우 중요하다. 모든 위치 추정에는 오차가 존재하며, 이러한 오차를 정량적으로 계산하고 상위 계층에 전달해야 한다. 계획 및 안전 시스템은 위치 신뢰도를 기반으로 보다 보수적이거나 공격적인 행동 전략을 선택할 수 있다.
인공지능 역시 Localization과 Mapping 기술에 영향을 미치고 있다. 딥러닝은 장소 인식, 특징 추출, 지도 매칭, 의미 지도 생성에 활용되고 있다. 향후 파운데이션 모델과 월드 모델 기술이 발전하면 지도와 위치추정은 보다 일반화된 공간 지능 시스템으로 진화할 가능성이 높다.
미래에는 정적인 HD Map 대신 실시간으로 진화하는 Dynamic Semantic World Model이 등장할 것으로 예상된다. 차량들은 플릿 학습을 통해 지속적으로 환경 정보를 공유하며 살아있는 디지털 지도를 구축하게 될 것이다. 이러한 시스템은 인지, 위치추정, 예측, 계획을 하나의 통합된 공간 지능 플랫폼으로 발전시키는 기반이 될 것이다.
자율주행 전체 아키텍처에서 Localization and HD Maps는 Perception과 Behavior Planning 사이를 연결하는 공간 지능 계층이다. 인지가 주변 환경을 이해하고, Localization이 차량의 위치를 계산하며, HD Map이 도로 구조에 대한 맥락 정보를 제공한다. 이 세 요소가 결합되어 자율주행 차량은 주변에 무엇이 있는지뿐만 아니라, 자신이 정확히 어디에 있는지까지 이해할 수 있게 된다. 이는 안전하고 신뢰성 있는 자율주행을 가능하게 하는 핵심 기반 기술이다.
한글 버전
Behavior Planning은 자율주행 시스템에서 차량이 현재 상황에서 무엇을 해야 하는지를 결정하는 의사결정 계층이다. 인지(Perception)가 "주변에서 무엇이 일어나고 있는가?"를 설명하고, 위치추정(Localization)이 "나는 어디에 있는가?"를 알려준다면, Behavior Planning은 "이제 무엇을 해야 하는가?"를 결정한다. 이는 환경 이해와 실제 차량 제어 사이에 위치하는 인지적 의사결정 계층으로서, 자율주행 시스템의 두뇌 역할을 수행한다. 안전성, 효율성, 승차감, 법규 준수, 운행 성능이 모두 이 계층의 결정에 의해 영향을 받는다.
인간 운전자는 운전 중 지속적으로 행동 결정을 수행한다. 차선을 변경할지, 보행자에게 양보할지, 신호등에서 정지할지, 교차로를 통과할지, 느린 차량을 추월할지, 합류 구간에 진입할지 등을 끊임없이 판단한다. 자율주행차 역시 이러한 의사결정을 컴퓨터 알고리즘을 통해 수행해야 한다. 특히 실제 도로 환경에서는 불확실성, 사회적 상호작용, 교통 법규, 위험도, 미래 상황 예측을 동시에 고려해야 하기 때문에 Behavior Planning은 자율주행에서 가장 어려운 문제 중 하나로 평가된다.
Behavior Planning의 주요 목표는 고수준 주행 의도를 생성하는 것이다. 여기서 생성되는 결과는 조향각이나 브레이크 압력과 같은 제어 명령이 아니라, 차선 유지, 차선 변경, 정지, 추월, 합류, 교차로 통과, 유턴, 안전 정차와 같은 전략적 행동이다. 이후 Motion Planning과 Control 계층이 이를 실제 차량 경로와 제어 명령으로 변환한다.
Behavior Planning은 다양한 시스템으로부터 정보를 수신한다. Perception은 주변 차량, 보행자, 자전거, 신호등, 표지판, 도로 구조 정보를 제공한다. Localization은 차량의 정확한 위치를 제공한다. HD Map은 도로 형상, 차선 연결 관계, 제한 속도, 교차로 구조와 같은 정보를 제공한다. Prediction은 주변 객체들의 미래 행동을 예측한다. 이러한 정보가 통합되어 현재 상황에 대한 종합적인 이해가 형성된다.
