The Shift In Autonomous Thinking
자율주행에 대한 사고의 전환
 

글│카말 쿠리(Kamal Khouri), ADAS 전용 마이크로 컨트롤러 및 프로세서 총괄 부사장, NXP

카말 쿠리 - 그는 NXP 반도체의 ADAS 제품 전용 자동차 마이크로 컨트롤러 및 프로세서의 총괄 겸 부사장이다. 미 버크넬 대학(Bucknell University)에서 전기공학 학사 학위를 받았으며 프린스턴 대학(Princeton University)에서 컴퓨터 공학 석, 박사 학위를 받았다. 그는 17년 이상의 반도체 업계 근무 경험과 다수의 특허 보유, 25편 이상의 출판물을 발간했다. 그는 모토롤라(Motorola) SPS에서 커리어를 시작해 컴퓨팅?네트워킹 부서 내 엔지니어링 및 제품관리 분야에서 다양한 직무를 수행했다. 또한 ADM에서 임베디드, 게이밍, 반(半)특별 주문 제품에 이르기까지 다양한 사업 제품 담당 이사직을 맡았다. NXP에서 그는 자율주행차의 미래와 이를 실현하는 데 필요한 처리 능력을 정의하는데 노력하고 있다.


완전한 자율주행 구현은 추진 과정에서 여론의 피로와 혼란을 유발했다. 이러한 혼란의 씨앗은 자율주행에 대한 하이프 사이클(hype cycle) 초기에 뿌려졌다. 당시 자동차 제조업체와 일부 칩 제조사는 자율주행이 단기간 내 실현될 것이라는 다소 터무니없는 주장을 펼쳤다. 오피니언 리더 역시 컴퓨팅의 새로운 황금시대가 도래할 것이란 전망에 고무돼 자율주행에 대한 논의를 전 세계에 부추겼다.

 

가장 중요한 출발점, 안전
 

NXP 개발자들은 자율주행에 필요한 컴퓨팅 능력을 향상하는 방법과 소형차부터 고급차에 이르는 차량 생산에 해당 기술을 구현하는 방법 등 자율주행 논의 초기 단계부터 전문적인 연구를 진행했다. 이 두 가지 영역은 자동차 제조사에 매우 중요하며, 이 모든 것의 기초가 되는 것은 안전에 대한 보장이다. 자율주행 혁명의 중심에 안전에 대한 완벽한 보장이 있어야 한다.

매년 130만 명이 교통사고로 사망하는데, 이러한 사고의 90%는 사람의 실수에 기인한다. 이 수치가 바로 자율주행 도입과 발전을 촉구하고자 하는 이유 중 하나다. 한편, 이러한 통계에서 명백히 드러난 모든 문제에도 불구하고, 사람이 운전할 때 경험하는 교통여건을 종합적으로 고려할 때, 인간이 운전을 잘하고 있다는 점은 부정할 수 없는 사실이다. 어떻게 보면 사람들은 이 기본적인 사실을 놓치고 있는 듯하다. 얼마나 많은 사람이 운전하는지, 그리고 얼마나 많은 차량이 도로에 있는지를 고려하면 사고율은 훨씬 높아질 수 있다. 진짜 문제는 어떻게 하면 인간보다 뛰어난 자동차 로봇을 만드는 것이 아닌, 어떻게 안전 수준을 달성할 것인지가 우선이 돼야 한다.

기능안전성, 그 이상을 갖춰야 할 때

자동차 제조업체와 반도체 제조업체, 기타 유수기업들은 지난 30년간 기능안전성(functional safety)에 대한 각종 원칙을 정립하며 차량 내 더욱 안전한 전자제품 도입을 위한 발판을 마련했다. 대체로, 기능안전성이라고 한다면 차량 내부의 각 전자부품들이 스스로 맡은 기능을 원활히 수행하는 것을 의미한다. 즉, 일부 구성요소가 제 역할을 다 하지 못할 경우 시스템은 해당 오류를 인식하고 차량에 문제를 보고해야만 한다. 예를 들어, 차량의 주황색 또는 빨간색 표시등이 켜지거나 운전자에게 엔진, 부품, 컨트롤러 등을 점검하라는 메시지가 뜬다면 기능안전 시스템이 원활히 작동하고 있는 것이다.

이처럼 자율주행의 세계에서의 안전(safety)은 항상 자동차 부품의 기능안전성을 내포해 왔으나 이제는 안전의 개념이 확장돼 자동차의 기능안전성을 넘어 총체적인 안전 보장으로 그 의미가 빠르게 진화하고 있다. 더 이상 안전이 기능적 역할을 충실히 이행하고 있는지와 같은 단순한 개념은 중요하지 않다. 자율주행을 위해 얼마나 새롭고 혁신적인 안전 및 안전체계를 구축할 수 있는지가 핵심 논점이 됐다. 여기에는 행동적 안전(behavioral safety)이나 환경적 안전(environmental safety)과 같은 다양한 개념이 함께 포함된다.

행동적 안전과 환경적 안전

행동적 안전의 경우, 차량이 올바르게 주행하고 있는지를 핵심 논점으로 삼는다. 차량이 커브 길을 원활하게 주행하고 있는지, 교통량에 알맞게 속도를 조절하고 있는지, 또는 차량의 운전 방식이 모든 환경 규칙과 규정에 올바르게 적응하고 있는지가 중요하다. 또한 더욱 심도 깊고 복잡한 방식으로 행동적 안전을 분석하기도 한다. 예를 들어, 특정 상황에서 차량이 적정 수준으로 공격적인 운전을 하고 있는지, 또는 방어 운전을 하고 있는지를 분석한다.

