[H-모빌리티 클래스] 2차시: 자율주행 시스템 구성요소

오늘은 H-모빌리티 클래스 2차시 자율주행 시스템 구성요소 수업으로 ‘자율주행을 이루는 핵심 기술과 시스템 구조’에 대해 학습하였다. 이번 강의에서는 자율주행차가 주변 환경을 인식하고, 자신의 위치를 파악한 뒤, 판단과 제어를 통해 주행하는 전체 흐름을 정리하였다.

또한 자율주행이 차량 내부 기술만으로 완성되는 것이 아니라, 인프라, 통신, 고정밀 지도, 데이터 관리, 하드웨어가 함께 연결되어야 하는 복합 시스템이라는 점을 배웠다.

---

학습 목표

1. 자율주행 기술을 구성하는 센서, 인지, 측위 기술의 역할을 설명할 수 있다.
2. 자율주행차의 판단 기술과 제어 기술을 구분하여 정리할 수 있다.
3. 자율주행을 위한 인프라, 통신, 고정밀 지도의 필요성을 설명할 수 있다.
4. 자율주행 데이터와 하드웨어가 시스템 성능에 미치는 영향을 이해할 수 있다.

학습 내용

자율주행 센서 기술

자율주행에서 센서는 사람의 감각 기관과 같은 역할을 한다. 차량이 스스로 주행하기 위해서는 주변에 어떤 물체가 있는지, 도로 구조가 어떻게 되어 있는지, 다른 차량이나 보행자가 어디에 있는지를 알아야 한다. 이때 외부 정보를 받아들이는 장치가 센서이다.

자율주행차에는 주로 카메라, 레이더, 라이다, 초음파 센서가 사용된다. 각 센서는 전방, 후방, 측방의 정보를 수집하며, 주행 환경을 이해하기 위한 기초 데이터를 제공한다.

센서의 종류와 역할

• 카메라: 차선, 신호등, 표지판, 보행자 등 시각 정보를 인식하는 데 활용된다.
• 레이더: 전파를 이용해 물체와의 거리, 상대 속도 등을 파악하는 데 사용된다.
• 라이다: 주변 환경을 입체적으로 파악하기 위한 센서로, 정밀한 거리 정보를 얻는 데 활용된다.
• 초음파 센서: 비교적 가까운 거리의 장애물 감지에 사용된다.

각 센서는 장점과 한계가 다르기 때문에 하나의 센서만으로 모든 상황을 처리하기는 어렵다. 따라서 자율주행차는 여러 센서를 함께 사용하고, 각 센서의 장점을 결합하는 다중 센서 융합 기술을 적용한다. 이를 통해 주변 환경을 더 안정적으로 파악할 수 있다.

인지 기술과 측위 기술

센서가 외부 정보를 받아들이는 장치라면, 인지 기술은 그 센서 데이터를 해석하는 과정이다. 자율주행차는 카메라나 레이더, 라이다에서 들어온 데이터를 바탕으로 주변에 있는 차량, 보행자, 사이클리스트 같은 동적 객체를 검출한다.

인지 기술

인지 기술은 단순히 물체의 존재를 찾는 것에서 끝나지 않는다. 객체가 어디에 있는지, 어떤 방향으로 움직이는지, 앞으로 어떻게 이동할 가능성이 있는지까지 파악해야 한다. 예를 들어 보행자가 횡단보도 근처에 있을 때, 실제로 길을 건널 것인지 아닌지를 예측하는 과정도 자율주행 인지 기술과 연결된다.

이처럼 인지 기술은 주변 환경을 이해하고, 이후 판단 단계에서 사용할 수 있는 정보를 만드는 역할을 한다. 자율주행차가 안전하게 주행하기 위해서는 주변 동적 객체에 대한 정확한 검출과 행동 예측이 중요하다.

측위 기술

측위는 자율주행차가 현재 자신의 위치를 추정하는 기술이다. 일반적인 GPS는 미터 단위의 오차가 발생할 수 있고, 터널이나 빌딩이 많은 지역처럼 GPS 음영지역에서는 정확한 위치 파악이 어렵다. 그러나 자율주행에서는 차로 단위의 위치 판단이 필요하므로 더 정밀한 측위가 요구된다.

