| 양쪽 이전 판이전 판다음 판 | 이전 판 |
| 자율주행 [2026/04/13 12:59] – 자율주행 sync flyingtext | 자율주행 [2026/04/13 13:00] (현재) – 자율주행 sync flyingtext |
|---|
| === 정밀 지도 및 위치 추정 === | === 정밀 지도 및 위치 추정 === |
| |
| 고정밀 지도 데이터와 위성 항법 시스템을 결합하여 차량의 정확한 위치를 파악하는 기법을 설명한다. | 자율주행 시스템에서 차량의 현재 위치를 정확히 파악하는 [[위치 추정]](Localization)은 안전한 주행 경로를 생성하고 제어 명령을 내리기 위한 필수적인 전제 조건이다. 일반적인 차량용 내비게이션 시스템이 수 미터(m) 단위의 오차를 허용하는 것과 달리, 자율주행 차량은 차로 내에서의 상대적 위치와 정지선, 교차로 등과의 거리를 센티미터(cm) 단위의 정밀도로 파악해야 한다. 이를 위해 자율주행 시스템은 [[위성 항법 시스템]](Global Navigation Satellite System, GNSS)과 [[관성 측정 장치]](Inertial Measurement Unit, IMU)를 결합한 절대 위치 추정 방식과, [[고정밀 지도]](High Definition Map, HD Map) 상의 특징점과 실시간 센서 데이터를 비교하는 상대 위치 추정 방식을 융합하여 사용한다. |
| | |
| | [[고정밀 지도]]는 자율주행을 위한 가상 세계의 청사진 역할을 하며, 단순한 도로 기하 구조를 넘어 차선 단위의 정보, 도로 표지판, 신호등의 위치, 도로 경계석(Curb) 등 도로 위의 모든 정적 정보를 3차원 좌표계로 포함한다. HD Map은 통상적으로 여러 층위(Layer)로 구성되는데, 도로의 연결 관계를 다루는 도로망 층(Road Network Layer), 차선과 규제 정보를 포함하는 차선 층(Lane Layer), 그리고 위치 추정의 기준점이 되는 특징점들을 담은 점군 층(Point Cloud Layer) 또는 랜드마크 층(Landmark Layer)으로 나뉜다. 이러한 지도는 자율주행 차량의 센서가 악천후나 가림 현상으로 인해 주변 환경을 완벽히 인식하지 못할 때도 도로의 형상을 미리 예측할 수 있게 함으로써 [[인지]] 시스템의 한계를 보완하는 ’가상 센서’의 기능을 수행한다. |
| | |
| | 절대 위치 추정의 핵심인 [[위성 항법 시스템]]은 위성으로부터 수신한 신호를 바탕으로 지구 중심 좌표계에서의 위치를 결정한다. 그러나 일반적인 GNSS 신호는 전리층 지연이나 멀티패스(Multipath) 현상으로 인해 상당한 오차를 발생시킨다. 이를 극복하기 위해 지상의 기준국(Base Station)에서 보정 신호를 받아 오차를 제거하는 [[정밀 위성 항법]](Real-Time Kinematic, RTK) 기술이 주로 활용된다. RTK-GNSS는 이론적으로 수 센티미터 수준의 정밀도를 제공하지만, 고층 빌딩이 밀집한 도심(Urban Canyon)이나 터널 내에서는 위성 신호 수신이 불량해지는 단점이 있다. 따라서 차량의 가속도와 각속도를 측정하는 [[관성 측정 장치]]와 바퀴의 회전수를 측정하는 [[주행 기록계]](Odometry)를 통합한 [[관성 항법 시스템]](Inertial Navigation System, INS)을 통해 GNSS 신호가 단절된 구간에서도 차량의 궤적을 추정하는 [[추측 항법]](Dead Reckoning)을 병행한다. |
| | |
| | 실시간 위치 추정의 정밀도를 극대화하기 위해 사용되는 기법은 [[지도 매칭]](Map Matching)이다. 이는 차량에 탑재된 [[라이다]](LiDAR)나 [[카메라]]를 통해 획득한 주변 환경 데이터와 HD Map에 저장된 특징 정보를 대조하는 과정이다. 예를 들어, 라이다 센서로 스캔한 주변 건물의 외곽선이나 전신주의 위치를 HD Map의 점군 데이터와 정렬(Registration)함으로써 차량의 정확한 좌표와 방향(Heading)을 산출한다. 이 과정에서는 확률적 추정 모델인 [[칼만 필터]](Kalman Filter) 또는 [[파티클 필터]](Particle Filter)가 사용된다. 필터링 알고리즘은 이전 시점의 위치 정보와 현재 입력된 다양한 센서 데이터를 통계적으로 결합하여 최적의 상태 변수를 도출한다. 베이즈 정리(Bayes’ theorem)에 기반한 상태 추정식은 다음과 같이 표현될 수 있다. |
| | |
| | $$ P(x_t | z_{1:t}, u_{1:t}) = \eta P(z_t | x_t) \int P(x_t | x_{t-1}, u_t) P(x_{t-1} | z_{1:t-1}, u_{1:t-1}) dx_{t-1} $$ |
