▲ 행사장 모습

2일 속초에서 개막한 ICROS 2020에선 서승우 서울대 교수와 LG전자 백승민상무가 초청강연자로 나섰다. 첫째날에는 우리나라 자율주행 자동차 연구에 관한 선구자인 서울대 서승우 교수가 도심 환경에서의 자율주행 기술을 주제로 초청강연을 했다. 주요 내용을 살펴본다.

◇초청강연(1)

발표 : 서승우 서울대 교수

주제 : How to Plan ‘good’ Paths for Urban Autonomous Driving?

▲ 서승우 서울대 교수

15년 정도 자율주행 자동차에 관해 연구했다. 지난 2014년 국산 양산차 기반 자율주행차를 처음으로 개발했고, 2018년 외국 자동차인 포드 밴에도 자율주행 기술을 구현했다. 2015년 자율주행차 ‘스누버’ 버전 1 개발 당시에는 라이더 성능이 좋지 않았다. 라이더가 비싸고 무게도 많이 나갔다. 2018년 스누버 버전4에선 분산형 센서를 채택했고, 센서수도 줄었다. 센서의 위치도 바꿨다.

2019년 이마트와 협력해 여의도에서 자율주행 배달서비스를 시험적으로 실시했다. 금융기관 등 사무용 빌딩들이 밀집해있고 아파트도 많이 있다. 매우 복잡한 도심 환경에서 자율주행 기술을 테스트해야하는 게 난제다.

자율주행 기술은 크게 2가지 방향에서 진행되고 있다. 구글 웨이모는 라이더와 맵을 기반으로 자율주행 기술을 개발하고 있으며, 테슬라는 비전 시스템과 딥러닝(DL) 기반으로 진행되고 있다. 최종 승자가 누가될지 속단하기 힘들다. 웨이모는 라이더를 이용해 특정 지역 안전성을 보장하고 있으며, 테슬라는 좀 불안하지만 갈수록 데이터가 쌓여가고 있다. 카메라 정보를 활용해 클라우드 상에서 분석을 한다. 데이터가 늘어나면서 격차가 줄어들고 있다.

도심 자율주행은 여러 가지 기술적인 난제를 안고 있다. 교통 혼잡, 주차, 불법 주차, 도로 표지판, 수신호, 장애물 등 온갖 환경이 자율주행 기술을 어렵게 하고 있다. 많은 자동차에 카메라 센서들이 들어오고 있다. 대략 10~20개의 카메라 센서들이 자동차에 부착돼 운영되고 있는데, 심지어 운전자를 모니터링하는 카메라도 들어오고 있다. 삼성전자, 소니 등 반도체 업체들이 이미지 센서에 사활을 걸고 있는 이유다. 미래의 자동차에는 많은 카메라들이 들어갈 것이다.

라이더는 카메라의 미흡한 점을 크게 보완할 것이다. 하지만 자동차 라이더 센서는 가격, 크기, 성능 등 측면에서 문제점이 있다. 전세계적으로 50~100개 업체들이 자동차용 라이더를 개발하고 있으며 손가락 크기의 라이더도 등장했다. 센서 기술 개발은 지금 한창 ‘진행중’이다.

좋은 알고리즘도 개발되고 있다. 디텍션(검출), 트래킹, 궤도 예측을 위한 알고리즘들이 속속 나오고 있다. 100여개에 달하는 주변 물체에 대한 감지 및 트래킹을 위해선 강력한 컴퓨팅 능력이 요구된다. 자율주행 개발 측면에선 교통 수신호, 앰블런스, 스쿨 버스 등을 만났을 때 곤란한 상황에 처하는 경우가 많다. 불법 주차 차량, 고장 차량, 끼어들기 등에 대응하는 게 어렵다. 우리나라 운전자들은 끼어들기도 거의 예술이다. 특히 주행시험을 주로 하고 있는 여의도에선 끼어들기가 많다.

새로운 도로 규정에 운전자들이 잘 적응하지 못하는 경우도 있다. 회전식 교차로가 대표적이다. 누가 먼저 양보를 해야하는지 분명하지 않다. 2차선 도로에서 중앙분리선을 넘어가면 안되지만 현실적으로는 넘어가야 하느냐, 마느냐를 놓고 논란이 일고 있다. 자율주행 자동차가 직면한 현실은 이렇게 어렵다.

