자율주행차의 최신 기술 동향 및 상용화
2018-09-20
org.kosen.entty.User@5b2d796
김미영(kim1)
1. 개요
지난 수 백 년간 자동차 산업은 오염에서 자유롭고 더 안전한 자동차를 만들기 위해 혁신을거듭해 왔다. 21세기에 이르러 자동차 산업은 자율주행차(Autonomous Vehicles)라는 혁명적인 기술의 진보를 맞이하고 있다. 자율주행차는 인간의 운전조작 없이 인공지능을 통해 자율적으로 주행하는 운송수단을 의미한다. 현재 거대기술 기업, 스타트업 그리고 자동차 기업들은 자율주행차 개발에 대규모의 투자를 진행하고 있고, 미국, 캐나다, 유럽, 한국, 일본 등 전 세계의 공공도로 및 간선도로에서는 프로토타입 자율주행차가 시험운행되고 있다. 구글의 자율주행차인 Waymo는 미국 피닉스 교외에서 ‘로보택시(robotaxi)’ 서비스를 2018년 내에 시작하기 위해 준비하고 있고, 제너럴모터스는 2019년에 로보택시 서비스를 런칭할 계획을 발표했다. 기업들의 개발노력에 발맞춰 미국 캘리포니아 주는 2018년 2월 26일에 인간 운전사의 탑승 없이 자율주행차를 공공도로에서 시험운행할 수 있도록 하는 법안을 통과시켰다. 이제 더 이상 미래의 기술이 아닌 자율주행차는 전통적인 자동차 산업의 생태계는 물론 인간의 생활방식과 서비스 산업의 구조, 나아가 도시 전체의 디자인과 국가 정책을 바꾸는 엄청난 변화의 시작을 준비하고 있다.
2. 주요 내용
2.1. 잠재적 편익과 비용
자율주행차는 첨단 센서와 알고리즘을 사용하여 안전한 주행을 약속하는 기술이다. 따라서 자율주행차의 도입으로 교통사고로 인한 사상자 수는 급격하게 줄어들 것으로 기대할 수 있다. 또한 전기자동차 기술을 차용하여 환경에 유해한 매연을 발생시키지 않고, 클린에너지를 효율적으로 사용하는 환경보호 기술의 대표사례가 될 것으로 전망된다. 매년 천문학적인 재정이 소모되는 교통인프라 유지보수 비용도 극적으로 줄어들 것으로 예상되고, 주차에 필요한 도심의 공간 부족 문제도 해결할 수 있을 것이다. 지능형교통시스템(ITC)과 연계되고 V2X(Vehicle to Everything) 통신을 적극적으로 활용하여 차량간 안전거리 감소 및 질서 있는 흐름을 통해 교통혼잡과 주행시간을 감소시킬 것이다. 운전과 교통혼잡으로부터 자유로워지면서 늘어난 시간은 개인과 기업, 사회 전체의 생산성을 높이게 될 것이다. 또한 수익성 등의 문제로 공공교통 서비스의 사각지대에 놓여있는 지역에도 자율주행 셔틀이 운행되는 등 최첨단 기술의 교통서비스는 사회의 전반에 걸친 다양한 편익을 제공할 것으로 예상된다.
그러나 새로운 기술의 변화는 새로운 편익을 제공하는 것과 동시에 다양하고 예상하기 어려운 문제점들도 노출시킨다. 자율주행차는 기존 교통환경과 교통산업의 생태계를 근본적으로 갈아엎는 수준의 변화를 통해 그 효용이 극대화되는 만큼, 이러한 변화가 사회에 가져올 충격과 혼란이 불가피하다. 먼저 바퀴 달린 컴퓨터라 할 수 있는 자율주행차의 데이터 보안과 개인정보보호 문제가 사회적 이슈로 떠오를 가능성이 높다. 자율주행차의 핵심인 인공지능 시스템과 소프트웨어가 안전성을 충분히 확보하지 못하거나, 교통인프라 등과의 통신과정에서 오류가 발생할 경우 군집주행을 특징으로 하는 자율주행차들 간의 대형 교통사고 발생 가능성도 무시할 수 없다. 이러한 사고 발생시 법적 책임 소재의 문제는 현재 자율주행차 발전의 발목을 잡고 있는 주요 현안이기도 하다. 또한 교통사고 발생시 운전자를 우선적으로 보호할지 어린이를 우선적으로 보호할지 등의 윤리적인 이슈도 발생한다. 이에 더해, 오늘날처럼 자동차를 이용하여 각 개인이 선택한 어디로나 원하는 경로를 통해 갈 수 있는 이동의 자유가 사라질 수 있다. 자율주행에 필수적인 방대한 실시간 데이터의 수신이 차단된 곳으로는 자율주행차가 도달할 수 없다. 또한 자율주행차를 이용하는 모든 개인의 이동정보가 클라우드에 저장 및 공유되므로 이를 권력기관이 모니터링하여 강력한 사회통제의 수단으로 이용할 수 있다. 이는 현대 사회의 분리와 차별 문제를 더욱 심각하게 만드는 요인으로 작용할 수 있다 [3].