| | |
| | 위 식에서 $ x_t $는 $ t $ 시점에서의 차량 상태(위치 및 자세)를, $ z_t $는 센서 관측값, $ u_t $는 제어 입력(속도 및 조향각)을 의미하며, $ $는 정규화 상수이다. 이 모델은 제어 입력에 따른 예측 단계와 관측값에 따른 보정 단계를 반복하며 위치 오차를 최소화한다. 최근에는 지도가 없는 미지의 환경에서도 위치 추정과 지도 작성을 동시에 수행하는 [[동시적 위치추정 및 지도작성]](Simultaneous Localization and Mapping, SLAM) 기술이 HD Map의 생성 및 갱신 과정에 핵심적으로 적용되고 있으며, 이는 자율주행의 운행 가능 영역을 확장하는 데 기여하고 있다.((Seif, H. G., & Hu, X. (2016). Autonomous Driving in the Real World: The Application of HD Maps. IEEE Intelligent Transportation Systems Magazine, https://ieeexplore.ieee.org/document/7463137 |
| | )) ((Kuutti, S., et al. (2018). A Survey of the State-of-the-Art Localization Techniques and Their Potentials for Autonomous Vehicle Applications. IEEE Internet of Things Journal, https://ieeexplore.ieee.org/document/8334233 |
| | )) |
| |
| ==== 판단 및 주행 계획 시스템 ==== | ==== 판단 및 주행 계획 시스템 ==== |
| === 경로 생성 및 궤적 계획 === | === 경로 생성 및 궤적 계획 === |
| |
| 목적지까지의 최적 경로와 실시간 장애물 회피를 위한 국부적 주행 궤적을 생성하는 알고리즘을 기술한다. | 경로 생성 및 궤적 계획(Path Generation and Trajectory Planning)은 [[인지]] 시스템이 구축한 주변 환경 모델과 차량의 현재 상태를 바탕으로, 목적지까지 안전하고 효율적으로 도달하기 위한 최적의 이동 경로를 수학적으로 도출하는 과정이다. 이 시스템은 대개 시간적·공간적 범위에 따라 거시적인 주행 노선을 결정하는 [[전역 경로 계획]](Global Path Planning)과 실시간 장애물 회피 및 차량의 동적 특성을 고려하는 [[지역 궤적 계획]](Local Trajectory Planning)의 계층적 구조로 구성된다. 판단 및 주행 계획 시스템의 핵심은 불확실한 도로 환경 속에서도 차량의 물리적 한계를 준수하며 주행의 안전성과 승차감을 동시에 확보하는 데 있다. |
| | |
| | 전역 경로 계획은 [[정밀 지도]](High-Definition Map) 데이터와 [[전역 항법 위성 시스템]](Global Navigation Satellite System, GNSS) 정보를 활용하여 출발지부터 목적지까지의 간선 경로를 설정한다. 이 단계에서는 도로망을 [[그래프 이론]](Graph Theory)에 기반한 [[노드]](Node)와 [[엣지]](Edge)의 집합으로 모델링하며, 각 도로 구간에 거리, 예상 소요 시간, 도로 등급 등의 가중치를 부여한다. 대표적인 알고리즘으로는 시작점에서 모든 노드까지의 최단 거리를 구하는 [[다익스트라 알고리즘]](Dijkstra’s Algorithm)과 휴리스틱 함수를 도입하여 탐색 효율을 극대화한 [[A* 알고리즘]]이 주로 사용된다. 전역 경로는 주행 중 도로 통제나 극심한 정체와 같은 대규모 환경 변화가 발생하지 않는 한 비교적 긴 시간 동안 유지되는 정적인 특성을 갖는다. |
| | |
| | 지역 궤적 계획은 전역 경로를 추종하는 동시에 센서를 통해 실시간으로 탐지되는 동적 장애물을 회피하기 위한 구체적인 움직임을 생성한다. 이 과정에서는 차량의 [[운동학]](Kinematics) 및 [[동역학]](Dynamics)적 제약 조건을 반드시 고려해야 한다. 차량은 조향 각도의 한계로 인해 측면으로 즉시 이동할 수 없는 [[비홀로노믹]](Non-holonomic) 특성을 가지므로, 생성된 궤적은 차량이 물리적으로 주행 가능한 곡률을 유지해야 한다. 이를 해결하기 위해 고차 다항식을 이용한 [[곡선 피팅]](Curve Fitting) 기법이나, 상태 공간을 격자 형태로 나누어 탐색하는 [[래티스 플래너]](Lattice Planner)가 활용된다. 또한, 복잡한 환경에서는 무작위 표본 추출을 통해 경로를 확장하는 [[RRT]](Rapidly-exploring Random Tree) 알고리즘이나 그 변형 모델이 경로 탐색의 실시간성을 확보하기 위해 도입되기도 한다. |
