사진 : pixabay완전자율주행 기술 달성을 위해서는 자동차에 탑재되는 인공지능이 인간의 운전능력을 완전히 대체할 수 있어야 하며, 자율주행에 필요한 인공지능 기술은 크게 인지, 판단, 제어 기술로 구분할 수 있다. 각 기술의 고도화를 위해 다양한 방법으로 기술 개발이 진행 중이며, 최종적으로 완전자율주행을 달성하기 위해 각국이 경쟁 중이다.
캘리포니아주 자동차관리국의 2019년 자율주행 제어권 해제 보고서에 따르면, 제어권 해제 횟수 단일기준으로는 바이두가 18,050마일당 1회로 타사 대비 수치상 최고기록을 나타냈다. 하지만 2018년에 205마일 당 1회 기록에 비해 지나치게 상승한 제어권 1회 해제 당 마일리지 데이터 그리고 투입 실험 차량이 4대로 누적거리 10만 마일로서 타사 대비 크게 부족한 실증 데이터의 규모면에서 데이터의 신뢰도가 높은 편이 아니다.
구글 웨이모는 시내도로, 자동차전용도로에서 2018년 11,154마일 당 1회, 2019년 13,219 마일 당 1회를 기록하여 2018년 대비 18.5% 수준의 제어권 해제 성능 개선을 보였다.
GM 크루즈는 2019년 12,221마일 당 1회로 135%의 개선을 기록하여 구글 웨이모에 근접하는 성능을 보이고 있다.
중국계 스타트업 AutoX는 실험차량 8대로 10,684마일 당 1회, 중국계 스타트업 Poni.AI는 실험차량 22대로 6,475마일 당 1회를 기록하는 등 최근 중국계 자율주행 스타트업의 기술 약진이 두드러지고 있다.
제어권 1회 거리와 함께 제어권 해제 주체가 시스템인가 시험운전자인가에 따라 기술수준에 대한 평가가 달라질 필요가 있다. 이는 자율주행시스템이 돌발 상황을 스스로 인식하는 자동해제의 빈도가 높을수록 평상시 운전자의 전방주시가 필요하지 않게 되어 레벨3 자율주행 상용화에 근접 하다고 평가할 수 있기 때문이다.
이 점에서 최근의 누적거리 당 자율주행 제어권 해제 횟수의 지속적인 감소에도 불구하고, 제어권 해제의 주된 원인이 도로상의 차량, 보행자와 관련된 인식오류로 시험운전자가 강제로 제어권을 가져오는 경우가 아직도 대다수 발생하고 있다. 이를 감안하면 일반도로에서 운전자의 전방주시가 필요 없는 레벨3 자율주행차 기술수준에 도달하려면 상당한 기술 발전이 요구된다.
구글 웨이모는 워싱턴ㆍ캘리포니아ㆍ애리조나 등 미국 본토 내 공용도로에서 2,000만 마일 이상의 자율주행 누적거리를 넘었다. 실 도로에서 돌발 보행자, 난폭 운전, 사고 등 상황을 포함하는 4만 종 이상 가상 시나리오를 만들어서 시험주행 중이다. 2017년부터 시뮬레이터 Carcraft로 구축한 오스틴ㆍ마운틴 뷰 등지를 모사하는 가상도시 공간 내에 구축된 150억 마일의 가상도로를 대상으로 시뮬레이션도 병행 중이다.
웨이모의 자율주행차량은 차량 루프 및 전면, 측면, 후면에 탑재된 4개의 라이다 센서를 이용하여 도로상의 객체를 검출 인식하고 도로 정밀지도와 매칭하는 융합 측위 방식으로 10cm 이내의 오차로 자차 위치를 인식한다. 루프에 탑재된 360도 원거리 고해상도 카메라 비전시스템은 신호등 인식, 공사구간 및 스쿨버스, 응급차량 등 컬러 인식이 효과적인 도로상의 객체 인식에 활용되고 있다.
웨이모는 2020년 12월에는 미국 애리조나주 피닉스 이스트밸리에서 약 1,500명의 시범 서비스 참여 시민을 대상으로 운전자가 탑승하지 않는 완전자율주행 로보택시 서비스를 세계 최초로 상용화하였다. 그러나, 10년이 넘는 기술 축적과 수조 원을 넘는 투자에도 불구하고 웨이모의 로보택시 서비스는 피닉스 시내 일부 지역에서 더 이상 확장되지 못하고 있다. 타지역의 다양한 주행환경조건(ODD)으로 확장하기 위해서는 각기 다른 도로의 형태나 지형, 다양한 종류의 차종과 예상하기 어려운 보행자와 차량의 움직임, 눈/비 등 기상 변화와 같은 사전에 설계하기 어려운 수많은 변수에 대처해야 하는데 이런 복잡한 상황에 대처하기에는 실 도로에서의 안전성 검증과 주행데이터 학습이 아직 부족하기 때문이다.