2.2 자율주행차의 기술
2004년 3월에 미국국방연구소(America’s main military-research agency, DARPA)의 주관으로 모하비 사막에서 개최된 무인자동차 경주대회를 시작으로 자율주행차가 본격적으로 개발되었다. 이 경주에 참여한 스탠포드, 카네기멜론 대학교 등의 연구진들이 2009년 구글이 설립한 자율주행차 연구소를 비롯한 우버, 테슬라, 그리고 스타트업 기업들의 자율주행차 프로젝트를 주도하고 있다. 2005년 센서분야에서 기술혁신이 이루어지면서 이를 바탕으로 컴퓨터 비전 능력이 급속하게 향상되었다. 또한 빅데이터를 활용한 딥러닝을 통해 인공지능 시스템 분야에서도 큰 성과를 거두었다. 현재 프로토타입 자율주행차들은 개선된 센서프로세싱 기술, 적응 알고리즘, 고해상도 맵, V2V(Vehicle to Vehicle) 및 V2I(Vehicle to Infrastructure) 간 통신기술의 발전과 함께 빠른 속도로 성능이 개선되고 있다. 기술적인 측면에 있어서 통제된 환경에서의 자율주행은 이미 완성기에 접어든 상황으로 보인다.
미국자동차공학회(Society of Automotive Engineers, SAE) [7]는 2014년 자율주행차의 자동화 수준에 대한 여섯 단계의 가이드를 제공하였다. 이러한 구분은 현재 자율주행차 산업 전반의 관계자들에게 폭넓게 활용되고 있다. 0단계는 자동화 관련 어떤 기술도 적용되지 않은 자동차들이 속하는 수준이다. 1단계는 현재 대부분의 차에 적용되고 있는 운전자 보조 기술들이 적용된 자동차 수준을 의미한다. 2단계는 부분적 자동화의 단계로 첨단 운전자 보조 시스템(Auto Driver Assistant System, ADAS) 기술이 적용된 자동차 수준이다. 3단계는 제한된 조건하에서의 자율주행의 단계로 운전자는 돌발상황에 대비해 항상 대기하고 있어야 한다. 4단계는 인간의 운전에 필요한 어떠한 장치도 필요하지 않은 최고 자동화 단계로 특정 지역과 특정 속도로만 주행이 가능한 한계를 가지고 있다. 5단계는 완전 자동화 단계로 인간이 자동차의 주행에 대해 전혀 신경을 쓸 필요가 없으면서 지역과 속도의 한계도 벗어난 자동화를 의미한다. 현재 자율주행차의 기술 수준은 3단계에서 4단계로 넘어가는 과정에 있으며, 4단계와 5단계의 자동화가 이루어져야 앞서 언급한 편익을 우리에게 제공할 수 있는 기술 수준에 접어들 것으로 판단된다.
자율주행차는 인간과 마찬가지로 역동적인 주행 환경에 반응하여 정보를 수집하고 각종 알고리즘을 수행하여 상황에 대한 판단을 내리고 전략을 수립한다. 이러한 전략은 신속하게 주행환경의 변화에 적응하여 조향 및 가속, 감속 등의 차량제어를 통해 수행하게 된다. 따라서 자율주행차의 기술은 인지, 판단, 제어 기능을 중심으로 분류될 수 있으며, 이 모든 기능이 오류 없이 작동하여 안정적인 주행을 가능케 하는데 인공지능 시스템과 소프트웨어가 중추적 역할을 수행한다.
2.3 주행환경 인지 기술
자율주행차는 다양한 센서들이 만들어내는 데이터에 매우 정확한 고해상도 지도와 GPS 정보를 결합하여 교통신호와 혼잡 및 장애요소 등을 고려한 최적의 경로를 판단한다. 첨단 센서기반 기술과 통신기반 기술의 융합은 자율운행차의 주행환경 인지 기술의 핵심이다. 이러한 기술들을 효과적으로 융합하기 위해 첨단 운전자 보조 시스템(Auto Driver Assistant System, ADAS)이 폭넓게 활용된다.
2.3.1 센서기반 솔루션
주행환경을 인지하고 차량주변의 사물을 인식하며 분류하고 추적 및 분석하는 기능을 구현하기 위해서는 라이다(Lidar), 레이더(Radar), 초음파 그리고 카메라 등의 첨단센서들의 조합이 필수적이다. 이러한 센서들로부터 얻은 정보를 바탕으로 주행환경의 고해상도의 3D맵을 구성하게 된다. 카메라는 저렴하면서도 도로표지 등을 인식할 수 있는 장점이 있지만 거리를 측정하지 못한다. 레이더는 거리와 속도측정은 가능하지만 결과물의 디테일이 떨어진다. 라이다는 훌륭한 디테일을 제공하지만 매우 비싸고 눈과 같은 기상환경을 구분하지 못한다는 단점이 있다. 따라서, 자율주행차의 안정성과 신뢰도를 확보하기 위해서는 이들 센서의 조합이 필수적이다. 최첨단 라이다 시스템은 현재 수 천만 원에 달하는 고가장비로 테슬라의 자율운행차는 이 부품을 채용하지 않았다. 그러나 현재 실리콘 밸리의 스타트업 기업이 몇 백 달러에 불과한 솔리드스테이트 라이다 장비를 개발 중이고 개발이 성공적으로 완료될 경우 자율주행차의 상용화에 절대적으로 필요한 원가절감에 크게 기여할 것으로 보인다. 이 같은 기술의 발전에도 불구하고 현재 주행환경 인지 기술은 쓰레기와 도로의 진흙 등을 식별하는데도 어려움을 겪고 있다. 센서들의 인지 결과는 날씨의 영향을 크게 받기 때문에, 구글의 Waymo는 항상 화창하고 도로구획이 정비된 지역인 미국 피닉스에서 자율주행차를 테스트하고 있다.