| | |
| | 최종적인 궤적은 위치 정보뿐만 아니라 시간(Time)에 따른 속도, 가속도, [[저크]](Jerk, 가속도의 변화율) 정보를 포함하는 시계열 데이터의 집합으로 정의된다. 궤적의 최적화는 주행의 안전성, 효율성, 승차감을 종합적으로 고려한 [[비용 함수]](Cost Function)를 최소화하는 문제로 귀결된다. 일반적인 궤적 최적화 문제는 다음과 같은 수식으로 정식화할 수 있다. |
| | |
| | $$J = \int_{t_0}^{t_f} [w_1 \cdot f_{safety}(t) + w_2 \cdot f_{smoothness}(t) + w_3 \cdot f_{efficiency}(t)] dt$$ |
| | |
| | 여기서 $J$는 전체 주행 비용을 의미하며, $w_i$는 각 항목에 부여된 가중치이다. 안전성 항은 장애물과의 거리 및 차선 준수 여부를 판단하고, 평활성(Smoothness) 항은 가속도와 저크를 최소화하여 승차감을 높이며, 효율성 항은 목표 속도 유지와 최단 시간 도달을 목표로 한다. 이러한 최적화 문제를 실시간으로 해결하기 위해 [[모델 예측 제어]](Model Predictive Control, MPC) 기법이 널리 사용되며, 이는 짧은 미래 구간에 대한 최적 거동을 반복적으로 계산하여 외부 교란에 강건한 제어 성능을 제공한다. |
| | |
| | 최근에는 전통적인 기하학적·수학적 모델링의 한계를 극복하기 위해 [[심층 학습]](Deep Learning)과 [[강화 학습]](Reinforcement Learning)을 결합한 지능형 경로 계획 연구가 활발히 진행되고 있다. 이는 비정형 도로 상황이나 복잡한 교차로에서 인간 운전자의 판단 능력을 모사하여, 명시적인 규칙으로 정의하기 어려운 상황에서도 유연한 의사결정을 내릴 수 있게 한다. 특히 [[심층 강화 학습]](Deep Reinforcement Learning)은 보상 함수 설계를 통해 다양한 주행 시나리오를 스스로 학습함으로써, 고도화된 [[자율주행]] 시스템의 판단 지능을 구현하는 핵심 기술로 자리 잡고 있다. |
| |
| === 인공지능 기반 의사결정 === | === 인공지능 기반 의사결정 === |
| |
| 복잡한 교통 상황에서 규칙 기반 또는 학습 기반 모델을 통해 최선의 주행 전략을 선택하는 과정을 설명한다. | 자율주행 시스템의 의사결정 계층은 [[인지]] 시스템이 전달한 주변 환경의 추상화된 정보와 차량의 현재 상태를 결합하여, 안전하고 효율적인 주행을 위한 최적의 전략을 선택하는 중추적 기능을 수행한다. 이 과정은 단순한 장애물 회피를 넘어 도로 교통 법규 준수, 타 차량과의 상호작용, 승객의 승차감 및 에너지 효율성 등 다각적인 목적 함수를 최적화하는 복합적인 문제로 정의된다. 초기 자율주행 연구에서는 주로 사전에 정의된 논리 체계에 기반한 [[규칙 기반 모델]](Rule-based Model)이 주를 이루었으나, 최근에는 복잡하고 예측 불가능한 도로 환경에 대응하기 위해 [[인공지능]](Artificial Intelligence) 및 [[기계 학습]](Machine Learning)을 활용한 학습 기반 모델이 핵심적인 역할을 담당하고 있다. |
| | |
| | 규칙 기반 의사결정 모델의 대표적인 형태는 [[유한 상태 기계]](Finite State Machine, FSM)이다. 이는 주행 상황을 ‘차선 유지’, ‘차선 변경’, ‘교차로 정지’ 등 이산적인 상태로 정의하고, 특정 조건이 충족될 때 상태 간 전이를 수행하는 방식이다. 이러한 방식은 동작의 결정론적(Deterministic) 특성 덕분에 결과의 예측 가능성과 [[설명 가능성]](Explainability)이 높다는 장점이 있다. 그러나 실제 도로의 시나리오는 기하급수적으로 다양하며, 모든 예외 상황(Edge Case)을 수동으로 프로그래밍하는 데에는 한계가 존재한다. 또한, 규칙 간의 충돌이나 복잡한 다중 차량 상호작용 상황에서 유연한 대처가 어렵다는 단점이 있다. |
| | |
| | 이러한 한계를 극복하기 위해 도입된 [[심층 학습]](Deep Learning) 기반 의사결정 기술은 방대한 주행 데이터를 통해 최적의 주행 정책을 스스로 학습한다. 특히 [[심층 강화 학습]](Deep Reinforcement Learning, DRL)은 자율주행 차량을 하나의 에이전트로 간주하고, 주변 환경과의 상호작용을 통해 누적 보상을 최대화하는 방향으로 주행 전략을 수립한다((B. R. Kiran et al., “Deep Reinforcement Learning for Autonomous Driving: A Survey,” IEEE Transactions on Intelligent Transportation Systems, 2021, https://ieeexplore.ieee.org/document/9351818/ |