이를 위해 GPS뿐 아니라 센서 정보, 차량의 이동 정보, 고정밀 지도 등을 함께 활용한다. 예를 들어 바퀴 회전수 등을 통해 차량이 상대적으로 얼마나 이동했는지 계산하는 Odometry 정보가 사용될 수 있다. 또한 센서로 관측한 주변 환경과 고정밀 지도에 저장된 정보를 비교하는 맵 매칭 기법을 통해 위치 정확도를 높일 수 있다.

구분	역할	주요 내용
센서	외부 정보 수집	카메라, 레이더, 라이다, 초음파 등을 통해 주변 환경 데이터를 얻는다.
인지	주변 환경 해석	차량, 보행자, 사이클리스트 등 동적 객체를 검출하고 움직임을 예측한다.
측위	차량 위치 추정	GPS, 센서 정보, 정밀지도, 맵 매칭 등을 활용해 현재 위치를 파악한다.

판단 기술과 제어 기술

자율주행차는 주변 환경을 인식하고 자신의 위치를 파악한 뒤, 그 정보를 바탕으로 어떻게 주행할지 결정해야 한다. 이 과정이 판단 기술이다. 판단 결과가 만들어지면 차량은 조향, 가속, 감속을 통해 실제 움직임을 수행하는데, 이 과정이 제어 기술이다.

판단 기술

판단 기술은 인지와 측위 결과를 활용하여 자율주행차가 목적지까지 안전하게 이동하기 위한 경로와 행동을 결정한다. 여기에는 경로 계획, 차로 유지, 차로 변경, 위험 회피와 같은 의사 결정이 포함된다.

예를 들어 자율주행차가 차로 변경을 해야 하는 상황이라면 주변 차량의 위치와 속도, 운전 성향, 이동 의도를 함께 고려해야 한다. 또한 보행자가 도로 주변에 있을 경우 앞으로 길을 건널 가능성이 있는지 예측하고, 충돌 위험이 높다면 감속이나 정지 같은 회피 판단을 내려야 한다.

따라서 판단 기술은 단순한 경로 선택이 아니라, 주변 동적 객체와의 상호작용을 고려하는 과정이다. 안전성과 신속성을 함께 고려하여 최적의 주행 결정을 내리는 것이 핵심이다.

제어 기술

제어 기술은 판단 단계에서 결정된 경로와 행동을 실제 차량 움직임으로 실행하는 기술이다. 차량의 조향을 조절하고, 필요에 따라 가속이나 감속을 수행하여 계획된 경로를 따라가도록 한다.

즉 판단 기술이 “무엇을 할 것인가”를 결정한다면, 제어 기술은 “어떻게 움직일 것인가”를 수행한다. 자율주행 시스템에서는 판단과 제어가 자연스럽게 연결되어야 하며, 판단 결과가 정확하더라도 제어가 정밀하지 않으면 안전한 주행이 어렵다.

자율주행을 위한 인프라와 통신

자율주행은 차량 자체의 센서와 컴퓨팅 능력만으로 구현되기도 하지만, 도로 인프라와 통신 기술이 결합되면 더 안정적인 주행이 가능해진다. 특히 센서가 인식하기 어려운 상황이나 시야가 제한되는 환경에서는 외부 인프라로부터 정보를 받는 것이 도움이 된다.

C-ITS와 자율주행 인프라

C-ITS는 Cooperative Intelligent Transportation Systems의 약자로, 차량과 인프라가 협력하는 차세대 지능형 교통 시스템을 의미한다. 기존 교통 시스템이 주로 교통 정보를 제공하는 수준이었다면, C-ITS는 차량과 도로 인프라가 정보를 주고받으며 안전성과 효율성을 높이는 방향으로 발전한다.

예를 들어 도로 공사, 사고, 급정거 차량, 교통 신호 정보 등을 차량에 전달하면 자율주행차는 센서만으로 알기 어려운 정보를 미리 확보할 수 있다. 이를 통해 위험 상황에 더 빠르게 대응할 수 있다.

V2X 통신

V2X는 Vehicle to X의 약자로, 차량이 다른 차량이나 인프라 등 다양한 대상과 정보를 교환하는 통신 기술이다. 대표적으로 차량 간 통신인 V2V와 차량과 인프라 간 통신인 V2I가 있다.

