자율주행차의 진화: 안전, 엣지 컴퓨팅 및 AI 통합

자율주행 차량은 "운전자 보조"에서 "무인"으로 일직선으로 발전해 온 것이 아닙니다. 오히려 자율주행 차량의 진화를 이해하는 데 더 유용한 방법은 세 가지 시스템의 융합으로 보는 것입니다. 즉, 자동화가 허용되는 영역을 정의하는 안전 기준, 센서 데이터를 실시간으로 처리할 수 있는 엣지 컴퓨팅 플랫폼, 그리고 그 데이터를 주행 결정으로 변환하는 AI 스택입니다.

2026년 9월 현재, 대부분의 일반 승용차는 여전히 레벨 0~2 수준의 운전자 보조 시스템에 의존하고 있으며, 레벨 4 자율주행은 일반적인 개인 차량에 적용되기보다는 주로 제한적인 상업 서비스 분야에서 운영되고 있습니다. 미국 도로교통안전국(NHTSA)은 인간의 감독이 필요한 운전자 보조 시스템과 특정 조건 하에서 운전을 완전히 인계받는 자율주행 시스템을 명확하게 구분하고 있습니다.

간략 정보: 차량 자동화 현황

미국 도로교통 안전국(NHTSA)의 용어는 흔히 발생하는 오류를 방지하는 데 유용합니다. 즉, 고도의 성능을 갖춘 레벨 2 기능을 자율 주행 차량처럼 취급하는 실수를 막아줍니다. 실질적인 평가를 할 때는 항상 두 가지 질문을 던져야 합니다. 첫째 , 도로 상황을 모니터링할 책임은 누구에게 있는가? 둘째, 운영 설계 영역은 무엇인가? 운영 설계 영역(ODD)은 자동화 시스템이 작동하도록 설계된 도로 유형, 속도, 위치, 기상 조건 및 기타 환경의 집합입니다.

건축은 어떻게 진화했을까?

1. 개별 운전자 보조 기능에서 융합된 인지 기능으로

초창기 첨단 운전자 보조 시스템은 기능이 비교적 제한적이었습니다. 어댑티브 크루즈 컨트롤, 차선 이탈 경고, 자동 긴급 제동, 주차 보조 기능 등이 그 예입니다. 이러한 기능들은 소수의 센서와 전용 전자 제어 장치를 중심으로 구축될 수 있었습니다.

더욱 성능이 향상된 시스템은 카메라, 레이더, 일부 설계에서는 라이다, 초음파 센서, 관성 측정, 위치 파악, 지도 또는 경로 정보를 결합합니다. 중요한 변화는 단순히 "센서의 수 증가"가 아닙니다. 시스템이 물체를 감지하고, 여유 공간을 추정하고, 차선과 신호를 이해하고, 움직임을 추적하고, 다른 도로 사용자를 예측하고, 안전한 주행 경로를 계획해야 하는 통합된 환경 모델로의 전환입니다.

최신 레퍼런스 플랫폼은 이러한 추세를 잘 보여줍니다. NVIDIA DRIVE Hyperion은 자동차 컴퓨팅 플랫폼에 카메라, 레이더, 라이다, 초음파 센서 및 고도화된 자동화를 위한 소프트웨어 스택을 결합한 제품입니다. Qualcomm Snapdragon Ride 또한 센서 융합, 컴퓨터 비전, 운전자 보조 시스템 및 자율 주행을 위한 확장 가능한 차량 내 컴퓨팅 기능을 제공합니다. 이러한 플랫폼은 범용 사양이라기보다는 특정 벤더의 플랫폼이지만, 차량 아키텍처의 방향성을 제시합니다. 즉, 여러 개의 독립적인 컨트롤러가 아닌 중앙 집중식의 이기종 컴퓨팅을 지향하는 것입니다.

2. 엣지 컴퓨팅이 안전 아키텍처의 일부가 되었습니다.

자율 주행에서 "엣지 컴퓨팅"이란 시간적으로 중요한 인지 및 제어 작업이 멀리 떨어진 클라우드 서비스에 의존하는 대신 차량 내부 또는 차량 바로 근처에서 실행된다는 것을 의미합니다. 이는 제동, 조향, 물체 감지 및 경로 계획이 셀룰러 연결이 지연되거나, 혼잡하거나, 사용 불가능한 경우에도 계속되어야 하기 때문에 중요합니다.