| | )). 이 과정은 일반적으로 [[마르코프 결정 과정]](Markov Decision Process, MDP)으로 정형화되며, 상태 공간 $ S $, 행동 공간 $ A $, 전이 확률 $ P $, 그리고 [[보상 함수]](Reward Function) $ R $의 요소로 구성된다. 에이전트는 다음과 같은 목적 함수를 최대화하는 정책 $ $를 학습한다. |
| | |
| | $$ J(\pi) = \mathbb{E}_{\pi} \left[ \sum_{t=0}^{\infty} \gamma^t R(s_t, a_t) \right] $$ |
| | |
| | 여기서 $ $는 미래 보상의 가치를 조절하는 할인 인자(Discount Factor)이다. 보상 함수는 사고 회피 시 큰 양의 보상을, 법규 위반이나 급격한 가감속 발생 시 음의 보상을 부여함으로써 시스템이 안전하고 매끄러운 주행을 지향하도록 유도한다. |
| | |
| | 또 다른 접근 방식인 [[모방 학습]](Imitation Learning)은 숙련된 인간 운전자의 주행 데이터를 직접 학습하여 전문가의 판단 능력을 복제한다. [[행동 복제]](Behavioral Cloning) 기법은 인지 데이터와 운전 조작 사이의 매핑을 직접 학습함으로써 복잡한 보상 함수 설계 없이도 자연스러운 주행 거동을 구현할 수 있게 한다. 그러나 학습 데이터에 포함되지 않은 생소한 상황에 직면했을 때 시스템의 안정성이 급격히 저하되는 [[공변량 변화]](Covariate Shift) 문제에 취약하다는 과제가 남아 있다. |
| | |
| | 현대적 자율주행 시스템은 규칙 기반 모델의 안전성과 학습 기반 모델의 유연성을 결합한 하이브리드 구조를 채택하는 추세이다. 예를 들어, 인공지능이 생성한 후보 궤적들을 규칙 기반의 [[안전 계층]](Safety Layer)에서 검증하거나, [[게임 이론]](Game Theory)을 활용하여 타 차량의 의도를 예측하고 협력적 의사결정을 내리는 [[다중 에이전트 시스템]](Multi-Agent System) 관점의 연구가 활발히 진행되고 있다. 이러한 지능형 의사결정 시스템은 [[형식 검증]](Formal Verification) 기술과의 결합을 통해 인공지능의 불확실성을 제어하고, 실질적인 도로 주행에서의 신뢰성을 확보해 나가고 있다. |
| |
| ==== 차량 제어 시스템 ==== | ==== 차량 제어 시스템 ==== |
| === 종방향 및 횡방향 제어 === | === 종방향 및 횡방향 제어 === |
| |
| 차량의 가감속과 조향을 정밀하게 조절하여 계획된 궤적을 추종하는 제어 기법을 기술한다. | 차량 제어 시스템의 핵심은 상위 계층인 [[판단]] 및 주행 계획 시스템에서 생성된 목표 궤적(Target Trajectory)을 실제 차량의 물리적 움직임으로 변환하는 것이다. 이를 위해 제어 시스템은 차량의 진행 방향인 종방향(Longitudinal)과 그에 수직인 횡방향(Lateral)으로 제어 평면을 분리하여 설계하는 것이 일반적이다. 이러한 분리 접근법은 계산의 복잡성을 줄이고 각 방향의 동역학적 특성을 독립적으로 최적화할 수 있게 한다. |
| | |
| | 종방향 제어는 차량의 가속과 제동을 조절하여 목표 속도를 유지하거나 전방 차량과의 안전거리를 확보하는 것을 목적으로 한다. 이는 주로 [[구동계]](Powertrain)와 [[제동 시스템]](Braking System)의 [[액추에이터]]를 조작함으로써 수행된다. 종방향 제어의 가장 기본적인 형태는 [[PID 제어]](Proportional-Integral-Derivative Control) 알고리즘을 활용하여 목표 속도와 현재 속도 사이의 오차를 최소화하는 것이다. 더 나아가 [[적응형 크루즈 컨트롤]](Adaptive Cruise Control, ACC)과 같은 시스템에서는 앞차와의 거리를 일정하게 유지하기 위해 레이더나 라이다로부터 얻은 거리 정보를 피드백으로 사용한다. 종방향 동역학을 모델링할 때에는 차량의 질량, 공기 저항, 구름 저항 등을 고려한 운동 방정식이 활용된다. |
| | |