2.3.2 통신기반 솔루션
각 센서들이 인지한 방대한 데이터는 차량측위와 GPS 정보와 결합되어 현재 위치를 오차없이 파악하고 차량주변의 고해상도 360도 3D 맵을 구현하는데 사용된다. 이를 위해 인공위성, 주변 자동차, 교통 인프라, 클라우드 서버, 지능형 교통 시스템 등과의 빠르고 안정적인 통신이 필수적이다. 자율주행차는 V2V(Vehicle to Vehicle)통신을 통해 다른 차들과 교통정보를 공유한다. 주행과정에서 인지된 물체가 장애물인지 아닌지 소위 군집학습(Fleet learning)으로 불리는 과정을 통해 판단하는 것이다. 라디오파를 이용하는 근거리 전용 패킷통신(DSRC, Dedicated Short-Range Communication)은 현재 차량간 통신 분야에서 주된 기술로 활용되는 기술이다. 차량과 교통인프라와의 통신을 의미하는 V2I(Vehicle to Infrastructure) 기술은 지능형교통 시스템과 결합하여 교통정보를 주고 받는 역할을 수행한다. 이를 위해서는 정부와 자동차제조 기업간의 협업이 필요할 것으로 예상되며 이에 필요한 V2V, V2I에 관련된 통신부품을 개인 차량에 의무적으로 장착하게 만들기 위한 시도는 비교적 빠른 시일 안에 법제화될 것으로 예상된다. 자율주행차의 통신기반 솔루션은 차량간 통신은 물론 각종 교통신호, 교통혼잡 정보, 안전운행 지역 등에 대한 인식을 바탕으로 효율적인 주행과 안정성을 제고하는 V2X(Vehicle to Everything) 통신으로 발전하고 있다 [5].
2.4 주행전략 및 판단 기술
2.4.1 인공지능 시스템
인공지능 시스템은 자율주행차의 가장 핵심적인 기술이면서 동시에 현재 가장 어려움을 겪고 있는 부문이기도 하다. 자율주행차는 인공지능의 향상된 성능을 위해 딥러닝으로 학습한다. 딥러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 가능하게 하는 알고리즘의 집합인데, 심층신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)과 같은 딥러닝 아키텍쳐는 이미 음성인식과 같은 분야에 성공적으로 적용되고있다 [4].
미국 최대의 자동차 기업 포드는 로보틱스 경험과 인공지능 소프트웨어 개발을 위해 스타트업인 Argo AI에 1조 달러의 투자를 진행하였다. Argo는 2021년까지 4단계 수준의 자율주행차의 가상 운전시스템 개발을 목표로 하고 있다. 딥러닝을 위한 연산처리 속도를 극적으로 향상시킨 GPU 개발 기업인 엔비디아 역시 보유 기술력을 바탕으로 자율주행차 분야를 선도하는 기업이 되었다. 인공지능 소프트웨어와 운영체제를 작동시키기 위해 시스템 온 칩(System on a Chip, SOC)을 탑재한 페가수스 인공지능 컴퓨터는 1초에 320조에 달하는 딥러닝 오퍼레이션을 실행할 수 있다. 이를 이용하면 사물 식별을 위한 심층신경망 딥러닝을 통해 인지 센서들로부터 얻은 데이터들의 정확성과 신뢰도를 높일 수 있다. 스탠포드 대학교의 인공지능 연구실의 연구자들이 주축이 되어 2015년에 설립한 실리콘 밸리의 스타트업 Drive.ai는 자율주행차의 인공지능 시스템을 개발하고 있다. Drive의 딥러닝은 시스템 속 개별 컴포넌트들의 활용을 위한 단편적인 접근방식이 아니라 전체적인 관점의 접근법을 가지고 있다는 점에서 다른 인공지능 시스템과의 차별성을 갖는다. 일단 인공지능 시스템이 학습되면 인지된 데이터를 바탕으로 분석이 이루어지게 되는데 이 때 인공지능의 실질적인 판단 과정은 인간의 이해할 수 없는 형태의 것이 된다. 인공지능 개발에서 가장 어려움을 겪는 부분이 바로 시스템의 오류 원인을 개발자들이 이해할 수 없다는 점이다. 이 문제를 해결하기 위해 Drive는 전체 시스템을 부품단위로 구분한 뒤 각 부품들이 정상적으로 작동하는지를 파악하여 전체시스템의 신뢰도를 향상시키고 있다.
2.4.2 인공지능 기술의 한계
이 같은 인공지능 시스템의 성능향상을 위한 투자와 노력에도 불구하고 5단계의 완전 자율주행차의 미래는 생각보다 가깝지 않다. 인공지능 전문가들은 완전 자율주행차를 운행하기 위한 수준의 인공지능 개발에 수 년은 더 걸릴 것으로 예상한다. 딥러닝에는 방대한 양의 훈련 데이터가 필요하며 알고리즘이 적용될 모든 상황의 시나리오가 준비되어야 한다. 이것이 충분히 이루어지지 않은 현재의 딥러닝 시스템은 센서를 통해 얻은 정보의 일반화에 큰 어려움을 겪고 있다. 예를 들면, 인공지능이 한 동영상 내의 각 프레임마다 출현하는 같은 사물이나 동물을 전혀 다른 개체로 인식하는 등의 오류를 보인다. 2016년 3월에 발생한 우버의 교통사고도 인공지능 소프트웨어가 자전거를 타고 있던 여인을 미확인 물체, 자동차, 자전거 등으로 시간에 따라 다르게 인식한 것이 원인이었던 것으로 밝혀졌다. 개발자들은 딥러닝을 규칙기반에서 자율학습형 시스템으로 변화시켜 문제 해결을 꾀하고 있지만, 완전한 해결의 시점은 여전히 가늠하기 어렵다. 인공지능 기술개발의 지연은 자율주행차 산업에 투자하고 있는 기업들과 투자자들에게 큰 손실을 입힐 수 있고, 이는 산업의 성장동력에 부정적인 영향을 미칠 수 있다.