인텔 모빌아이는 글로벌 완성차 27개 기업에 차량용 ADAS를 공급하여 세계시장의 80%를 장악하고 있다. 양산 차량에 탑재된 ADAS로부터 수집되는 데이터를 활용하여 자율주행 인식기술을 향상시키고 있다.
수집된 데이터로부터 차선, 도로경계, 로드마크, 교통표지판 등 도로상의 다양한 랜드마크를 인식하여 km 당 10kb 저장용량과 측위오차 10cm 수준의 경량형 도로지도데이터를 구축한다. 이를 주행차량에 실시간 전송하여 자율주행차량의 측위에 이용하는 크라우드 맵 소싱 기술을 개발하고 있다.
자사가 보유한 ADAS 카메라 비전 기술 강점을 활용하여 8대의 카메라 비전, 12개의 초음파 센서를 인식 센서로 활용하여 대당 1만~1만 5,000달러 수준의 로보택시의 상용화를 목표로 한다.
자율주행시스템 양산비용과 서비스 확장성 면에서 모빌아이는 카메라 비전 위주의 인식기술을 채택하고 양산 차량을 이용하여 크라우드 소싱 방식으로 도로정밀지도를 구축하는 전략을 취한다는 점에서 고가의 센서부품과 대용량 도로정밀지도에 의존하는 웨이모, GM크루즈 등 타사 기술 대비 양산에 좀 더 유리하다고 평가할 수 있다.
테슬라는 카메라 비전 인식 “Pure Vision”만을 채택하고 있다. 이를 통해, 방대한 카메라 영상 데이터 학습을 통해 물체의 깊이를 측정하여 3D 형상을 구현하는 의사 라이다(Pseudo-LiDAR)를 구현하여 고가의 라이다, 레이다 등 센서부품을 단순화하고 단가절감을 모색하고 있다. 다른 대부분 기업은 정밀 측위와 도로/주행환경 인식에 수천만 원 이상의 고가 능동광학센서 라이다를 기본 센서로 탑재한다.
카메라 비전 센서로의 단일화는 라이다-레이다-카메라 비전 등 신호융합 시 특성이 서로 다른 신호 특성으로 유발되는 인식결과의 모호성으로 발생하는 도로 및 도로상의 객체와 표식 인식오류를 줄여나가는 것도 목표다.
차량용 네비게이션 지도(GPS 맵)를 참조하여 카메라 비전으로 차량 주변의 도로환경을 인식하고 이를 GPS맵에 매칭하여 자차의 위치를 결정한다. 라이다로 구축된 대용량의 도로정밀지도를 사용하지 않는 모빌아이의 도로지도 구축방법과 유사하다. 확장성 면에서 주목할 필요가 있다.
상용화 과정상에서 필수적인 실도로 주행데이터의 경우, 테슬라는 2021년 상반기에 자율주행시스템 베타버전 FSD 9.0을 자사 엔지니어와 일반 시민으로 구성된 2,000명에게 배포하여 주행패턴과 돌발 상황에 대한 데이터를 취득하고 있다. 이를 통해, 취득된 실도로 주행데이터를 자사의 슈퍼컴퓨터에 입력하여 해당 상황에 대해 학습시키고 개선된 부분을 OTA를 통해 배포하여 성능 평가와 개선을 진행하고 있다.
테슬라는 그간 판매한 차량 120만 대로부터 수집되는 도로/주행/돌발 영상과 데이터를 약 50억 마일 이상 보유하고 있다. 이를 학습할 수 있는 세계 5번째의 성능을 보유한 슈퍼컴퓨터 '도조(Dojo)'를 자체 구축하였다. '도조'는 8개의 엔비디아 GPU를 장착하고 1.8 엑사플롭스(EFLOPS)의 성능을 보유하고 있는데, 이를 통해 실주행 상황에서 벌어질 수 있는 복잡하고 다양한 주행 시나리오를 훈련하는 데이터 세트를 생성하여 신경망 DNN을 발전시켜 나가고 있다.