| | 횡방향 제어는 차량의 조향각(Steering Angle)을 정밀하게 조절하여 계획된 경로를 이탈하지 않고 추종하도록 하는 기술이다. 횡방향 제어 알고리즘은 크게 기하학적 모델 기반 방식과 동역학적 모델 기반 방식으로 구분된다. 기하학적 모델의 대표적인 예인 [[Pure Pursuit]] 알고리즘은 차량의 후륜 중심과 경로 상의 전방 주시 지점(Look-ahead Point)을 잇는 원호의 곡률을 계산하여 조향각을 산출한다. 또한 [[Stanley 제어기]]는 전륜 차축의 중심에서 경로까지의 거리에 해당하는 횡방향 오차(Cross-track Error)와 차량의 헤딩 오차(Heading Error)를 동시에 고려하여 제어 입력을 결정한다. |
| | |
| | 고속 주행이나 급격한 선회 상황에서는 차량의 질량 관성과 타이어의 슬립(Slip) 현상을 무시할 수 없으므로, 단순한 기하학적 모델을 넘어선 [[자전거 모델]](Bicycle Model) 기반의 동역학적 제어가 필수적이다. 이때 [[모델 예측 제어]](Model Predictive Control, MPC)가 널리 사용된다. MPC는 차량의 동역학 모델을 바탕으로 미래 일정 시간 동안의 거동을 예측하고, 제어 입력의 변화량과 오차를 최소화하는 최적화 문제를 매 주기 해결함으로써 제어 입력을 도출한다. |
| | |
| | $$ J = \sum_{k=0}^{N} (w_e e_k^2 + w_u \Delta u_k^2) $$ |
| | |
| | 위 식에서 $ J $는 비용 함수(Cost Function), $ e_k $는 목표 궤적과의 오차, $ u_k $는 제어 입력의 변화량을 의미하며, $ w_e $와 $ w_u $는 각 항목에 대한 가중치이다. 이러한 최적화 기반 제어는 차량의 물리적 한계(최대 조향각, 가속도 제한 등)를 제약 조건으로 설정할 수 있다는 장점이 있다. |
| | |
| | 최근의 연구는 종방향과 횡방향 제어를 독립적으로 수행할 때 발생하는 결합(Coupling) 문제를 해결하기 위해 통합 제어 시스템을 구축하는 방향으로 전개되고 있다. 예를 들어, 급선회하며 제동하는 상황에서는 타이어의 마찰력이 종방향과 횡방향으로 분산되므로, 이를 통합적으로 고려한 [[비선형 동역학]] 모델링과 제어가 시스템의 안정성을 확보하는 데 결정적인 역할을 한다. 또한 [[상태 공간 방정식]](State-space Equation)과 [[칼만 필터]](Kalman Filter)를 활용하여 센서 노이즈가 포함된 차량 상태 정보를 정확히 추정함으로써 제어의 정밀도를 높이고 있다. |
| |
| ===== 자율주행 단계별 분류 체계 ===== | ===== 자율주행 단계별 분류 체계 ===== |
| ==== 차량 사물 통신 기술 ==== | ==== 차량 사물 통신 기술 ==== |
| |
| 차량과 차량, 차량과 인프라 간의 실시간 정보 교환을 가능하게 하는 통신 규격과 기술을 설명한다. | [[차량 사물 통신]](Vehicle-to-Everything, V2X)은 차량이 유·무선망을 통해 주변의 모든 요소와 정보를 교환하는 기술 체계로, 자율주행 시스템의 인지 범위를 물리적 한계 너머로 확장하는 핵심 인프라 기술이다. 자율주행 차량에 탑재된 [[라이다]](LiDAR)나 [[레이더]](RADAR) 등의 [[온보드 센서]](On-board Sensor)는 가시거리 내의 환경 정보만을 수집할 수 있다는 태생적 한계를 지닌다. 반면 차량 사물 통신 기술은 전파의 회절과 투과 특성을 이용하여 교차로 사각지대나 대형 차량에 가려진 [[비가시 영역]](Non-Line-of-Sight, NLoS)의 위험 요소를 사전에 파악할 수 있게 한다. 이러한 정보 공유는 개별 차량의 독립적인 지능을 넘어, 도로 위의 모든 객체가 협력하여 안전을 도모하는 [[협력형 지능형 교통 체계]](Cooperative Intelligent Transport Systems, C-ITS)의 근간이 된다. |
| | |
| | 차량 사물 통신은 통신 대상에 따라 크게 네 가지 세부 기술로 구분된다. [[차량 간 통신]](Vehicle-to-Vehicle, V2V)은 인접한 차량끼리 위치, 속도, 조향 상태 등의 주행 데이터를 실시간으로 공유하여 충돌을 방지하고 [[군집 주행]](Platooning)을 가능하게 한다. [[차량-인프라 간 통신]](Vehicle-to-Infrastructure, V2I)은 신호등, 노변 기지국(Roadside Unit, RSU) 등 도로 시설물로부터 신호 잔여 시간이나 결빙 구간 정보를 수신하며, 차량의 주행 데이터를 교통 관제 센터로 전송하여 교통 흐름을 최적화한다. [[차량-보행자 간 통신]](Vehicle-to-Pedestrian, V2P)은 스마트폰이나 웨어러블 기기를 소지한 보행자, 자전거 이용자의 위치를 파악하여 사고를 예방하며, [[차량-네트워크 간 통신]](Vehicle-to-Network, V2N)은 클라우드 서버와 연결되어 [[고정밀 지도]](High-Definition Map) 업데이트나 인포테인먼트 서비스를 제공한다. |
