최근 자동차 회사, 글로벌 IT기업, 자동차 부품사, 그리고 스타트업에 이르기까지 자율주행차의 성공적인 데모가 활발하게 이루어지고 있다. 대표적으로 구글의 자율주행 기술을 바탕으로 자율주행 모빌리티 서비스를 구현하고자 하는 Waymo가 천만 마일이상의 실도로 주행을 했다고 보고하고 있다. 또한 미국 실리콘밸리에 위치한 스타트업 중에 하나인 Cruise Automation의 경우 GM에 인수가 되고 작년에는 Softbank로부터 22.5억 달러의 투자를 유치하였다. 이렇듯 자율주행 R&D에 대한 적극적인 투자 분위기에 힘입어 SAE 기준의 3단계 이상의 자율주행차가 향후 몇 년 이내에 출시할 것이라고 예측되고 있다.

이러한 성공적인 자율주행차의 데모에도 불구하고 실도로 주행을 통한 검증과정에서 교통사고가 발생하면서 안전에 대한 사회적 우려가 있는 것 또한 사실이다. 이러한 자율주행의 안전성에 대하여 어떻게 검증할 것인지에 대한 체계적인 방법론에 대해서 자동차 제조사, 모빌리티 회사, 인증기관 등 해당 당사자 간 접근방법에 대해서 고민을 하고 있는 시점이다. 이러한 유사한 안전성 문제는 이미 기능안전(Functional safety) 분야에서 국제적 공조 및 표준(ISO26262) 정립을 통하여 성공적으로 안착이 되었고 자율주행에 대한 안전성 검증도 유사한 방법으로 확대 또는 진화할 것으로 예상하고 있다. 즉, 최신의 기술(State of-the-art)을 기반으로 한 안전성 검증 방법 및 절차를 마련하고 이러한 접근방법에 대한 수용성을 모든 해당 당사자가 검토해서 최적의 접근방법을 도출할 것으로 기대된다.

자율주행의 안전성을 검증하기 위해서는 평가방법 개발에 앞서 평가 기준 도출이 선행되어야 한다. 더 나아가 이는 교통사고 시 책임소재를 결정하는 기준으로도 사용될 수 있기에 수학적 또는 정량적 평가 기준 도출과 국제적 합의를 통한 수용성을 얻는 과정이 반드시 필요하다. 운전자지원시스템(ADAS)을 평가하기 위하여 국가별로 신차평가프로그램(NCAP)이 존재하지만 자율주행을 평가하기 위해서는 좀 더 다양한 주행환경에 적용 가능해야 한다. 이러한 협력을 위한 대표적인 사례로 Mobileye/Intel이 제시하는 RSS(Responsibility Sensitive Safety) 모델이 있다. 좀 더 구체적으로, <그림 3>에서 보는 바와 같이 중앙에 있는 파란색 자동차만이 자율주행을 하고 있는 상황에서 주변 차량의 비정상적 운전 상황(급감속, 갑작스러운 근거리 끼어들기 등)에 대해서 충돌 가능성을 완전히 배제할 수 있는 자율주행 알고리즘은 없을 것이다. 따라서, 자율주행차가 주변 차량에 대해서 선제적으로 충돌 위험을 유발하지 않았다는 것을 증명할 수 있는 수학적 모델을 만들자는 제안이다.
다음으로 수학적 모델을 기반으로 개발한 평가기준을 도출했다고 하더라도 실도로 주행 시 발생하는 수없이 많은 시나리오에 대해서 모두 적용할 수 있는가라는 기술적 도전이 여전히 존재한다. 일반적으로 자율주행차는 최소한 사람이 직접 운전하는 경우보다는 안전해야한다고 목표를 설정할 수 있다.

그렇다면 사람은 얼마나 안전하게 운전을 할까? 이를 정의하는 것도 쉽지 않은 문제지만 교통사고를 기반으로 추론을 한다면 <표 1>에서 보는 바와 같이 미국의 경우 1억 마일 주행거리 당 약 1.1명이 사망한다고 보고되고 있다. 즉, 사망사고가 발생할 정도의 심각한 시나리오가 1억 마일 주행에 한번정도 나타난다고 해석한다면 자율주행차에 대한 주행검증 거리를 1억 마일은 되어야 한다고 주장할 수도 있다.