• V2V: 차량과 차량이 실시간으로 정보를 공유하여 충돌 위험을 줄이고 안전성을 높인다.
• V2I: 차량과 도로 인프라가 교통 상황, 도로 상태, 신호 정보 등을 주고받는다.

자율주행차는 센서를 통해 가까운 주변 환경을 파악하지만, 통신을 활용하면 센서 범위를 넘어선 정보도 얻을 수 있다. 따라서 V2X는 자율주행차의 또 다른 정보 수집 수단으로 볼 수 있다.

고정밀 지도

자율주행을 위해서는 일반 내비게이션 지도보다 훨씬 정밀한 지도가 필요하다. 고정밀 지도는 차로 단위의 정보와 도로 속성을 제공하며, 자율주행차가 자신의 위치를 정확히 추정하고 주행 계획을 세우는 데 활용된다.

고정밀 지도 구축에는 MMS(Mobile Mapping System)가 사용된다. MMS는 차량에 GPS, 레이저 스캐너, 카메라, INS 센서 등을 장착하여 도로 환경 데이터를 수집하는 시스템이다. 이렇게 구축된 지도에는 차선, 도로 구조, 랜드마크, 지형 특징 등이 포함될 수 있다.

다만 도로 환경은 시간이 지나면서 계속 변하기 때문에 고정밀 지도는 최신성을 유지해야 한다. 이를 위해 클라우드에서 자율주행차가 수집한 정보를 관리하고, 지도 데이터를 지속적으로 업데이트하는 과정이 필요하다.

자율주행 데이터와 하드웨어

자율주행 기술은 많은 데이터를 필요로 한다. 센서가 수집한 주행 데이터는 인공지능 모델을 학습시키는 데 사용되며, 학습 데이터에는 정답을 붙이는 라벨링 과정이 필요하다. 예를 들어 이미지 속 차량, 보행자, 차선 등을 구분하여 표시하는 작업이 라벨링에 해당한다.

데이터 수집과 학습

자율주행차나 테스트 차량은 실제 주행 중 다양한 센서 데이터를 수집한다. 이 데이터는 클라우드로 전송되어 저장, 선별, 가공, 라벨링 과정을 거친다. 이후 인공지능 모델 학습에 사용되고, 학습된 기능은 테스트와 검증 과정을 통해 차량에 반영된다.

이때 OTA(Over the Air) 기술을 활용하면 차량에 탑재된 소프트웨어를 무선으로 업데이트할 수 있다. 따라서 자율주행 기능은 한 번 개발된 상태로 고정되는 것이 아니라, 데이터와 학습을 통해 지속적으로 개선될 수 있다.

자율주행 하드웨어

자율주행차에는 주변 환경을 인식하기 위한 센서뿐 아니라, 센서 데이터를 처리할 컴퓨팅 하드웨어가 필요하다. 카메라, 라이다, 레이더에서 발생하는 데이터는 양이 많기 때문에 이를 빠르게 자율주행 컴퓨터로 전달하기 위한 차량 네트워크도 중요하다.

또한 인지와 판단 과정에서는 딥러닝 연산이 많이 사용되므로, 이를 효율적으로 처리하기 위한 반도체가 필요하다. NPU(Neural Processing Unit)는 딥러닝 계산에 특화된 칩셋이며, GPU는 병렬 연산에 강점을 가진 범용 프로세서이다. 자율주행 하드웨어에서는 높은 연산 성능뿐 아니라 저전력과 실시간성도 중요하게 고려된다.

학습 소감

이번 2차시를 통해 자율주행 시스템이 센서 하나나 인공지능 알고리즘 하나로 완성되는 기술이 아니라는 점을 더 명확히 이해할 수 있었다. 센서가 정보를 수집하고, 인지와 측위가 상황을 해석한 뒤, 판단과 제어가 실제 주행으로 연결되는 구조가 인상 깊었다.

또한 자율주행에는 차량 내부 기술뿐 아니라 V2X 통신, 고정밀 지도, 클라우드 기반 데이터 관리까지 함께 필요하다는 점이 중요하게 느껴졌다. 앞으로 차량용 통신과 네트워크를 배울 때도 자율주행 시스템 전체 흐름 속에서 각 기술의 역할을 연결해서 정리해야겠다고 생각했다.