| | |
| | V2X 기술의 구현을 위한 무선 통신 규격은 크게 [[전용 단거리 통신]](Dedicated Short Range Communications, DSRC) 기반의 [[WAVE]](Wireless Access in Vehicular Environments)와 이동통신망을 활용하는 [[C-V2X]](Cellular Vehicle-to-Everything)로 양분되어 발전해 왔다. IEEE 802.11p 표준을 기반으로 하는 WAVE는 5.9GHz 대역의 전용 주파수를 사용하며, 중앙 서버 없이 차량 간 직접 통신이 가능하여 낮은 지연 시간을 보장한다는 장점이 있다((IEEE Standard for Information technology– Local and metropolitan area networks– Specific requirements– Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications Amendment 6: Wireless Access in Vehicular Environments, https://ieeexplore.ieee.org/document/5514475 |
| | )). 그러나 통신 거리가 상대적으로 짧고 대역폭 확장에 한계가 있어 대용량 데이터 전송에는 제약이 따른다. 이에 대응하여 [[3GPP]](3rd Generation Partnership Project)가 제안한 C-V2X는 LTE 및 [[5G]] 네트워크 인프라를 활용하며, 기존 기지국 망을 사용하는 모드와 기지국 없이 차량 간 직접 통신하는 사이드링크(Sidelink) 모드를 모두 지원한다((3GPP Release 14 Description of V2X, https://www.3gpp.org/specifications-technologies/releases/release-14 |
| | )). 특히 5G 기반의 V2X는 초고속·초저지연·초연결 특성을 바탕으로 센서 데이터 원격 공유와 원격 주행 등 고도의 자율주행 기능을 지원할 수 있는 잠재력을 지닌다. |
| | |
| | 차량 간 원활한 정보 교환을 위해서는 통신 규격뿐만 아니라 데이터의 형식을 정의하는 메시지 표준화가 필수적이다. [[미국자동차공학회]](SAE International)는 J2735 표준을 통해 [[기본 안전 메시지]](Basic Safety Message, BSM)의 데이터 사전과 구조를 규정하고 있다. BSM은 차량의 크기, 위치, 속도, 가속도, 제동 상태 등 안전 주행에 직결되는 핵심 정보를 포함하며, 통상적으로 초당 10회 이상의 빈도로 주변에 방송된다. 유럽 지역에서는 [[유럽전기통신표준협회]](ETSI) 주도로 [[협력 인식 메시지]](Cooperative Awareness Message, CAM)와 [[분산 환경 알림 메시지]](Decentralized Environmental Notification Message, DENM) 등의 표준이 사용된다. 이러한 표준화된 메시지 규격은 서로 다른 제조사의 차량과 인프라가 동일한 언어로 소통할 수 있게 함으로써 시스템의 [[상호운용성]](Interoperability)을 보장한다. |
| | |
| | 자율주행의 고도화 단계에서 차량 사물 통신 기술은 단순한 정보 전달 매체를 넘어 인지 모델의 신뢰도를 높이는 결정적 역할을 수행한다. [[센서 융합]](Sensor Fusion) 과정에서 V2X를 통해 수신된 타 차량의 상태 정보는 온보드 센서가 탐지한 객체 정보와 결합되어 주변 환경에 대한 입체적인 이해를 가능하게 한다. 예를 들어, 전방 차량의 급제동 정보를 V2V 통신으로 수신하면 후속 차량은 센서가 물리적인 감속을 감지하기 전이라도 즉각적인 제동 준비를 시작할 수 있다. 이러한 협력적 인지는 자율주행 차량의 반응 시간을 획기적으로 단축하며, 결과적으로 교통 사고율 감소와 도로 용량 증대라는 사회적 편익을 창출한다. |
| |
| ==== 지능형 교통 체계와의 연동 ==== | ==== 지능형 교통 체계와의 연동 ==== |
| ==== 법적 책임 및 사고 처리 체계 ==== | ==== 법적 책임 및 사고 처리 체계 ==== |
| |
