자율주행차로 가는 길의 기술 발전 속도는 특히 지난 1~2년 동안 급속도로 빨라졌습니다. 낮은 수준의 자율성에서 큰 개선이 이루어졌습니다. 차선 이탈 시스템은 단순히 경고를 보내는 수준에서 완전한 능동형 차선 유지 시스템으로 발전했습니다. 전방 충돌 시스템은 성능과 범위가 발전하여 능동 제동은 물론 자전거와 보행자는 물론 다른 차량까지 감지할 수 있는 기능을 제공합니다. 그러나 일반적인 인간 운전자의 감지 범위는 기계가 달성할 수 있는 것보다 많은 부분에서 여전히 한참 앞서 있으며, 여러 주요 영역에서 SAE 레벨 4 자동화에 필요한 성능과 범위를 제공하는 센서를 갖추기에는 아직 멀었습니다. 이번 주 인사이트에서는 특히 도전적이거나 아직까지 전혀 해결되지 않은 몇 가지 시나리오를 다룹니다.
기술적 과제 1: 전방 도로에서 차량 제동 성능 예측하기
전방 충돌 경고 및 자동 긴급 제동 시스템은 충돌 상황을 피하거나 완화하기 위한 결정을 내릴 때 노면의 접지력을 이해해야 합니다. 하지만 노면 마찰 예측 방법은 까다롭습니다.
가능한 솔루션에 대한 SBD의 견해
차량 바로 앞의 '접지 성능'을 추정하는 데는 크게 두 가지 접근 방식이 있습니다.
ONE: 온보드 접근 방식 TWO: 클라우드 기반 매핑 접근 방식
첫 번째 접근 방식은 센서 데이터(음향, 온도 등)를 타이어-도로 마찰 매개변수 또는 차량 및/또는 바퀴의 동적 동작과 상호 연관시켜 마찰을 추정하는 것입니다. 두 번째 접근 방식은 온보드 센서로 측정한 마찰 정보를 지속적으로 전송하는 여러 차량의 입력을 기반으로 클라우드 기반의 종합적인 마찰 지도를 구축하는 것입니다. 상세한 도로 상태 데이터베이스가 생성되면 이 정보를 실시간으로 차량에 피드백하여 그립 및 제동 모델을 지원할 수 있습니다. 실제로는 두 가지 접근 방식을 통합하고 실시간 날씨 데이터를 활용하여 접지력을 수정하는 솔루션이 필요할 가능성이 높으며, 안전한 자율 주행에 적합한 신뢰도 수준을 달성하려면 상당한 머신 러닝이 필요합니다.
기술적 도전 과제 2: 보행자의 미래 궤적 예측하기
보행자가 포함된 환경에서 주행하는 모든 자율주행 차량은 근처에 있는 보행자의 향후 경로를 예측하고 그에 따라 충돌을 피하기 위해 경로를 조정해야 합니다. 하지만 사람은 느슨하게 정의된 여러 상식적인 규칙과 사회적 관습을 따르는 경향이 있기 때문에 목표물의 움직임을 예측하는 것은 쉽지 않습니다.
가능한 솔루션에 대한 SBD의 견해
스탠퍼드 대학과 도쿄 대학은 사람의 움직임을 학습하고 예측할 수 있는 장단기 기억(LSTM)을 비롯한 다양한 모델을 사용하여 보행자 궤적 예측의 측면을 연구해 왔습니다. 도쿄대학교는 동작 궤적과 사람의 상호작용을 인코딩하여 긴 궤적 시퀀스를 예측하는 것을 목표로 하는 인코더-디코더 LSTM 기반 모델을 추가로 개발했습니다. 아직 갈 길이 멀지만 이러한 예측 모델은 마침내 강력한 솔루션을 제공할 수 있을 것입니다.
기술적 도전 과제 3: 도로 위의 파편 - 부딪혀도 되나요?