2.5 비즈니스 모델
맥킨지의 2016년 보고서[1]에 따르면 2030년의 자율자동차 시장은 카쉐어링과 카헤일링 같은 새로운 서비스에 힘입어 1조 5000억 달러 규모로 성장할 것으로 보인다. 이 중 약 1000억 달러 이상의 수익이 데이터 연결 서비스와 앱, 네비게이션, 엔터테인먼트, 원격지원 서비스, 소프트웨어 업그레이드 등의 부문에서 발생될 것으로 예상하고 있다. 다른 신기술과 마찬가지로 자율주행차의 성장 또한 혁신의 S곡선을 따를 것으로 판단된다. 도입 초기에는 신뢰성과 안정성에 대한 의구심으로 완만한 상승세를 보이다가 센서 및 인공지능 기술의 향상과 V2X통신 환경이 안정화되는 시점에서 가파른 상승세를 보일 것으로 예상된다. 전문가들은 2040년 대에 이르러서는 약 절반가량의 신차들과 40%의 주행차량이 자율주행차가 될 것으로 기대한다 [2].
기술도입 초기에는 우버, 카카오 택시 등의 형태로 스마트폰 앱으로 호출하는 카헤일링 서비스가 활성화 될 것으로 보인다. 거대기술 기업과 자동차 기업들이 로보택시의 형태로 카헤일링 서비스를 시작할 것이고 이는 궁극적으로 주문형 대중교통으로 진화할 것으로 예상된다. 투자은행 UBS에 따르면 현재 자동차 운영비용은 마일당 1.20 달러이고 우버서비스는 마일당 2.50 달러이나, 미래의 로보택시 서비스는 마일당 0.70 달러에 불과할 것으로 예측된다. 이는 개인당 년간 5,000 달러의 비용절감 효과가 있는 것으로 분석되었다. 따라서, 개인들은 차를 소유하는 것보다 적은 비용의 카헤일링 또는 카쉐어링 서비스를 이용하게 될 것으로 보이며 2050년까지 약 70%의 차량소유 감소가 이루어질 것으로 판단된다. 이 같은 환경에서 자동차 기업들은 차를 개인에게 판매하는 대신에 자율주행차의 군집주행을 관리감독하거나 운송서비스를 제공하는 서비스기업으로 탈바꿈하게 될 것이다 [6].
현재 정보통신혁명에 힘입어 컴퓨터와 스마트폰을 활용한 온라인쇼핑이 활성화된 것처럼 자율주행차 생태계 안에서 유통산업 전반에 걸친 큰 변화가 일어날 것으로 예상된다. 자율주행차의 공간과 이동성을 활용한 각종 서비스들이 대거 등장할 것이다. 업무와 회의를 실시할 수 있는 사무용 차량, 현재 전 세계의 대중교통 기관들이 활발하게 테스트 하고 있는 자율주행 셔틀, 배송의 정시성과 안정성을 보장하는 자율주행 트럭, 매장 없이 이동하면서 상품을 판매하는 무인 판매차량 등의 서비스가 출현할 것이다. 자율주행차 생태계에서 소비자들은 새로운 운송수단을 바탕으로 한 서비스 경험의 혁신을 요구하게 되고 이러한 수요를 충족시키기 위해 각 산업의 기업들은 협업하거나 융합을 실행하게 될 것이다. 이러한 변화 속에서 주도권을 차지하기 위한 아이디어와 기술경쟁은 이미 치열하게 진행 중이다.
3. 결론
자율주행차 개발과 관련하여 대규모 투자가 이미 진행되고 있지만 아직은 명확하게 선도적인 역할을 하는 기업이 출현하지는 않았다. 자율주행차 기술의 발전은 자동차 산업의 가치사슬에 새로운 균형을 가져올 것으로 전망되며 기술 개발과 수용에 적극적인 기업들은 수년 내에 시장을 주도하게 될 것이다. 우리는 분명 자율주행차가 제시하는 새로운 미래의 문턱에 서있지만, 기술적인 완성수준을 바탕으로 판단해 볼 때, 아직 과제를 해결할 더 많은 시간이 필요해 보인다. 아직 거대기술 기업과 스타트업, 그리고 자동차 기업들의 연구영역에 머물러 있는 자율주행차의 미래를 활짝 여는데 있어 더 안정적이고 실현 가능한 인공지능 시스템의 개발이 그 열쇠가 될 것이다. 자율주행차가 제시하는 미래는 사회적, 경제적, 정치적, 환경적인 변화로 야기되는 편익과 문제들이 공존한다. 이러한 변화에 적응하는 과정에서 나오는 혼란과 갈등은 기술 진보에 따른 윤택한 삶이라는 달콤한 과실을 대가로 지불해야 하는 피할 수 없는 잠재적 비용이다.