유용한 엔지니어링 분류는 다음과 같습니다.

• 차량 내 엣지 컴퓨팅: 센서 데이터 수집, 인식, 위치 파악, 예측, 계획 수립, 제어, 상태 모니터링 및 즉각적인 비상 대응 조치.
• 클라우드 또는 데이터 센터: 대규모 모델 학습, 차량 관리 분석, 시뮬레이션, 로그 처리, 소프트웨어 배포, 지도 생성 및 장기 학습.
• 연결 계층: 업데이트, 차량 관리, 교통 정보 및 일부 원격 지원 워크플로에 유용하지만, 기본적인 주행 작업에 대한 지연 시간이 보장되는 제어 채널로 간주해서는 안 됩니다.

이러한 구분은 현재 자동차 컴퓨팅 스택에서 확연히 드러납니다. NVIDIA의 차량용 컴퓨팅 아키텍처는 차량 내 컴퓨팅과 교육 및 시뮬레이션에 사용되는 시스템을 명확하게 분리합니다. 퀄컴의 자동차 플랫폼 또한 온디바이스 머신러닝과 이기종 컴퓨팅을 강조하며, CPU, GPU, 신경 처리 장치, 비전 가속기, 안전 관련 처리 블록 등이 서로 다른 워크로드를 처리합니다.

안전이라는 개념이 단순히 "인공지능이 정확하다"는 것보다 더 포괄적인 이유는 무엇일까요?

자율 주행 시스템은 물체 감지 정확도가 매우 높더라도 안전하지 않을 수 있습니다. 안전 엔지니어링은 하드웨어, 소프트웨어, 의도된 동작, 인간 상호 작용, 사이버 보안, 업데이트, 운영 및 시스템이 한계에 도달했음을 인식하는 능력 등에서 발생하는 오류를 포괄합니다.

기능 안전

ISO 26262는 차량의 전기 및 전자 시스템 안전과 관련된 기능 안전 프레임워크를 제공합니다. 이 표준은 결함으로 인해 발생하는 위험을 다루고 설계, 시스템, 하드웨어, 소프트웨어, 생산, 운영 및 서비스 전반에 걸쳐 안전 작업을 체계화합니다. 현재 발간된 제2판은 2018년이며, ISO는 2026년을 목표로 제3판을 개발 중이었습니다.

의도된 기능의 안전성

하드웨어에 결함이 없다고 해서 안전한 작동이 보장되는 것은 아닙니다. 카메라가 설계대로 정확하게 작동하더라도 눈부심, 폭우, 특이한 구조물 또는 모호한 장면에서는 충분한 정보를 제공하지 못할 수 있습니다. ISO 21448:2022, 의도된 기능의 안전성(SOTIF)은 특히 복잡한 센서와 알고리즘에 상황 인식이 의존하는 시스템에서 기능적 결함 및 예측 가능한 오용으로 인해 발생하는 위험을 다룹니다.

사이버 보안 및 소프트웨어 업데이트

커넥티드 차량에는 수명 주기 보안도 필요합니다. ISO/SAE 21434:2021은 차량 사이버 보안 엔지니어링 프레임워크를 정의하고 있으며, UN 규정 제156호는 소프트웨어 업데이트 관리를 다루고 있습니다. 자율주행 동작이 새로운 차량 하드웨어뿐 아니라 소프트웨어 업데이트를 통해서도 변화함에 따라 이러한 보안의 중요성은 더욱 커지고 있습니다.

운영 안전 및 실제 증거

사전 배포 테스트는 필수적이지만 충분조건은 아닙니다. 배포 후 모니터링은 실제 주행 환경에서 상당한 시간이 지난 후에야 드물게 발생하는 상호작용을 파악할 수 있기 때문에 중요합니다. 미국에서는 NHTSA(미국 도로교통안전국)의 세 번째 개정된 일반 명령에 따라 레벨 2 ADAS 및 자율주행 시스템과 관련된 특정 사고를 보고해야 합니다. NHTSA의 공개 사고 보고 페이지에서는 데이터 세트에 불완전한 입력 항목이나 중복 보고 가능성 등의 한계가 있으므로, 사고 건수만을 기준으로 시스템 안전성을 순위 매겨서는 안 된다고 경고합니다.

