자율주행차는 카메라, 라이다, 레이다 등 하드웨어 센서를 통해 수집하는 정보를 통해 주변 환경을 인식하고 판단하는데 이러한 고품질의 데이터는 안정적이고 강력한 비전 및 감지 알고리즘을 훈련하고 첨단운전자지원시스템(ADAS) 구현 및 검증하는 데 필수적이다.

그러나 고도로 정교한 시스템으로 옮겨가는 것은 결코 간단한 문제는 아니다. 고려해야 할 순수한 기술적 과제들 외에도 영향을 미치는 다수의 사회적 문제들이 해결되어야 할 것이다.

본고에서는 자율주행의 핵심 측면들을 살펴보는 1.'자율주행 기술: 자동차 업계 지형을 바꾸다' 2.'자동차 자율주행 주요 단계 정의' 3.'자율주행차의 주요 기술 1부: 센서' 4.'자율주행차의 주요 기술 2부: V2V/V2I 통신' 5.'자율주행의 기본 윤리' 등 총 5회로 연재된다.

또한 최종적으로 완전한 자율주행에 도달하기 전에 통과해야 하는 각각의 단계들을 살펴보고, 센서 기술과 이를 지원하는 통신 인프라에서 현재, 일어나고 있는 혁신과 잠재적으로 시장의 수용을 방해할 수 있는 걸림돌은 무엇이 있는지를 그리고 마지막으로 관련된 윤리적 문제를 다룬다.

필자, 마크 패트릭(Mark Patrick)은 세계에서 가장 다양한 글로벌 반도체 및 전자부품들을 보유 및 유통기업인 마우저 일렉트로닉스(Mouser Electronics)의 유럽·중동·아프리카(EMEA. Europe, Middle East, and Africa) 기술 마케팅 매니저로 지역 내에서 기술 컨텐츠의 개발과 유통을 담당하고 있다.(편집자 주)

1. '자율주행 기술: 자동차 업계 지형을 바꾸다'

자율주행은 개별 차량의 성능을 가리키는 데 국한되지 않는다. 기계에게 운전을 맡기는 주요 매력은 보다 안전하고 교통사고로부터 사망자 수를 크게 감소시킬 수 있다는 점을 꼽을 수 있다(현재, 유럽연합의 연간 도로 사망자 수가 평균 25,000명을 넘는다). 원칙적으로 자율주행 차량이 주변 환경을 인식하고 판단하는데 인간보다 위험을 보다 빨리 감지하고 대응할 수 있는 다양한 센서 장치를 이용할 수 있다.

또한 자율주행 차량은 서로 통신할 수 있기 때문에 차량 간 충돌로 이어질 수 있는 인간 운전자의 오동작을 피할 수 있다. 그러나 이에 앞서 시스템은 운전자가 실제로 행동하는 방식에 대해 학습할 필요가 있다.

심층신경망(DNN. Deep Neural Network) 등과 같은 머신러닝 기술을 적용해 자율주행 차량은 더 많은 데이터에 접근하며, 더 잘 학습할 수 있다. 따라서 자율주행 시스템은 다양한 소스에서 나오는 대단위 데이터를 이용할 수 있어야 한다.

이러한 향상된 지능은 소프트웨어 업데이트를 통해 현재와 미래의 자동차에 모두 적용할 수 있다. 예를 들어, 테슬라(Tesla)는 초창기부터 자동차에서 데이터를 수집해 왔으며, 지속적으로 데이터를 컴파일링하여 다양한 분석 활동에 제공하고 있다.

하지만 여기에는 많은 도덕적 문제가 제기된다. 개인의 사생활을 침해하지 않도록 보장하면서 데이터를 수집하고, 그렇게 획득한 데이터를 이후에 이용하는 것과 관련하여 어떤 규정을 마련해야 할까? 차량 데이터를 수집, 분석, 저장 및 유통하도록 허용 받는 자는 누구인가? 획득한 데이터의 성격은 어떻게 규정되는가? 개인의 신원에 대한 접근을 허용하지 않으면서 가능한 추이를 검토할 수 있도록 적용되는 추상화 계층이 존재하는가? 이러한 모든 문제는 입법 차원에서 결정하고 다루어야 하는 사항이다.

획득한 데이터의 효과적인 이용

자율주행 차량을 제작하는 엔지니어링 팀이 극복해야 하는 또 하나의 문제는 일상의 운전에서는 보통 특별한 일이 일어나지 않는다는 사실이다. 다행히 자동차가 도로망을 따라 움직이면서 소비하는 엄청난 시간과 비교할 때 사고는 드물게 일어난다. 그러나 시스템은 이러한 드문 사건을 인식하고, 빠르게 반응할 수 있어야 한다.

이러한 이유로 시뮬레이션 기반 훈련이 적극 활용되고 있다. 독일 자를란트대학(Saarland University) 연구팀은 인공지능(AI) 시스템을 훈련하기 위해 설계된 복잡한 시뮬레이션 환경을 개발하고 있다. 이들 환경은 자율주행 차량의 소프트웨어가 다루어야 하는 비정상적이고 문제가 있는 이벤트의 조합들을 종합적으로 제시한다.

포괄적인 데이터베이스를 사용하더라도 시뮬레이션 기반 검증의 핵심 문제는 각 시나리오가 얼마나 현실적인지를 결정하는 것이다. 더 안정적인 센서 데이터를 사용하는 시뮬레이션은 완전히 다른 반응을 일으키는 반면, 실제 시스템에 방해가 되지 않는다고 확신하는 예기치 않은 센서 고장 모드가 있을 수 있다.

자율주행 차량은 자신의 실수뿐만 아니라 도로 위에 있는 다른 차량들의 실수로부터 학습되어야 한다. 이러한 이유로 자동차는 경험을 기록하고, 클라우드에 업로드 되며, AI 모델은 끊임없이 재학습된다. 잠재적으로 매일 밤 자율주행 차량은 다음날의 여정을 위해 새로운 데이터를 수신하는 그만큼 더 안전해질 것이다.

그러나 매일의 여정에 대한 일상의 기록은 개인정보와 관련하여 명백한 영향을 미친다. 앞에서 잠깐 언급했던 이유로 획득한 정보는 차량 개인의 신원을 확인할 수 없도록 익명화할 필요가 있다. 이러한 요구는 자동차 제조업체들이 자체적인 고유의 비밀스러운 개발 방식으로부터 보다 협력적인 방식으로 작업하기 시작할 경우 더 중요해질 수 있다.

만약 제조업체들이 계속 독자적인 시설에서 작업한다면, 각 업체는 자체적인 일련의 시나리오를 마련해야 하며, 가장 많은 주의가 필요한 시나리오를 파악해야 한다. 아니면 더 포괄적인 데이터로 전반적인 안전을 향상시키고자 한다면, 정부와 기업이 함께 공동의 훈련 패키지를 개발하기로 결정할 수 있을 것이다.

학습이 시스템의 동작을 변경하는 방법은 센서만으로 차량의 AI 시스템에 알려주는 것 이상에 따라 달라질 수 있다. 더 높은 수준의 결정이 작용할 가능성이 높으며, 이러한 결정의 기반이 되는 기본 프레임 워크가 논란의 원인이 될 것이 분명하다(인명 손실이 예상되는 상황에서 누구의 안전을 우선해야 하는가?). 보편적인 프레임 워크를 구현하는 것은 철학적인 논쟁과 이슈의 한가운데 있다. 필자는 이어지는 본고에서 더 자세히 살펴볼 것이다.