▲ 서 교수 초청 강연후 참석자가 질의하고 있다.

지도도 중요하다. 인간에게는 탁월한 센서에 기반한 현실 세계가 있다. 자율주행 자동차는 지도를 통해 가상세계를 만들어야 한다. 지도를 통해 실세계를 표현하지만 가상환경에서 구현하다보면 완벽하게 가상세계를 만드는 게 힘들다는 점을 알게된다. 지도제작 기술의 과제다. 현실세계를 완벽하게 묘사하는게 사실상 불가능에 가깝다.

이렇게 보면 센서, 지도, 자율주행 알고리즘 모두 불확실 투성이다. 모든 게 불안한 상태에서 자율주행 기술을 구현하는 게 난관이자 도전이다. 그래서 자율주행이 어렵다.

가상 세계에서 자율주행을 구현하기 위해선 경로계획(Path Planning)을 해야 한다. 좋은 경로계획을 만드는 게 일종의 예술이다. 자율주행의 경로 계획은 결국 스티어링, 쓰로틀, 브레이크 등 3가지를 관리하는 것이다.

로컬 경로 계획을 먼저 하고, 사람이 운전하는 차량을 고려해 경로를 설정해야 한다. 다른 자동차가 경로를 변경하면 여기에도 대응해야 한다. 알고리즘은 크게 룰(Rule) 베이스 방식과 러닝 베이스 방식으로 구분할 수 있는데, 전자는 전통적인 방식이고, 러닝방식은 현대적인 방식이다. 러닝 베이스 방식은 크게 강화학습(RL)과 모방학습(IL)이 있다. 강화학습은 마르코프 결정과정(MDP:Markov Decision Process)을 활용한다. MDP 프레임워크는 많은 샘플 데이터가 필요하지만 실패를 용인하지 않는다. 데이터 어그리게이션 연구도 많이 진행되고 있다. 대거(DAGGER)라는 기술을 이용해 데이터를 보강한다. 궁극적으로 모방학습과 강화학습이 결합되면 자율주행 능력이 좋아진다.

시뮬레션 환경에선 강화학습 온팔리시(On policy),오프팔리시(Off-policy) 등 방법도 개발되고 있다. 모방학습은 처음에는 좋은 모티브를 제공한다. 초기 연구자에겐 매우 좋은 툴이다. 자동화 분야에서 모방학습은 아주 유용하다. 룰 베이스 방식은 경로만 결정되면 경로를 바꿀 필요가 없다. 러닝 베이스는 확률이 매우 골치 아픈 문제다. 확률적인 값들을 자율주행을 위해 줄여나가는 게 중요하다.

이제 자율주행이 언제쯤 우리에게 올 것인가를 생각해보자. 미국 전체 국민 가운데 25%가 기술을 수용하는 데 걸린 시간을 보면 전기는 46년, 전화는 35년, 라디오는 31년이 걸렸다. 포켓몬고 게임을 수용하는 데는 19개월밖에 걸리지 않았다.

자율주행 기술 가운데 소프트웨어 분야가 95%를 차지한다. 이제 기술자들과 대중들이 소프트웨어의 신뢰도에 대해 인지하기 시작했다. 에베레스트를 산행할 때 베이스캠프까지 가면 전체 길이의 99.9%는 갔다고 볼 수 있다. 하지만 남은 4000미터가 사람들의 목숨을 좌우한다. 우리는 그동안 이런 부분을 간과했다. 자율주행 기술이 2020년, 2030년에 대중화될 것이란 예측이 있었으나 2030년 지나야 제한적으로 레벨4 수준이 될 것이다. 지금 당장은 아니다. 자동차업체들도 공유하고 있는 부분이다.

양산시 비용도 문제다. 일반적인 자동차에도 자율주행 기술이 들어가야 한다. 현재 기술을 스케일업하는 게 고민거리다. 카메라 기술도 자율주행하려면 엄청난 컴퓨팅이 필요한데 마찬가지로 가격 문제가 대두될 수 밖에 없다. 안전과 비용간의 균형을 맞추는 게 중요하다.