References
1. McKinsey & Company, Automotive revolution –perspective towards 2030, January 2016
2. PwC, The 2017 Strategy& Digital Auto Report, September 2017
3. OECD/ITF, Automated and Autonomous Driving, 2015
4. Massachusetts Institute of Technology, MIT Autonomous Vehicle Technology Study: Large-Scale Deep Learning Based Analysis of Driver Behavior and Interaction with Automation, 2017
5. Rand Corp., Autonomous Vehicle Technology, A Guide for Policymakers, 2016.
6. The economist, Self-driving cars offer huge benefits—but have a dark side, Mar 2018
7. SAE, A full description of the SAE levels of automation, 2014, standards.sae.org
지난 수 백 년간 자동차 산업은 오염에서 자유롭고 더 안전한 자동차를 만들기 위해 혁신을거듭해 왔다. 21세기에 이르러 자동차 산업은 자율주행차(Autonomous Vehicles)라는 혁명적인 기술의 진보를 맞이하고 있다. 자율주행차는 인간의 운전조작 없이 인공지능을 통해 자율적으로 주행하는 운송수단을 의미한다. 현재 거대기술 기업, 스타트업 그리고 자동차 기업들은 자율주행차 개발에 대규모의 투자를 진행하고 있고, 미국, 캐나다, 유럽, 한국, 일본 등 전 세계의 공공도로 및 간선도로에서는 프로토타입 자율주행차가 시험운행되고 있다. 구글의 자율주행차인 Waymo는 미국 피닉스 교외에서 ‘로보택시(robotaxi)’ 서비스를 2018년 내에 시작하기 위해 준비하고 있고, 제너럴모터스는 2019년에 로보택시 서비스를 런칭할 계획을 발표했다. 기업들의 개발노력에 발맞춰 미국 캘리포니아 주는 2018년 2월 26일에 인간 운전사의 탑승 없이 자율주행차를 공공도로에서 시험운행할 수 있도록 하는 법안을 통과시켰다. 이제 더 이상 미래의 기술이 아닌 자율주행차는 전통적인 자동차 산업의 생태계는 물론 인간의 생활방식과 서비스 산업의 구조, 나아가 도시 전체의 디자인과 국가 정책을 바꾸는 엄청난 변화의 시작을 준비하고 있다.
2. 주요 내용
2.1. 잠재적 편익과 비용
자율주행차는 첨단 센서와 알고리즘을 사용하여 안전한 주행을 약속하는 기술이다. 따라서 자율주행차의 도입으로 교통사고로 인한 사상자 수는 급격하게 줄어들 것으로 기대할 수 있다. 또한 전기자동차 기술을 차용하여 환경에 유해한 매연을 발생시키지 않고, 클린에너지를 효율적으로 사용하는 환경보호 기술의 대표사례가 될 것으로 전망된다. 매년 천문학적인 재정이 소모되는 교통인프라 유지보수 비용도 극적으로 줄어들 것으로 예상되고, 주차에 필요한 도심의 공간 부족 문제도 해결할 수 있을 것이다. 지능형교통시스템(ITC)과 연계되고 V2X(Vehicle to Everything) 통신을 적극적으로 활용하여 차량간 안전거리 감소 및 질서 있는 흐름을 통해 교통혼잡과 주행시간을 감소시킬 것이다. 운전과 교통혼잡으로부터 자유로워지면서 늘어난 시간은 개인과 기업, 사회 전체의 생산성을 높이게 될 것이다. 또한 수익성 등의 문제로 공공교통 서비스의 사각지대에 놓여있는 지역에도 자율주행 셔틀이 운행되는 등 최첨단 기술의 교통서비스는 사회의 전반에 걸친 다양한 편익을 제공할 것으로 예상된다.
그러나 새로운 기술의 변화는 새로운 편익을 제공하는 것과 동시에 다양하고 예상하기 어려운 문제점들도 노출시킨다. 자율주행차는 기존 교통환경과 교통산업의 생태계를 근본적으로 갈아엎는 수준의 변화를 통해 그 효용이 극대화되는 만큼, 이러한 변화가 사회에 가져올 충격과 혼란이 불가피하다. 먼저 바퀴 달린 컴퓨터라 할 수 있는 자율주행차의 데이터 보안과 개인정보보호 문제가 사회적 이슈로 떠오를 가능성이 높다. 자율주행차의 핵심인 인공지능 시스템과 소프트웨어가 안전성을 충분히 확보하지 못하거나, 교통인프라 등과의 통신과정에서 오류가 발생할 경우 군집주행을 특징으로 하는 자율주행차들 간의 대형 교통사고 발생 가능성도 무시할 수 없다. 이러한 사고 발생시 법적 책임 소재의 문제는 현재 자율주행차 발전의 발목을 잡고 있는 주요 현안이기도 하다. 또한 교통사고 발생시 운전자를 우선적으로 보호할지 어린이를 우선적으로 보호할지 등의 윤리적인 이슈도 발생한다. 이에 더해, 오늘날처럼 자동차를 이용하여 각 개인이 선택한 어디로나 원하는 경로를 통해 갈 수 있는 이동의 자유가 사라질 수 있다. 자율주행에 필수적인 방대한 실시간 데이터의 수신이 차단된 곳으로는 자율주행차가 도달할 수 없다. 또한 자율주행차를 이용하는 모든 개인의 이동정보가 클라우드에 저장 및 공유되므로 이를 권력기관이 모니터링하여 강력한 사회통제의 수단으로 이용할 수 있다. 이는 현대 사회의 분리와 차별 문제를 더욱 심각하게 만드는 요인으로 작용할 수 있다 [3].