| 자율주행 중 발생한 사고의 책임 소재 규명과 관련된 법적 쟁점 및 보험 제도의 변화를 다룬다. | 자율주행 기술의 도입은 기존의 [[도로교통법]]과 [[손해배상]] 체계가 전제하던 ‘인간 운전자’ 중심의 법적 패러다임을 근본적으로 재편할 것을 요구한다. 특히 [[조건부 자동화]](Conditional Automation) 단계인 레벨 3부터는 주행의 주도권이 인간에서 시스템으로 전전환되는 구간이 존재하므로, 사고 발생 시 책임 소재를 규명하는 기준이 모호해지는 문제가 발생한다. 이에 따라 법학계와 입법 기관은 자율주행 중 사고에 대한 민사적·형사적 책임 귀속 원칙을 재정립하고, 피해자의 신속한 구제를 위한 보험 제도의 개편을 추진하고 있다. |
| | |
| | 민사 책임의 경우, 현행 [[자동차손해배상 보장법]]은 사고 시 차량의 소유자나 운행자에게 [[무과실 책임]]에 가까운 엄격한 책임을 부과하는 [[운행자 책임]] 원칙을 고수하고 있다. 자율주행차 사고에서도 이러한 원칙은 기본적으로 유지된다. 한국의 개정 자동차손해배상 보장법에 따르면, 자율주행 모드 중 사고가 발생하더라도 일단 보험사가 피해자에게 손해를 배상하는 ‘선(先)보상’ 원칙을 적용한다. 이후 사고의 원인이 자율주행 시스템의 결함으로 밝혀질 경우, 보험사가 차량 제조사나 소프트웨어 공급자에게 [[구상권]](Right to Indemnity)을 행사하는 ‘후(後)구상’ 체계를 통해 최종적인 책임 소재를 가리게 된다.((자율주행차의 상용화를 위한 자동차손해배상보장법 개정방향, https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART003116859 |
| | )) 이는 피해자가 제조사의 결함을 직접 증명해야 하는 번거로움을 덜어주고 신속한 구제를 보장하기 위한 장치이다. |
| | |
| | 그러나 [[제조물 책임]](Product Liability)의 관점에서는 여전히 논쟁적인 요소가 남아 있다. 자율주행 시스템의 오작동이 하드웨어적 결함이 아닌 [[알고리즘]]의 판단 오류나 소프트웨어의 [[버그]]에 기인할 경우, 이를 [[제조물 책임법]]상의 ’결함’으로 규정할 수 있는지가 핵심 쟁점이다. 특히 인공지능의 학습 결과로 나타나는 비결정론적 거동은 제조 당시의 설계 결함으로 입증하기가 매우 까다롭다. 따라서 전문가들은 자율주행 사고에 한해 입증 책임을 제조사로 전환하거나, 고도의 기술적 데이터를 분석할 수 있는 전문적인 사고 조사 위원회의 필요성을 강조하고 있다. |
| | |
| | 형사 책임의 영역에서는 더욱 복잡한 법적 공백이 존재한다. 전통적인 [[형법]] 체계는 인간의 주의 의무 위반을 전제로 하는 [[과실범]] 처벌 원칙을 따른다. 만약 완전 자율주행 상태에서 사고가 발생하여 인명 피해가 발생했다면, 운전대를 잡지 않은 인간에게 업무상 과실치사상죄를 묻기 어렵다. 그렇다고 인격체가 아닌 알고리즘 자체를 형사 처벌할 수도 없으므로, 책임의 화살은 시스템을 설계한 엔지니어나 제조사의 관리 책임으로 향하게 된다. 이는 기술 혁신을 위축시킬 수 있다는 우려와 함께, 사고에 대한 아무도 책임지지 않는 ‘책임의 공백’ 상태를 야기할 위험이 있다. |
| | |
| | 이러한 법적 쟁점을 해결하기 위한 기술적 기반으로서 [[사고기록장치]](Event Data Recorder, EDR)와 [[자율주행정보 기록장치]](Data Storage System for Automated Driving, DSSAD)의 역할이 강조된다. [[유엔 유럽경제위원회]](United Nations Economic Commission for Europe, UNECE) 산하의 자동차 기준 조화 세계포럼(WP.29)은 자율주행차의 주행 모드 전환 시점, 시스템의 작동 여부, 운전자의 개입 기록 등을 정밀하게 기록하도록 하는 국제 표준을 수립하고 있다.((자율주행 사고 누가 책임지나…TS, 서울서 국제 기록표준 논의, http://m.pressian.com/m/pages/articles/2026020222012577037 |
| | )) 이러한 데이터는 사고 당시의 제어권이 누구에게 있었는지를 판별하는 결정적 증거가 되며, 향후 법적 분쟁에서 [[증거법]]상의 핵심적인 지위를 차지하게 될 것이다. |
| |
| ==== 윤리적 가이드라인과 알고리즘 ==== | ==== 윤리적 가이드라인과 알고리즘 ==== |
| |
| 피할 수 없는 사고 상황에서 시스템이 내려야 할 윤리적 판단 기준과 사회적 합의 과정을 기술한다. | 자율주행 시스템의 기술적 완성도가 높아짐에 따라, 시스템이 직면할 수 있는 윤리적 딜레마(Ethical Dilemma)를 해결하기 위한 알고리즘 설계와 사회적 합의의 중요성이 증대되고 있다. 자율주행 차량은 도로 위에서 발생할 수 있는 수많은 변수에 대응해야 하며, 특히 인명 피해가 불가피한 ‘피할 수 없는 사고’ 상황에서 누구를 보호하고 누구를 희생시킬 것인가에 대한 판단 문제는 기술적 영역을 넘어선 철학적·사회적 과제로 대두되었다. 이러한 문제를 논의할 때 가장 빈번하게 인용되는 사고 실험은 [[트롤리 문제]](Trolley Problem)이다. 이는 자율주행 차량이 직진하여 다수의 보행자를 치거나, 방향을 틀어 탑승자 1명을 희생시켜야 하는 극단적인 상황에서 알고리즘이 어떤 결정을 내려야 하는지에 대한 질문을 던진다. |