Behavior Planning의 핵심 과제 중 하나는 동적인 교통 참여자를 고려하는 것이다. 도로는 다수의 에이전트가 동시에 상호작용하는 공간이다. 다른 차량은 갑자기 가속하거나 감속할 수 있고, 보행자는 예기치 않게 도로를 건널 수 있으며, 자전거는 갑작스럽게 방향을 바꿀 수 있다. 따라서 차량은 현재 상태뿐 아니라 여러 미래 가능성을 고려해야 한다.
교통 법규는 Behavior Planning의 중요한 기반이다. 제한 속도, 신호 체계, 양보 규칙, 정지선, 횡단보도, 차선 규제 등을 준수해야 한다. 그러나 실제 환경에서는 공사 구간, 긴급 차량, 비정상적인 교통 상황과 같이 단순한 규칙만으로 해결할 수 없는 문제가 자주 발생한다. 따라서 Behavior Planning은 법규 준수와 현실적인 안전성을 동시에 고려해야 한다.
위험도 평가는 Behavior Planning의 또 다른 핵심 기능이다. 모든 행동에는 위험과 이익이 존재한다. 차선 변경은 효율성을 높일 수 있지만 충돌 위험을 증가시킬 수 있다. 반대로 지나치게 보수적인 행동은 안전성을 높이지만 교통 흐름을 저해할 수 있다. 따라서 시스템은 안전성, 효율성, 승차감 사이에서 균형을 찾아야 한다.
Behavior Planning은 계층적 구조로 이해할 수 있다. 최상위 Route Planning은 목적지까지의 전체 경로를 결정한다. 중간 계층인 Behavior Planning은 현재 상황에 적합한 행동 전략을 선택한다. 하위 계층인 Motion Planning은 실제 주행 궤적을 생성한다. 이러한 구조는 복잡한 자율주행 문제를 효율적으로 분해할 수 있게 한다.
Finite State Machine(FSM)은 가장 오래된 Behavior Planning 기법 중 하나이다. Lane Following, Lane Change, Stop, Merge, Overtake, Intersection Crossing과 같은 상태를 정의하고, 특정 조건에서 상태를 전환한다. FSM은 이해하기 쉽고 검증이 용이하지만, 복잡한 상황이 증가할수록 관리가 어려워질 수 있다.
Behavior Tree는 FSM보다 유연한 구조를 제공한다. 로보틱스와 게임 AI에서 발전한 기술로, 행동을 계층적으로 구성할 수 있다. 재사용성과 확장성이 높기 때문에 최근 자율주행 연구에서 널리 활용되고 있다.
규칙 기반 시스템도 여전히 중요한 역할을 한다. 교통 법규와 안전 정책은 명시적으로 정의될 수 있으며, 이는 검증과 인증 과정에서 큰 장점을 제공한다. 그러나 복잡하고 예외적인 상황에서는 규칙 기반 접근법만으로 충분하지 않을 수 있다.
최적화 기반 Behavior Planning은 행동 선택을 수학적 최적화 문제로 표현한다. 안전성, 승차감, 효율성, 에너지 소비 등을 동시에 고려하여 최적의 행동을 선택한다. 하지만 복잡한 교통 환경에서는 계산 비용이 증가할 수 있다.
머신러닝은 Behavior Planning의 새로운 발전 방향을 제시하고 있다. 지도학습은 인간 운전자 데이터를 학습하여 행동 정책을 생성한다. 강화학습은 시뮬레이션 환경에서 시행착오를 통해 최적 정책을 학습한다. 모방학습은 숙련된 운전자의 행동을 직접 학습한다. 이러한 방법들은 복잡한 도시 환경에서 특히 유망한 결과를 보여주고 있다.
최근 등장한 Foundation Model과 World Model은 Behavior Planning을 더욱 발전시킬 가능성을 보여준다. Vision-Language-Action 모델은 대규모 학습을 통해 일반화된 교통 지식을 습득할 수 있다. World Model은 미래 환경을 예측하여 보다 정교한 의사결정을 가능하게 한다.