상업용 레벨 4 자율주행 차량들은 또 다른 증거 자료를 제공합니다. 웨이모의 안전 영향 데이터 허브는 운영 지역별 탑승자 전용 주행 거리와 사고 비교 자료를 공개합니다. 2026년 3월까지의 데이터에 따르면, 웨이모는 2억 2,060만 마일의 탑승자 전용 주행 거리를 보고했습니다. 이러한 결과는 유용하지만, 모든 자율주행 시스템이 모든 환경에서 더 안전하다는 증거로 받아들여서는 안 되며, 데이터에 나타난 특정 지역, 차량 종류, 운영 조건, 벤치마킹 방법론 및 ODD(운영 환경)를 고려하여 해석해야 합니다.

AI 통합이 운전 환경을 어떻게 변화시키고 있는가

인식은 여전히 ​​근본적인 요소입니다.

신경망은 차량, 보행자, 자전거 운전자, 도로 경계, 신호등, 표지판 및 주행 가능 공간을 인식하는 데 널리 사용됩니다. 다중 센서 융합은 단일 센싱 방식에 대한 의존도를 줄일 수 있지만, 동기화, 보정, 연산 및 검증 요구 사항을 증가시키기도 합니다.

예측과 계획 수립 능력이 점점 향상되고 있습니다.

기존의 자율주행 시스템은 인지, 예측, 계획, 제어 기능을 모듈형 구성 요소로 분리하는 경우가 많습니다. 이러한 분리 덕분에 인터페이스와 오류 발생 가능성을 쉽게 점검할 수 있지만, 모듈 간에 오류가 누적될 수 있습니다. 최근 시스템들은 센서 입력값을 주행 동작으로 매핑하는 학습 기반 계획 또는 엔드투엔드 모델을 점차 도입하고 있습니다.

이는 업계가 모듈형 안전 구조를 포기했다는 의미는 아닙니다. 실제로 하이브리드 설계는 일반적입니다. NVIDIA의 현재 자율주행차 안전 프레임워크는 모듈형 및 엔드투엔드 AI 모델을 결합한 스택을 명시적으로 설명하고 있습니다. 퀄컴과 웨이브 또한 ADAS 및 자율주행을 위한 엔드투엔드 AI에 대한 2026년 협력 계획을 발표했는데 , 이는 학습 기반 주행 정책이 양산 프로그램에 더욱 가까워지고 있음을 보여주는 증거입니다.

핵심적인 한계는 검증입니다. 종합적인 벤치마크에서 우수한 성능을 보이는 모델이라도 안전에 매우 중요한 극단적인 시나리오에서는 실패할 수 있습니다. 따라서 엔지니어링 팀은 단일 정확도 지표에 의존하기보다는 시나리오 기반 테스트, 시뮬레이션, 폐쇄형 코스 테스트, 실제 도로 주행 데이터, 불확실성 처리, 대체 동작 및 릴리스 관리 체계를 갖춰야 합니다.

자율주행차 스택 평가를 위한 실용적인 체크리스트

• 자동화 수준을 정확하게 정의하십시오. 사람이 감독하고 개입해야 하는지 여부를 명시하십시오.
• ODD를 명시하십시오. 지리적 조건, 도로 유형, 속도, 날씨, 조명 및 기타 환경적 제한 사항을 포함하십시오.
• 차량 안전에 중요한 추론 기능을 유지하십시오. 네트워크 접속이 끊어지더라도 안전하게 계속 작동할 수 있는 기능을 식별하십시오.
• 문서 중복성을 확인하십시오. 컴퓨팅, 전력, 제동, 조향, 센싱 및 통신 장애 경로를 점검하십시오.
• 기능 안전, SOTIF 및 사이버 보안은 서로 다른 위험 범주를 다룹니다.
• 데이터 파이프라인을 검증합니다. 센서 교정, 데이터셋 출처, 라벨링 품질, 롱테일 커버리지 및 분포 변화를 추적합니다.
• 인식뿐 아니라 행동도 측정해야 합니다. 충돌 위험, 교통 규칙 준수, 주행 행태, 위험 최소화 기동, 취약 계층 도로 이용자와의 상호작용 등을 포함해야 합니다.
• 테스트 업데이트는 안전과 관련된 릴리스로 간주하십시오. 한 시나리오에서 소프트웨어 개선 사항이 다른 시나리오에서는 회귀를 일으킬 수 있습니다.
• 배포 후 실제 환경 모니터링을 실시하십시오. 사고 검토, 아차사고 분석, 그리고 개발 과정에 증거를 반영하는 프로세스를 유지하십시오.
• 근거 없는 안전성 주장은 삼가십시오. 노출 범위, 지역, 운영 조건, 충돌 정의 및 통계 방법이 유사한 경우에만 시스템을 비교하십시오.