이러한 주장이 받아들여져서 검증을 위해 요구되는 주행거리가 점점 늘어난다며 실도로 주행을 통한 검증 비용과 노력은 기하급수적으로 증가할 것이다. 따라서 이러한 문제를 해결하기 위해서 가상환경을 기반으로 한 가속화 검증 방법과 도구들이 최근에 소개되고 있다. 대표적으로 미국 NVidia에서는 컴퓨터 그래픽스 기술을 이용하여 주행 시 전방 환경뿐만 아니라 백미러와 사이드미러의 환경을 가상현실(VR)로 구현하는 가상주행환경을 선보이고 있다<그림 4>. 더 나아가, 주/야간, 날씨변화 등을 모두 가상환경으로 구현할 수 있다.

Waymo의 경우는 <그림 5>에서 보는 바와 같이 실제 도로 환경에서 차량과 보행자의 움직임을 가상으로 시나리오를 구성하고 자율주행의 기능을 검증하고 있다. 이러한 환경구성을 통하여 10억 마일이상의 가상환경 기반 검증을 수행하였다고 발표하고 있다.

자율주행의 안전성 검증을 위해서 이러한 혁신적인 기술의 도입과 함께 이해 당사자들(Stakeholder)이 함께 참여하여 체계적인 방법론이 개발되고 있다. 대표적인 예로 독일에서는 2016년부터 2019년 6월까지 자율주행 기능의 상용화를 위해서 필요한 시나리오와 평가방법 및 도구에 이르는 일련의 과정을 위한 Pegasus 프로젝트를 수행하고 있다. 다임러, BMW, 폭스바겐 등 5개의 자동차 OEM 뿐만 아니라 보쉬나 콘티넨탈 등 총 17개의 자동차 관련 회사 및 연구소가 참여하고 있다. 좀 더 구체적으로 자율주행의 검증관점에서 확대되어야 하는 여섯 가지의 새로운 문제가 제시되고 있다.

–일반차량과 자율주행차가 공존하는 교통 상황(Mixed traffic)에서의 상호 작용
–자동 주행에서 수동 주행으로는 전환(Takeover)
–예측이 어려운 비정형 상황에 대한 대응
–위험상황 대응(Fallback 또는 fail-operational)
–제품 수명 기간 내에 안전 요구 사항 변화에 대한 대응
–딥러닝과 같은 기계학습 알고리즘의 적용에 대한 안전성 검증

자율주행으로 새롭게 등장하는 문제에 대해서 주행 안전성을 보장하기 위해서 독일 Pegasus 프로젝트에서는 <그림 6>에서 보는 바와 같이 기능안전을 확대하는 방법론이 제시되고 있다. 특히, 예측이 어려운 비정형 상황에 대한 대응을 위하여 시나리오에 기반을 둔 방법론이 제시되고 있고 미국 NHTSA에서도 비슷한 방법론이 연구되고 있다. 하지만, 이러한 비정형 상황, 위험상황, 그리고 딥러닝이 인식을 실패하는 상황 등에 대한 시나리오를 정의하기 위해서는 다시 실제 주행 데이터가 필요로 하며 이를 확보하기 위해서는 많은 시간과 노력이 요구된다. 지금까지 대부분 자율주행차를 개발하는 관점에서 기술의 혁신과 수평적 협력관계의 중요성이 강조되어 왔지만 상용화 관점에서는 자율주행기술의 안전성을 검증하고 평가하는 과정도 못지않게 중요함을 마지막으로 강조하고 싶다. 즉, 지금이 자율주행의 검증과 평가에서도 혁신이 요구되는 시점이다.

글 / 송봉섭 (아주대)

출처 / 오토저널 2019년 4월호 (http://www.ksae.org)
<저작권자(c) 글로벌오토뉴스(www.global-autonews.com). 무단전재-재배포금지>