상호작용 기반 계획(Interaction-Aware Planning)은 중요한 연구 분야로 부상하고 있다. 실제 도로에서는 모든 차량이 서로 영향을 주고받는다. 운전자들은 속도 조절, 차선 위치, 방향지시등 등을 통해 의도를 표현한다. 차세대 Behavior Planner는 이러한 상호작용을 이해하고 예측하려고 한다.
승차감 역시 중요한 요소이다. 지나친 급가속, 급제동, 공격적인 차선 변경은 승객의 신뢰를 떨어뜨릴 수 있다. 따라서 차량은 안전하고 효율적일 뿐 아니라 인간이 자연스럽다고 느끼는 주행 행동을 수행해야 한다.
Behavior Planning은 자율주행 시스템 검증에서 가장 어려운 영역 중 하나이다. 수많은 교통 상황과 예외 상황을 고려해야 하기 때문이다. 이를 위해 대규모 시뮬레이션, 디지털 트윈, 시나리오 생성, 실제 도로 평가가 활용된다.
미래에는 대규모 AI 모델, 멀티모달 추론 시스템, 플릿 학습, Embodied Intelligence 기술이 Behavior Planning에 통합될 것으로 예상된다. 차량은 단순히 규칙을 따르는 수준을 넘어 교통 상황의 맥락과 의도를 이해하며 인간과 유사한 수준의 판단 능력을 갖추게 될 가능성이 있다.
전체 자율주행 아키텍처에서 Behavior Planning은 환경 이해와 실제 차량 행동을 연결하는 핵심 계층이다. Perception이 환경을 이해하고, Localization이 위치를 계산하며, Prediction이 미래를 예측하면, Behavior Planning은 전략적 결정을 내린다. 이후 Motion Planning이 경로를 생성하고 Control이 이를 실행한다. 따라서 Behavior Planning은 자율주행 시스템 전체에서 실제 의사결정을 담당하는 핵심 두뇌라고 할 수 있다.
17_04 모션 계획 및 제어 (Motion Planning and Control)
한글 번역
모션 계획(Motion Planning)과 제어(Control)는 자율주행 차량의 핵심 의사결정 및 실행 계층을 구성한다. 인지 시스템이 주변 환경을 이해하고 위치추정 시스템이 차량의 현재 위치를 파악한다면, 모션 계획과 제어는 차량이 실제로 어떻게 움직여야 하는지를 결정한다. 이 기능들은 상위 수준의 주행 의도를 조향, 가속, 제동과 같은 구체적인 제어 명령으로 변환하여 차량을 목표 경로로 이동시킨다. 자율주행 시스템 구조에서 모션 계획 및 제어는 행동 계획(Behavior Planning)과 차량 구동 계층 사이를 연결하는 핵심 역할을 수행한다.
모션 계획은 미래의 경로와 궤적을 생성하는 과정으로 볼 수 있다. 자율주행 차량은 충돌을 피해야 하며, 교통 법규를 준수해야 하고, 승차감을 유지해야 하며, 이동 시간을 최소화해야 하고, 차량 동역학 제약조건도 만족해야 한다. 일반적인 내비게이션 시스템이 단순히 목적지까지의 경로를 생성하는 것과 달리, 자율주행 차량의 모션 플래너는 주변 차량, 보행자, 자전거, 공사구간 및 예측하기 어려운 장애물을 고려하면서 지속적으로 계획을 수정해야 한다.
현대 자율주행 시스템은 일반적으로 계층형 계획 구조를 사용한다. 최상위 계층인 경로 계획(Route Planning)은 도로 네트워크를 이용하여 출발지에서 목적지까지의 전체 경로를 생성한다. 행동 계획은 차선 유지, 차선 변경, 합류, 양보, 정지, 추월, 교차로 통과와 같은 주행 의도를 결정한다. 모션 계획은 이러한 의도를 실제 차량의 미래 위치, 속도, 가속도, 자세를 포함하는 상세 궤적으로 변환한다. 이후 제어 시스템은 해당 궤적을 추종하면서 실제 조향 및 구동 명령을 생성한다.