2.2 자율주행차의 기술
2004년 3월에 미국국방연구소(America’s main military-research agency, DARPA)의 주관으로 모하비 사막에서 개최된 무인자동차 경주대회를 시작으로 자율주행차가 본격적으로 개발되었다. 이 경주에 참여한 스탠포드, 카네기멜론 대학교 등의 연구진들이 2009년 구글이 설립한 자율주행차 연구소를 비롯한 우버, 테슬라, 그리고 스타트업 기업들의 자율주행차 프로젝트를 주도하고 있다. 2005년 센서분야에서 기술혁신이 이루어지면서 이를 바탕으로 컴퓨터 비전 능력이 급속하게 향상되었다. 또한 빅데이터를 활용한 딥러닝을 통해 인공지능 시스템 분야에서도 큰 성과를 거두었다. 현재 프로토타입 자율주행차들은 개선된 센서프로세싱 기술, 적응 알고리즘, 고해상도 맵, V2V(Vehicle to Vehicle) 및 V2I(Vehicle to Infrastructure) 간 통신기술의 발전과 함께 빠른 속도로 성능이 개선되고 있다. 기술적인 측면에 있어서 통제된 환경에서의 자율주행은 이미 완성기에 접어든 상황으로 보인다.
미국자동차공학회(Society of Automotive Engineers, SAE) [7]는 2014년 자율주행차의 자동화 수준에 대한 여섯 단계의 가이드를 제공하였다. 이러한 구분은 현재 자율주행차 산업 전반의 관계자들에게 폭넓게 활용되고 있다. 0단계는 자동화 관련 어떤 기술도 적용되지 않은 자동차들이 속하는 수준이다. 1단계는 현재 대부분의 차에 적용되고 있는 운전자 보조 기술들이 적용된 자동차 수준을 의미한다. 2단계는 부분적 자동화의 단계로 첨단 운전자 보조 시스템(Auto Driver Assistant System, ADAS) 기술이 적용된 자동차 수준이다. 3단계는 제한된 조건하에서의 자율주행의 단계로 운전자는 돌발상황에 대비해 항상 대기하고 있어야 한다. 4단계는 인간의 운전에 필요한 어떠한 장치도 필요하지 않은 최고 자동화 단계로 특정 지역과 특정 속도로만 주행이 가능한 한계를 가지고 있다. 5단계는 완전 자동화 단계로 인간이 자동차의 주행에 대해 전혀 신경을 쓸 필요가 없으면서 지역과 속도의 한계도 벗어난 자동화를 의미한다. 현재 자율주행차의 기술 수준은 3단계에서 4단계로 넘어가는 과정에 있으며, 4단계와 5단계의 자동화가 이루어져야 앞서 언급한 편익을 우리에게 제공할 수 있는 기술 수준에 접어들 것으로 판단된다.
자율주행차는 인간과 마찬가지로 역동적인 주행 환경에 반응하여 정보를 수집하고 각종 알고리즘을 수행하여 상황에 대한 판단을 내리고 전략을 수립한다. 이러한 전략은 신속하게 주행환경의 변화에 적응하여 조향 및 가속, 감속 등의 차량제어를 통해 수행하게 된다. 따라서 자율주행차의 기술은 인지, 판단, 제어 기능을 중심으로 분류될 수 있으며, 이 모든 기능이 오류 없이 작동하여 안정적인 주행을 가능케 하는데 인공지능 시스템과 소프트웨어가 중추적 역할을 수행한다.
2.3 주행환경 인지 기술
자율주행차는 다양한 센서들이 만들어내는 데이터에 매우 정확한 고해상도 지도와 GPS 정보를 결합하여 교통신호와 혼잡 및 장애요소 등을 고려한 최적의 경로를 판단한다. 첨단 센서기반 기술과 통신기반 기술의 융합은 자율운행차의 주행환경 인지 기술의 핵심이다. 이러한 기술들을 효과적으로 융합하기 위해 첨단 운전자 보조 시스템(Auto Driver Assistant System, ADAS)이 폭넓게 활용된다.
2.3.1 센서기반 솔루션
주행환경을 인지하고 차량주변의 사물을 인식하며 분류하고 추적 및 분석하는 기능을 구현하기 위해서는 라이다(Lidar), 레이더(Radar), 초음파 그리고 카메라 등의 첨단센서들의 조합이 필수적이다. 이러한 센서들로부터 얻은 정보를 바탕으로 주행환경의 고해상도의 3D맵을 구성하게 된다. 카메라는 저렴하면서도 도로표지 등을 인식할 수 있는 장점이 있지만 거리를 측정하지 못한다. 레이더는 거리와 속도측정은 가능하지만 결과물의 디테일이 떨어진다. 라이다는 훌륭한 디테일을 제공하지만 매우 비싸고 눈과 같은 기상환경을 구분하지 못한다는 단점이 있다. 따라서, 자율주행차의 안정성과 신뢰도를 확보하기 위해서는 이들 센서의 조합이 필수적이다. 최첨단 라이다 시스템은 현재 수 천만 원에 달하는 고가장비로 테슬라의 자율운행차는 이 부품을 채용하지 않았다. 그러나 현재 실리콘 밸리의 스타트업 기업이 몇 백 달러에 불과한 솔리드스테이트 라이다 장비를 개발 중이고 개발이 성공적으로 완료될 경우 자율주행차의 상용화에 절대적으로 필요한 원가절감에 크게 기여할 것으로 보인다. 이 같은 기술의 발전에도 불구하고 현재 주행환경 인지 기술은 쓰레기와 도로의 진흙 등을 식별하는데도 어려움을 겪고 있다. 센서들의 인지 결과는 날씨의 영향을 크게 받기 때문에, 구글의 Waymo는 항상 화창하고 도로구획이 정비된 지역인 미국 피닉스에서 자율주행차를 테스트하고 있다.