규제는 광범위한 지침에서 측정 가능한 보증으로 나아가고 있습니다.

규제 환경은 여전히 ​​고르지 않습니다. 미국에서는 교통부가 2025년 4월에 새로운 자율주행차 프레임워크를 도입했습니다. 2026년 7월 30일에는 미국 도로교통안전국(NHTSA)이 최초의 자율주행차 성능 표준 개발을 가속화한다고 발표했습니다 . 여기서 중요한 것은 "개발 중인 표준"이라는 표현이지, 완성된 보편적 인증 체계를 설명한 것이 아니라는 점입니다.

유럽 ​​연합은 이미 보다 명확한 형식 승인 체계를 갖추고 있습니다. 유럽 위원회의 차량 안전 및 자율/커넥티드 차량 개요 에 따르면, 일반 안전 규정은 자율 주행 및 무인 차량에 대한 프레임워크를 구축하며, 여기에는 시험, 사이버 보안, 데이터 기록, 안전 모니터링 및 사고 보고를 다루는 기술 규칙이 포함됩니다. EU는 2026년에 완전 자율 주행 차량 승인 프레임워크의 일부를 다시 업데이트했습니다.

유엔 차원에서 유엔 규정 제157호는 자동 차선 유지 시스템에 대한 요구 사항을 수립했으며, 유엔 경제사회위원회(UNECE)는 2026년에 보다 광범위한 자율주행 시스템 규제를 위한 작업을 지속했습니다. 엔지니어링 팀에게 있어 실질적인 의미는 자율주행 아키텍처를 단순히 데모용으로만 설계해서는 안 되며, 추적성, 소프트웨어 구성 관리, 사고 증거 확보, 사이버 보안 및 반복 가능한 안전성 검증을 고려하여 설계해야 한다는 것입니다.

다음 단계는 어떤 모습일 가능성이 높은가

단기적으로 가장 강력한 추세는 무제한 레벨 5로의 갑작스러운 도약이 아닙니다. 오히려 제한된 자동화가 점진적으로 확장되는 것입니다. 즉, 레벨 2 시스템의 개선, 제한적인 레벨 3 기능, 그리고 레벨 4 서비스가 도시별, 조건별로 적용 범위를 넓혀가는 것입니다. 동시에 차량 하드웨어는 고성능 중앙 컴퓨팅을 중심으로 통합되고 있으며, AI 모델은 더욱 규모가 커지고 통합되며 데이터 기반이 강화되고 있습니다.

이는 생산적인 긴장 관계를 만들어냅니다. AI는 기능을 향상시킬 수 있지만, 기능이 향상되면 검증해야 할 시나리오의 수도 늘어납니다. 엣지 컴퓨팅은 지연 시간과 네트워크 의존성을 줄일 수 있지만, 컴퓨팅 성능이 향상될수록 전력 소비, 발열, 데이터 중복성 및 비용 문제가 증가합니다. 소프트웨어 정의 차량은 판매 후 개선을 가능하게 하지만, 출시 엔지니어링, 사이버 보안 및 롤백을 안전 문제로 대두하기도 합니다.

따라서 가장 신뢰할 수 있는 자율주행차 프로그램은 안전, 엣지 컴퓨팅, 인공지능 통합을 하나의 시스템으로 취급합니다. 목표는 단순히 차량을 "더 똑똑하게" 만드는 것이 아니라, 차량의 기능을 제한적이고, 관찰 가능하며, 테스트 가능하고, 오류에 강인하며, 소프트웨어, 하드웨어 및 운영 체제가 발전함에 따라 유효한 증거로 뒷받침되도록 하는 것입니다.