모션 계획의 가장 중요한 과제 중 하나는 안전성과 효율성의 균형이다. 지나치게 보수적인 계획기는 교통 흐름을 방해할 수 있으며, 반대로 공격적인 계획기는 안전 위험을 증가시킬 수 있다. 따라서 자율주행 시스템은 충돌 회피, 경로 부드러움, 승차감, 교통 규칙 준수, 에너지 효율성, 불확실성 대응 능력 등을 동시에 고려하여 최적의 궤적을 생성한다.
경로 계획(Path Planning)과 궤적 계획(Trajectory Planning)은 밀접하지만 서로 다른 개념이다. 경로 계획은 공간상에서 어디로 이동할 것인지를 결정하는 반면, 궤적 계획은 여기에 시간 정보를 추가하여 언제 어느 위치에 도달해야 하는지를 정의한다. 안전한 자율주행을 위해서는 단순한 위치 정보뿐 아니라 주변 이동 객체와의 상대적인 시간 관계도 고려해야 하므로 궤적 계획이 필수적이다.
전통적인 모션 계획 기법으로는 Dijkstra, A* 알고리즘과 같은 그래프 탐색 기반 방법이 있다. 이러한 방법은 도로망이나 점유 격자를 탐색하여 최적 경로를 찾는다. 특히 A* 알고리즘은 휴리스틱 정보를 활용하여 계산 효율성과 최적성을 동시에 확보하기 때문에 자율주행 분야에서 널리 사용된다. Hybrid A*와 같은 확장 기법은 차량의 운동학적 제약까지 고려할 수 있어 실제 차량 적용에 적합하다.
샘플링 기반 계획 기법도 널리 활용된다. RRT, RRT*, PRM과 같은 알고리즘은 상태 공간을 무작위로 탐색하여 가능한 경로를 생성한다. 이러한 방법은 고차원 문제에서 계산 복잡도를 줄일 수 있으며, 복잡한 환경에서도 유연하게 적용할 수 있다. 특히 RRT*는 시간이 증가할수록 더 우수한 해를 찾을 수 있는 최적성 특성을 가진다.
최근에는 최적화 기반 계획 기법이 매우 중요해지고 있다. 이 접근법은 궤적 생성을 제약조건이 포함된 최적화 문제로 정의한다. 차량 동역학, 충돌 회피, 도로 경계, 승차감 제약을 만족하면서 비용 함수를 최소화하는 궤적을 계산한다. 이차계획법, 비선형 최적화, 스플라인 최적화, 볼록 최적화 등이 대표적으로 사용된다. 이러한 기법은 승용차 수준의 부드러운 주행 궤적을 생성하는 데 매우 효과적이다.
모델 예측 제어(Model Predictive Control, MPC)는 계획과 제어를 통합하는 대표적인 프레임워크로 자리 잡았다. MPC는 차량 모델을 이용해 미래 상태를 예측하고 일정 시간 구간 동안 최적의 제어 입력을 계산한다. 계산된 입력 중 첫 번째 명령만 실행한 후 다시 최적화를 수행하는 반복 구조를 사용한다. 이를 통해 동적인 환경 변화에 유연하게 대응할 수 있으며 차선 유지, 속도 제어, 충돌 회피, 차량 안정성을 하나의 프레임워크 안에서 동시에 다룰 수 있다.
차량 제어 시스템은 계획된 궤적을 정확히 추종하도록 한다. 종방향 제어는 가속 및 제동을 담당하며, 횡방향 제어는 조향을 담당한다. 이 두 시스템이 결합되어 차량은 목표 궤적을 안정적으로 따라가게 된다.
PID 제어는 가장 널리 사용되는 제어 기법 중 하나이다. 비례항은 현재 오차에 반응하고, 적분항은 누적 오차를 보상하며, 미분항은 미래 오차 변화를 예측한다. 계산량이 적고 구현이 간단하지만 강한 비선형성이 존재하는 상황에서는 성능 한계가 존재할 수 있다.