2.3.2 통신기반 솔루션
각 센서들이 인지한 방대한 데이터는 차량측위와 GPS 정보와 결합되어 현재 위치를 오차없이 파악하고 차량주변의 고해상도 360도 3D 맵을 구현하는데 사용된다. 이를 위해 인공위성, 주변 자동차, 교통 인프라, 클라우드 서버, 지능형 교통 시스템 등과의 빠르고 안정적인 통신이 필수적이다. 자율주행차는 V2V(Vehicle to Vehicle)통신을 통해 다른 차들과 교통정보를 공유한다. 주행과정에서 인지된 물체가 장애물인지 아닌지 소위 군집학습(Fleet learning)으로 불리는 과정을 통해 판단하는 것이다. 라디오파를 이용하는 근거리 전용 패킷통신(DSRC, Dedicated Short-Range Communication)은 현재 차량간 통신 분야에서 주된 기술로 활용되는 기술이다. 차량과 교통인프라와의 통신을 의미하는 V2I(Vehicle to Infrastructure) 기술은 지능형교통 시스템과 결합하여 교통정보를 주고 받는 역할을 수행한다. 이를 위해서는 정부와 자동차제조 기업간의 협업이 필요할 것으로 예상되며 이에 필요한 V2V, V2I에 관련된 통신부품을 개인 차량에 의무적으로 장착하게 만들기 위한 시도는 비교적 빠른 시일 안에 법제화될 것으로 예상된다. 자율주행차의 통신기반 솔루션은 차량간 통신은 물론 각종 교통신호, 교통혼잡 정보, 안전운행 지역 등에 대한 인식을 바탕으로 효율적인 주행과 안정성을 제고하는 V2X(Vehicle to Everything) 통신으로 발전하고 있다 [5].
2.4 주행전략 및 판단 기술
2.4.1 인공지능 시스템
인공지능 시스템은 자율주행차의 가장 핵심적인 기술이면서 동시에 현재 가장 어려움을 겪고 있는 부문이기도 하다. 자율주행차는 인공지능의 향상된 성능을 위해 딥러닝으로 학습한다. 딥러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 가능하게 하는 알고리즘의 집합인데, 심층신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)과 같은 딥러닝 아키텍쳐는 이미 음성인식과 같은 분야에 성공적으로 적용되고있다 [4].
미국 최대의 자동차 기업 포드는 로보틱스 경험과 인공지능 소프트웨어 개발을 위해 스타트업인 Argo AI에 1조 달러의 투자를 진행하였다. Argo는 2021년까지 4단계 수준의 자율주행차의 가상 운전시스템 개발을 목표로 하고 있다. 딥러닝을 위한 연산처리 속도를 극적으로 향상시킨 GPU 개발 기업인 엔비디아 역시 보유 기술력을 바탕으로 자율주행차 분야를 선도하는 기업이 되었다. 인공지능 소프트웨어와 운영체제를 작동시키기 위해 시스템 온 칩(System on a Chip, SOC)을 탑재한 페가수스 인공지능 컴퓨터는 1초에 320조에 달하는 딥러닝 오퍼레이션을 실행할 수 있다. 이를 이용하면 사물 식별을 위한 심층신경망 딥러닝을 통해 인지 센서들로부터 얻은 데이터들의 정확성과 신뢰도를 높일 수 있다. 스탠포드 대학교의 인공지능 연구실의 연구자들이 주축이 되어 2015년에 설립한 실리콘 밸리의 스타트업 Drive.ai는 자율주행차의 인공지능 시스템을 개발하고 있다. Drive의 딥러닝은 시스템 속 개별 컴포넌트들의 활용을 위한 단편적인 접근방식이 아니라 전체적인 관점의 접근법을 가지고 있다는 점에서 다른 인공지능 시스템과의 차별성을 갖는다. 일단 인공지능 시스템이 학습되면 인지된 데이터를 바탕으로 분석이 이루어지게 되는데 이 때 인공지능의 실질적인 판단 과정은 인간의 이해할 수 없는 형태의 것이 된다. 인공지능 개발에서 가장 어려움을 겪는 부분이 바로 시스템의 오류 원인을 개발자들이 이해할 수 없다는 점이다. 이 문제를 해결하기 위해 Drive는 전체 시스템을 부품단위로 구분한 뒤 각 부품들이 정상적으로 작동하는지를 파악하여 전체시스템의 신뢰도를 향상시키고 있다.
2.4.2 인공지능 기술의 한계
이 같은 인공지능 시스템의 성능향상을 위한 투자와 노력에도 불구하고 5단계의 완전 자율주행차의 미래는 생각보다 가깝지 않다. 인공지능 전문가들은 완전 자율주행차를 운행하기 위한 수준의 인공지능 개발에 수 년은 더 걸릴 것으로 예상한다. 딥러닝에는 방대한 양의 훈련 데이터가 필요하며 알고리즘이 적용될 모든 상황의 시나리오가 준비되어야 한다. 이것이 충분히 이루어지지 않은 현재의 딥러닝 시스템은 센서를 통해 얻은 정보의 일반화에 큰 어려움을 겪고 있다. 예를 들면, 인공지능이 한 동영상 내의 각 프레임마다 출현하는 같은 사물이나 동물을 전혀 다른 개체로 인식하는 등의 오류를 보인다. 2016년 3월에 발생한 우버의 교통사고도 인공지능 소프트웨어가 자전거를 타고 있던 여인을 미확인 물체, 자동차, 자전거 등으로 시간에 따라 다르게 인식한 것이 원인이었던 것으로 밝혀졌다. 개발자들은 딥러닝을 규칙기반에서 자율학습형 시스템으로 변화시켜 문제 해결을 꾀하고 있지만, 완전한 해결의 시점은 여전히 가늠하기 어렵다. 인공지능 기술개발의 지연은 자율주행차 산업에 투자하고 있는 기업들과 투자자들에게 큰 손실을 입힐 수 있고, 이는 산업의 성장동력에 부정적인 영향을 미칠 수 있다.