중국 바이두는 자체 개발한 아폴로(Apollo)라는 자율주행플랫폼을 탑재한 자율주행차량 레벨4 로보택시를 개발하여, 2020년 이후 베이징에서 100대 가량에 의한 유상 여객 서비스를 시범 운행하고 있으며, 2025년까지 100만 대의 자율주행차 상용화를 목표로 하고 있다. 바이두의 로보택시는 C-V2X 인프라와 연계하는 차량ㆍ도로 협력 자율주행 방식으로 인식-판단 수준을 향상시켜 자율주행의 안전성을 높이는 방법을 채택하고 있다.
이는 자율주행차에 이중화 삼중화되어 탑재되는 센서 구성을 단순화하거나, 센서가 지니는 인식범위의 한계를 보완하기 위해 C-V2X 통신망이 설치된 노변 장치에 인식 센서를 부착하여 자동차-도로-클라우드를 결합하는 레벨4 자율주행을 상용화하려는 전략이다. 차량-도로 협력 자율주행을 지원하는 바이두의 아폴로-에어는 시내 도로의 열악한 환경에서의 신호등 인식 노이즈 해소, 사각지대 주변 차량의 위치 및 거동정보 제공 등을 통해 좁은 길 유턴, 맞은편 도로 이용차선 변경, 안전한 교차로 교행 등 실상황에서 발생하는 다양한 에지케이스에 대한 대처 능력을 향상시키는 것이 목적이며, 자율주행 장애 발생 시 원격차량 관리 기능을 지원한다.
중국 정부는 민간기업의 자율주행 상용화를 지원하기 위해 베이징 허베이, 충칭, 항저우, 상하이 등지를 지능형 커넥티드카 시험 도시로 지정하고, 클라우드, 5G 기술을 활용하여 레벨4 자율주행 시험허가구역으로 지정하였다.
결론적으로 자율주행차와 관련된 교통사고, 기술적 난제로 인해 2020년대 초반에 레벨4 이상 자율주행차가 상용화될 것이라는 낙관적 전망과는 달리, 가까운 미래에도 일부 도로에서 운전자 개입 없는 레벨4 이상 자율주행차 상용화에 도달하기 어려울 것이라는 회의적인 시각이 커지고 있다. 대부분 도로에서 자율주행이 가능한 레벨5 자율주행차 상용화는 2070년대 이후에나 가능할 것이라는 보수적 전망이 현실에 가깝다고 할 수 있다.
상용화 지연의 주된 이유로는 일차적으로 주행 안전의 가장 기본적인 핵심요소인 센서와 센싱 데이터에 대한 인식오류다. 그러나 기본적 인식오류가 개선되더라도 다양한 차종과 보행자, 자전거 등 도로 사용자(road user)가 얽혀서 주행하는 도로상황과 물리적 도로조건, 기상조건, 돌발 상황 등 자율주행시스템에 설계 반영된 시나리오보다 훨씬 복잡한 주행 상황에 대해서는 완벽에 가까운 인식과 상황판단이 필요하다. 이와 함께 주변 차량 거동예측의 어려움, 규명되지 않은 에지케이스 등 안전하고 효율적인 자율주행차 실현의 여정에서 풀어야 할 난제는 차고 넘친다.
최근 정부지원으로 진행되는 여러 실증사업을 통해 실도로 주행데이터를 확보해 가고 있으나 한정된 정부의 투자 규모와 전문인력 부족으로 해외와의 기술격차를 줄이기에는 한계가 있다. 이런 점에서 자율주행차에 늦게 뛰어든 중국 바이두의 자율주행차-V2X 간 협력자율주행을 통한 로보택시 구현 전략을 참고할 필요가 있다.
한정적인 정부재정에 의존하는 방식도 장기간 막대한 투자가 요구되는 레벨3 이상의 자율주행차의 상용화 성공에 도달하기에는 역부족이란 현실도 인식해야 한다. 민간투자를 활성화하여 인공지능, 소프트웨어 고급인력을 확충하고 창업을 촉진하는 방식이 효과적이다. 민간투자를 활성화하기 위해 농촌, 도시 외곽, 지방도시 등 교통취약지역에 대해 모빌리티 수단으로 자율주행차량을 우선 도입하여 초기시장을 조성할 경우, 민간 VC 투자는 저절로 조성되어 국내 자율주행차의 상용화를 촉진할 것으로 기대된다.