고급 횡방향 제어 기법으로는 Pure Pursuit, Stanley Controller, LQR, MPC 등이 있다. Pure Pursuit는 목표 경로 상의 전방 목표점을 추적하는 방식이며, Stanley Controller는 횡방향 오차와 방향 오차를 동시에 최소화한다. LQR은 상태공간 모델을 기반으로 최적 제어를 수행하며, MPC는 미래 상태와 제약조건을 명시적으로 고려한다.
차량 동역학은 모션 계획과 제어에서 매우 중요한 요소이다. 실제 차량은 즉시 방향이나 속도를 변경할 수 없으며 타이어 힘, 노면 마찰, 서스펜션 특성, 차량 질량 분포, 액추에이터 한계 등의 영향을 받는다. 특히 고속 자율주행에서는 이러한 동역학을 정확히 모델링하는 것이 필수적이다.
불확실성 관리 또한 핵심 과제이다. 센서 데이터에는 노이즈가 존재하고, 주변 객체의 미래 행동 예측은 완벽하지 않으며, 환경은 급격하게 변할 수 있다. 따라서 모션 계획기는 확률 모델, 위험 기반 최적화, 강건 제어 기법을 활용하여 이러한 불확실성을 고려해야 한다.
최근에는 머신러닝과 딥러닝 기술이 모션 계획 및 제어 분야에 적극적으로 도입되고 있다. 딥러닝은 주변 차량의 미래 궤적 예측, 운전자 의도 추정, 행동 예측 등에 활용되고 있으며 강화학습은 주행 정책을 직접 학습할 수 있는 가능성을 보여주고 있다. 다만 안전 인증 문제로 인해 순수 학습 기반 접근보다는 전통적 기법과 학습 기반 기법을 결합한 하이브리드 구조가 주류를 이루고 있다.
시뮬레이션 환경은 모션 계획 및 제어 알고리즘 검증에 필수적이다. 디지털 트윈과 가상 주행 환경을 활용하면 실제 도로에서 경험하기 어려운 수백만 개의 시나리오를 검증할 수 있다. 특히 희귀하지만 위험한 상황을 반복적으로 시험할 수 있다는 점에서 매우 중요하다.
결국 모션 계획 및 제어는 자율주행 차량의 의사결정을 실제 물리적 움직임으로 변환하는 지능의 핵심이다. 이 기술은 차량이 안전성, 효율성, 승차감, 법규 준수, 강건성을 동시에 만족하면서 복잡한 도로 환경을 주행할 수 있도록 만든다. 미래의 자율주행 시스템은 예측형 월드모델, 대규모 학습 시스템, 차량 간 협력 주행, 그리고 교통 상황을 추론할 수 있는 파운데이션 모델과 결합되면서 인간 수준의 주행 능력에 더욱 가까워질 것으로 전망된다.
한글 버전
자율주행차 안전 및 규제(AV Safety and Regulation)는 자율주행 산업 전체를 지탱하는 핵심 기반이다. 인지, 위치추정, 계획, 제어 기술이 차량을 자율적으로 주행하게 만든다면, 안전성과 규제는 그러한 시스템이 신뢰받고 인증받으며 실제 사회에 배치될 수 있도록 만든다. 안전은 단순한 하나의 기술 모듈이 아니라 자율주행 시스템의 설계, 개발, 검증, 운영, 유지보수 전 과정에 영향을 미치는 최상위 원칙이다. 자율주행 안전의 궁극적인 목표는 차량이 예상 가능한 상황뿐 아니라 예상하지 못한 상황에서도 안전하게 동작하여 승객, 보행자, 다른 교통 참여자, 재산, 환경에 대한 위험을 최소화하는 것이다.
기존 차량의 안전은 주로 충돌 발생 시 탑승자를 보호하는 수동 안전(Passive Safety)에 초점이 맞춰져 있었다. 에어백, 안전벨트, 차체 구조 강화 등이 대표적인 예이다. 그러나 자율주행차에서는 차량 자체가 운전 역할을 수행하기 때문에 능동 안전(Active Safety)이 더욱 중요해진다. 따라서 자율주행 안전은 충돌 보호를 넘어 인지, 판단, 제어 과정 전체를 포함하는 개념으로 확장된다.