2.5 비즈니스 모델
맥킨지의 2016년 보고서[1]에 따르면 2030년의 자율자동차 시장은 카쉐어링과 카헤일링 같은 새로운 서비스에 힘입어 1조 5000억 달러 규모로 성장할 것으로 보인다. 이 중 약 1000억 달러 이상의 수익이 데이터 연결 서비스와 앱, 네비게이션, 엔터테인먼트, 원격지원 서비스, 소프트웨어 업그레이드 등의 부문에서 발생될 것으로 예상하고 있다. 다른 신기술과 마찬가지로 자율주행차의 성장 또한 혁신의 S곡선을 따를 것으로 판단된다. 도입 초기에는 신뢰성과 안정성에 대한 의구심으로 완만한 상승세를 보이다가 센서 및 인공지능 기술의 향상과 V2X통신 환경이 안정화되는 시점에서 가파른 상승세를 보일 것으로 예상된다. 전문가들은 2040년 대에 이르러서는 약 절반가량의 신차들과 40%의 주행차량이 자율주행차가 될 것으로 기대한다 [2].
기술도입 초기에는 우버, 카카오 택시 등의 형태로 스마트폰 앱으로 호출하는 카헤일링 서비스가 활성화 될 것으로 보인다. 거대기술 기업과 자동차 기업들이 로보택시의 형태로 카헤일링 서비스를 시작할 것이고 이는 궁극적으로 주문형 대중교통으로 진화할 것으로 예상된다. 투자은행 UBS에 따르면 현재 자동차 운영비용은 마일당 1.20 달러이고 우버서비스는 마일당 2.50 달러이나, 미래의 로보택시 서비스는 마일당 0.70 달러에 불과할 것으로 예측된다. 이는 개인당 년간 5,000 달러의 비용절감 효과가 있는 것으로 분석되었다. 따라서, 개인들은 차를 소유하는 것보다 적은 비용의 카헤일링 또는 카쉐어링 서비스를 이용하게 될 것으로 보이며 2050년까지 약 70%의 차량소유 감소가 이루어질 것으로 판단된다. 이 같은 환경에서 자동차 기업들은 차를 개인에게 판매하는 대신에 자율주행차의 군집주행을 관리감독하거나 운송서비스를 제공하는 서비스기업으로 탈바꿈하게 될 것이다 [6].
현재 정보통신혁명에 힘입어 컴퓨터와 스마트폰을 활용한 온라인쇼핑이 활성화된 것처럼 자율주행차 생태계 안에서 유통산업 전반에 걸친 큰 변화가 일어날 것으로 예상된다. 자율주행차의 공간과 이동성을 활용한 각종 서비스들이 대거 등장할 것이다. 업무와 회의를 실시할 수 있는 사무용 차량, 현재 전 세계의 대중교통 기관들이 활발하게 테스트 하고 있는 자율주행 셔틀, 배송의 정시성과 안정성을 보장하는 자율주행 트럭, 매장 없이 이동하면서 상품을 판매하는 무인 판매차량 등의 서비스가 출현할 것이다. 자율주행차 생태계에서 소비자들은 새로운 운송수단을 바탕으로 한 서비스 경험의 혁신을 요구하게 되고 이러한 수요를 충족시키기 위해 각 산업의 기업들은 협업하거나 융합을 실행하게 될 것이다. 이러한 변화 속에서 주도권을 차지하기 위한 아이디어와 기술경쟁은 이미 치열하게 진행 중이다.
3. 결론
자율주행차 개발과 관련하여 대규모 투자가 이미 진행되고 있지만 아직은 명확하게 선도적인 역할을 하는 기업이 출현하지는 않았다. 자율주행차 기술의 발전은 자동차 산업의 가치사슬에 새로운 균형을 가져올 것으로 전망되며 기술 개발과 수용에 적극적인 기업들은 수년 내에 시장을 주도하게 될 것이다. 우리는 분명 자율주행차가 제시하는 새로운 미래의 문턱에 서있지만, 기술적인 완성수준을 바탕으로 판단해 볼 때, 아직 과제를 해결할 더 많은 시간이 필요해 보인다. 아직 거대기술 기업과 스타트업, 그리고 자동차 기업들의 연구영역에 머물러 있는 자율주행차의 미래를 활짝 여는데 있어 더 안정적이고 실현 가능한 인공지능 시스템의 개발이 그 열쇠가 될 것이다. 자율주행차가 제시하는 미래는 사회적, 경제적, 정치적, 환경적인 변화로 야기되는 편익과 문제들이 공존한다. 이러한 변화에 적응하는 과정에서 나오는 혼란과 갈등은 기술 진보에 따른 윤택한 삶이라는 달콤한 과실을 대가로 지불해야 하는 피할 수 없는 잠재적 비용이다.
References
1. McKinsey & Company, Automotive revolution –perspective towards 2030, January 2016
2. PwC, The 2017 Strategy& Digital Auto Report, September 2017
3. OECD/ITF, Automated and Autonomous Driving, 2015
4. Massachusetts Institute of Technology, MIT Autonomous Vehicle Technology Study: Large-Scale Deep Learning Based Analysis of Driver Behavior and Interaction with Automation, 2017
5. Rand Corp., Autonomous Vehicle Technology, A Guide for Policymakers, 2016.
6. The economist, Self-driving cars offer huge benefits—but have a dark side, Mar 2018
7. SAE, A full description of the SAE levels of automation, 2014, standards.sae.org