| 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 |
|---|
| === 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 ===== |
| ==== 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 ==== |