자율주행 안전의 핵심 개념 중 하나는 ODD(Operational Design Domain)이다. ODD는 차량이 안전하게 동작하도록 설계된 환경 조건의 범위를 정의한다. 여기에는 도로 종류, 기상 조건, 조도 환경, 교통 밀도, 지리적 영역, 속도 범위, 인프라 특성 등이 포함된다. 차량은 ODD 내에서는 안전하게 동작할 수 있지만, 그 범위를 벗어나면 제한된 기능만 수행하거나 인간의 개입이 필요할 수 있다. 따라서 ODD 정의와 검증은 안전한 상용화를 위한 출발점이다.
자율주행 수준은 일반적으로 SAE International가 정의한 Level 0부터 Level 5까지의 단계로 구분된다. 레벨이 높아질수록 환경 감시와 의사결정 책임이 인간 운전자에서 자율주행 시스템으로 이동한다. 따라서 높은 수준의 자율주행일수록 더욱 엄격한 안전 검증이 요구된다.
기능 안전(Functional Safety)은 자율주행 안전의 핵심 분야이다. 이는 전기·전자 시스템에 결함이 발생하더라도 차량이 안전하게 동작하도록 보장하는 기술이다. 대표적인 국제 표준은 ISO이다. 이 표준은 위험 분석, 안전 요구사항 정의, 시스템 설계, 검증, 확인, 운영 전 과정에 대한 체계를 제공한다.
기능 안전의 출발점은 HARA(Hazard Analysis and Risk Assessment)이다. 엔지니어는 잠재적인 위험 상황을 식별하고, 위험의 심각도와 발생 가능성, 운전자의 제어 가능성을 평가한다. 이를 통해 ASIL(Automotive Safety Integrity Level)이 결정되며, 높은 ASIL 등급일수록 더욱 엄격한 개발 및 검증 절차가 요구된다.
중복성(Redundancy)은 자율주행 안전 구조의 핵심 요소이다. 인간 운전자가 없는 상황에서는 시스템 스스로 장애를 견뎌야 한다. 센서 중복성은 하나의 센서가 고장 나더라도 다른 센서가 기능을 보완하도록 한다. 컴퓨팅 중복성은 주 프로세서 장애 시 백업 시스템이 동작하도록 한다. 전원 및 통신 중복성 역시 전체 시스템의 신뢰성을 향상시킨다.
인지 안전성도 매우 중요하다. 카메라는 야간이나 역광에 영향을 받을 수 있고, LiDAR는 악천후에서 성능이 저하될 수 있으며, 레이더는 특정 환경에서 오탐지를 발생시킬 수 있다. 따라서 센서 융합, 신뢰도 추정, 이상 탐지, 불확실성 분석이 필수적으로 적용된다.
위치추정과 지도 시스템도 안전 관점에서 관리되어야 한다. 위치 오차는 잘못된 차선 판단이나 위험한 경로 생성으로 이어질 수 있다. 따라서 위치추정 시스템은 무결성 모니터링, 신뢰도 평가, 중복 구조를 통해 안정성을 확보한다.
계획 및 제어 계층 역시 안전 요구사항을 만족해야 한다. 생성된 경로는 충돌 회피, 차량 동역학 한계, 교통 법규를 모두 만족해야 한다. 또한 위험 상황이 발생하면 차량은 최소 위험 상태(Minimal Risk Condition)로 전환할 수 있어야 한다. 예를 들어 도로 가장자리로 안전하게 정차하거나 속도를 줄이는 방식이 이에 해당한다.
SOTIF(Safety Of The Intended Functionality)는 고장이 없는 상황에서도 발생할 수 있는 위험을 다룬다. 대표 표준은 ISO이다. 예를 들어 특이한 조명 환경이나 매우 드문 객체 형태로 인해 인지 시스템이 오판할 수 있다. SOTIF는 이러한 성능 한계에서 발생하는 위험을 분석하고 완화하는 방법론을 제공한다.