| | |
| | 알고리즘의 윤리적 판단 기준을 설정하는 데 있어 가장 대립하는 두 가지 철학적 관점은 [[공리주의]](Utilitarianism)와 [[의무론]](Deontology)이다. 공리주의적 접근 방식은 전체적인 피해의 총량을 최소화하는 방향으로 알고리즘을 설계할 것을 제안한다. 예를 들어, 사고 시 희생자의 수를 최소화하는 것이 도덕적으로 정당하다는 논리이다. 그러나 이러한 방식은 차량 탑승자가 잠재적인 희생 대상이 될 수 있다는 점에서 소비자들의 수용성을 저해하며, 특정 집단에 대한 차별적 판단으로 이어질 수 있다는 비판을 받는다. 반면 의무론적 접근 방식은 결과와 상관없이 지켜야 할 보편적 도덕 원칙을 강조한다. 이는 인간을 도구화하지 말아야 한다는 [[임마누엘 칸트]](Immanuel Kant)의 정언명령에 기초하며, 알고리즘이 임의로 생명의 가치를 수치화하여 비교하는 행위 자체를 금기시한다. |
| | |
| | 이러한 논쟁을 바탕으로 국제 사회는 자율주행 윤리에 관한 공통의 가이드라인을 수립하기 시작하였다. 대표적인 사례로 2017년 [[독일 연방교통디지털인프라부]](BMVI) 산하 윤리위원회가 발표한 보고서를 들 수 있다. 이 보고서는 자율주행 알고리즘이 준수해야 할 20가지 원칙을 제시하였는데, 핵심적인 내용은 인명 보호를 최우선 가치로 두되 연령, 성별, 신체적·정신적 상태 등 어떠한 개인적 특성에 의해서도 생명의 가치를 차별해서는 안 된다는 것이다.((Ethics Commission, Automated and Connected Driving, https://www.bmv.de/SharedDocs/EN/publications/report-ethics-commission-automated-and-connected-driving.pdf?%%__%%blob=publicationFile |
| | )) 또한 사고 시 동물의 생명이나 재산 피해보다 인간의 생명을 우선시해야 하지만, 인간 사이의 희생을 선택하는 알고리즘의 프로그래밍은 법적으로 강제되거나 정당화될 수 없음을 명시하였다. |
| | |
| | 알고리즘에 사회적 가치를 반영하려는 시도는 [[가치 정렬]](Value Alignment) 연구를 통해 구체화되고 있다. 이는 인공지능의 의사결정 체계가 인간 사회의 규범 및 선호와 일치하도록 설계하는 과정이다. 매사추세츠 공과대학교(MIT)의 [[모럴 머신]](Moral Machine) 프로젝트는 전 세계 수백만 명의 데이터를 수집하여 사고 상황에서의 윤리적 선호도를 분석하였다. 연구 결과, 대다수의 응답자가 소수보다 다수를, 노인보다 어린이를, 무단횡단자보다 법규 준수자를 보호하려는 경향을 보였으나, 이러한 선호도는 국가와 문화권에 따라 상당한 차이를 나타냈다.((The Moral Machine experiment, https://www.nature.com/articles/s41586-018-0637-6 |
| | )) 이는 보편적인 윤리 알고리즘을 구축하는 것이 매우 복잡한 과정이며, 기술적 표준화뿐만 아니라 문화적 맥락을 고려한 [[사회적 합의]]가 필수적임을 시사한다. |
| | |
| | 결국 자율주행의 윤리적 알고리즘은 단일한 정답을 도출하는 도구가 아니라, 사회가 허용하는 위험의 수준과 책임의 분배 방식을 기술적으로 구현하는 체계라 할 수 있다. 이를 위해 [[IEEE]](Institute of Electrical and Electronics Engineers)와 같은 국제기구는 인공지능 및 자율 시스템 설계 시 윤리적 고려 사항을 반영하기 위한 표준화 작업을 진행하고 있다.((IEEE Standard Model Process for Addressing Ethical Concerns during System Design, https://standards.ieee.org/content/ieee-standards/en/standard/7000-2021.html |
| | )) 자율주행 차량의 판단은 투명하게 공개되어야 하며, 사고 발생 시 알고리즘의 결정 과정을 역추적할 수 있는 [[설명 가능한 인공지능]](Explainable AI, XAI) 기술의 도입 또한 윤리적 신뢰성을 확보하기 위한 중요한 과제로 다루어지고 있다. |
| |
| ==== 보안 및 안전성 표준 ==== | ==== 보안 및 안전성 표준 ==== |