대부분의 인간 운전자는 전방 도로에 있는 파편을 발견하면 예상치 못한 파편에 도달하기 전에 이를 피할지, 아니면 통과할지 결정할 수 있습니다. 이 짧은 시간 동안 운전자는 파편의 크기, 무게, 밀도에 따라 정차, 방향 전환 또는 파편 통과에 따른 상대적 위험을 평가하는 등 다양한 위험 계산을 수행합니다. 자율주행 차량은 잔해물을 발견하면 일반적으로 4단계 프로세스를 거쳐 어떤 조치를 취할지 결정합니다. 관련된 단계는 다음과 같습니다:
ONE: 식별 TWO: 분류 THREE: 항목 이해 FOUR: 통과, 피하기 또는 멈추기
가능한 솔루션에 대한 SBD의 견해
1단계와 2단계는 어렵지만, 실제 상황에서 학습된 신경망을 사용하여 마주치는 대부분의 물체를 감지할 수 있습니다. 조기에 식별하는 것이 바람직하며, 이는 시스템이 다음 단계에 더 많은 시간을 할애할 수 있도록 해줍니다. 분류 데이터베이스를 완성하기 위해 자주 접하지 않는 물건(예: 트럭에서 떨어진 소파 등)을 분류하는 데 도움이 되는 몇 가지 추가 훈련이 필요할 수 있습니다. 3단계는 물체에 대한 완전한 그림을 구축하는 단계로, 여러 센서에서 수집한 데이터를 융합해야 합니다. 예를 들어, 배럴형 품목이 식별되면 그 품목은 무엇으로 구성되어 있을까요? 비어 있는가, 가득 차 있는가? 마지막 단계인 물체를 명중시킬지 놓칠지는 파편의 동적 동작으로 인해 복잡합니다. 물체는 최초 식별과 도착 사이에 움직일 가능성이 매우 높으며, 그 움직임은 기상 조건과 우리 차량과 물체 사이에 있는 다른 차량의 행동, 물체의 특성 등 다양한 요인에 따라 달라집니다. 앞서 보행자 궤적과 관련하여 논의한 것과 유사한 모델링 기법을 사용하면 향후 이 문제에 대한 해결책을 제시할 수 있습니다.
기술적 과제 4: 다양한 기상 조건 관리
현재의 광학 감지 시스템은 짙은 안개, 눈 또는 폭우에서는 제대로 작동하지 않습니다. 이러한 조건에서는 작동 가능한 범위가 줄어들거나 아예 작동하지 않을 수도 있습니다. 대부분의 조건에서 사람은 운전할 수 있으며, 짙은 안개나 눈, 비가 오더라도 조금 늦더라도 목적지에 안전하게 도착하는 데 지장이 없는 것이 일반적입니다.
가능한 솔루션에 대한 SBD의 견해
지난 1년여 동안 잠재적인 해결책이 시험 단계에 들어섰습니다. 레이더는 극한의 기상 조건에 훨씬 덜 민감하기 때문에 이 문제에 대한 해결책을 제공할 수 있습니다. 노면 아래 지반의 토폴로지를 분석하고 그 결과를 도로망 데이터베이스와 비교하기 위해 지면을 향한 레이더가 개발되고 있습니다. 향후에는 이 정보를 통해 차량이 어떤 날씨에도 고속도로에서 차선을 유지하며 계속 주행할 수 있도록 지원할 수 있을 것으로 기대됩니다.
도전 과제
"이러한 문제는 SAE 레벨 4 차량의 안전한 배포를 가로막는 중요한 장벽입니다."라고 말합니다. 디파 랑가라잔, 수석 자율주행 기술 컨설턴트 SBD Automotive. "실제로 많은 주요 기술적 과제가 아직 해결되지 않은 상황에서 법적 프레임워크가 이러한 첨단 자율주행을 도입하지 못하는 이유인 것처럼 선전되는 경우가 종종 있습니다. 시간과 노력이 필요하겠지만 법규는 바꿀 수 있지만 물리 법칙은 바꿀 수 없으며, 도로에서 SAE 레벨 4 차량을 보는 것은 이전에 예상했던 것보다 훨씬 더 오래 걸릴 수 있습니다."