사이버 보안은 최근 자율주행 안전에서 매우 중요한 요소가 되었다. 현대 차량은 수백 개의 ECU와 네트워크, 클라우드 연결 기능을 포함한다. 이에 따라 해킹과 악성 공격 위험이 증가하였다. UNECE 및 ISO와 같은 표준은 위협 분석, 위험 관리, 보안 소프트웨어 개발, 취약점 관리 체계를 제공한다.
검증과 확인(Validation and Verification)은 자율주행 개발에서 가장 큰 과제 중 하나이다. 실제 도로 주행만으로는 모든 상황을 검증할 수 없기 때문에 시뮬레이션, 디지털 트윈, Software-in-the-Loop, Hardware-in-the-Loop, 폐쇄 시험장 시험, 실제 도로 시험이 함께 활용된다. 수백만 개의 가상 시나리오가 실행되어 시스템 안전성을 평가한다.
시나리오 기반 검증은 특히 중요하다. 보행자 돌발 진입, 악천후, 센서 고장, 복잡한 교차로, 공사 구간과 같은 다양한 상황을 인위적으로 생성하여 시스템의 대응 능력을 평가한다.
규제 체계는 국가마다 다르게 발전하고 있다. 자율주행 차량의 인증, 보험, 책임 소재, 데이터 관리, 운영 기준을 정의하기 위해 다양한 정부 기관과 국제기구가 협력하고 있다. United Nations Economic Commission for Europe, National Highway Traffic Safety Administration, European Union 등이 주요 역할을 수행한다.
책임(Liability)은 자율주행 시대의 새로운 문제이다. 사고 발생 시 책임이 운전자에게 있는지, 제조사에게 있는지, 소프트웨어 개발사에게 있는지, 차량 운영사에게 있는지 판단해야 한다. 따라서 보험과 법률 체계 역시 새로운 형태로 발전하고 있다.
데이터 거버넌스와 개인정보 보호도 중요한 규제 대상이다. 자율주행차는 주변 환경에 대한 방대한 데이터를 수집하기 때문에 데이터 소유권, 개인정보 보호, 보안 관리 체계가 필요하다.
AI 기반 자율주행 시스템이 증가하면서 설명 가능성, 투명성, 공정성, 강건성에 대한 요구도 높아지고 있다. 향후 규제는 단순히 성능만이 아니라 AI 의사결정 과정의 신뢰성까지 검증하는 방향으로 발전할 가능성이 높다.
플릿 운영 안전성도 중요해지고 있다. 수천 대의 자율주행차가 동시에 운영될 경우 차량 상태, 소프트웨어 버전, 보안 상태, 유지보수 이력, 운영 성능을 지속적으로 모니터링해야 한다. 클라우드 기반 플릿 관리 시스템은 이러한 요구를 지원한다.
미래의 자율주행 안전은 AI와 전통적인 안전 공학이 결합된 형태로 발전할 것으로 예상된다. 디지털 트윈은 실시간 위험 분석을 수행하고, 플릿 학습은 차량 간 안전 지식을 공유하며, 월드 모델은 더욱 깊은 상황 이해를 제공할 수 있다.
전체 자율주행 아키텍처에서 AV Safety and Regulation은 모든 계층을 아우르는 최상위 프레임워크이다. 인지, 위치추정, 예측, 행동 계획, 경로 계획, 제어, 컴퓨팅, 통신, 클라우드 시스템은 모두 안전성과 규제 요구사항을 만족해야 한다. 결국 안전은 자율주행 기술을 단순한 연구 기술이 아닌 실제 사회에서 신뢰받고 사용될 수 있는 교통 시스템으로 전환시키는 핵심 요소이며, 기술 혁신과 사회적 수용성을 연결하는 마지막 단계라고 할 수 있다.
저자: Richard Minsoo Go
LinkedIn: Richard Minsoo Go







Top comments (0)