반면, 환경적 안전의 경우 환경의 변화에 따른 차량의 대응 방식을 중요 논점으로 삼는다. 택배 박스가 트럭에서 도로로 굴러 떨어져 차량을 직접 덮치게 된다면 어떻게 될까? 이 상황에서 자율주행 차량은 적절히 대처할 수 있을까? 예기치 못한 돌발 상황을 대처하기 위한 적정 경로를 설정할 수 있을까? 처럼, 역동적인 환경에 맞춰 차량이 얼마나 적절하게 반응할 수 있는지가 환경적 안전의 핵심 기제가 된다. 또 다른 환경적 안전의 고려사항으로는 비, 안개, 우박과 같은 각종 기상 여건 또는 까다로운 교통상황이 있다. 이러한 요소들이 야기하는 모든 상황에서, 자율주행차의 근간이 되는 전기 시스템과 소프트웨어는 흠잡을 데 없이 완벽하게 대응해야만 한다.

자율주행 시스템에 필요한 컴퓨팅 요소들

이러한 시스템들이 안전한 자율주행 기능을 갖추기 위해서는, 어마어마한 양의 컴퓨팅 요구사항들을 충족해야만 한다. 자율 컴퓨팅 요구사항의 연속성을 살펴보면, 첨단 주행 지원 영역의 경우 일반적으로 레벨 1과 레벨 2에 해당되나 자율주행의 경우 레벨 3에서 시작해 레벨 5까지 확장된다. 이 과정에서 머신러닝(ML)과 같은 애플리케이션을 처리하기 위해 자율성 수준에 따라 초당 수백만 개에서 많게는 1테라플롭스(TFLOPS)의 컴퓨팅 요구사항이 발생하게 된다.

NXP는 자율적 감지 및 프로세싱에 관한 논의를 ‘감각(sense)’, ‘사고(think)’, ‘행동(act)’과 같은 개념적인 영역으로 체계화하고 있다. 예를 들어, NXP의 레이더 및 라이더, 카메라, V2X와 같이 ‘감각’ 영역에 자리한 기술들이 방대한 원시 데이터를 형성하면, 시스템은 데이터를 처리함으로써 현재 어떤 일이 발생하고 있는지 ‘사고’하고 평가하는 과정을 거친다. 마지막으로 시스템은 결정을 내리고 어떠한 ‘행동’을 취하게 됨으로써 일련의 프레임워크를 완성하게 된다. 로봇의 작동 구조를 떠올려 본다면 더욱 이해가 쉬울 것이다.

자율성의 문제들은 주로 방대한 컴퓨팅 요구사항이나 단조로운 접근 방식 때문에 발생한다. 초창기 자율주행차 개발 세대는 이러한 문제들을 해결하기 위해 고성능 소비자 등급의 GPU와 CPU를 사용했고, 이 과정에서 가장 큰 PC용 GPU와 CPU를 찾아내 차량 트렁크에 장착하고 데이터를 분석하곤 했다. 중요한 건, 이러한 방식이 안전성 입증은 물론 전력 효율 측면에서 어마어마한 숙제를 남겼다는 것이다. 이것이 NXP가 ‘사고(think)’의 영역을 활용해 문제를 해결하고자 하는 이유다.

1차 사고 수준: 지각 및 모델링

자율주행의 고성능 요구사항은 사고의 범위에서 발생한다. 여기서 두 가지 중요한 일이 발생하기 때문에 NXP는 이를 두 요소로 나누었다. 이는 고객이 더욱 쉽게 안전을 구현할 수 있게 한다.
첫 번째 구성요소는 차량 주변 환경의 지각과 모델링에 초점을 둔다. 두 번째 구성요소는 트랙의 안전 계획에 중점을 둔다(그림 2). 이를 두 요소로 나눈 한 가지 이유는 애플리케이션 또는 하위 기능의 다양한 부분을 특정 차량의 요구사항에 맞게 조정해야 하기 때문이다. 구체적으로, 지각과 모델링은 차량의 센서와 상이한 센서 유형의 수에 의존한다. 경로 계획은 기존 운전 기능의 복잡성에 달려 있다.

지각과 모델링은 주변 물체를 포함하여 차량의 환경을 파악하는 데 초점을 맞춘다. 이 시스템은 차 주변의 환경을 모델링하여 나무와 같은 객체를 식별하고 분류할 수 있다. 차량 주변의 물체를 보고, 감지하고 식별하는 기능은 센서로 부분적으로 활성화 된 다음 고성능 처리가 필요한 영역으로 이동한다. 시스템은 또한 물체를 추적하고 움직임의 속도 또는 속도와 같은 값을 결정한 다음 차량 주위의 나머지 환경과 정렬시킨다. 따라서, 사물이 차선, 다른 차량 또는 보행자인지 여부를 결정한다.

2차 사고 수준: 경로 계획

시스템이 차량 환경 모델을 구성한 후에는 지각(perception)을 기반으로 결정해야 한다. 이 결정은 안전 경로 계획에 관한 것이며 자동차가 어떻게 반응해야 할지에 대한 질문에 답한다. 좌회전을 할 것인지, 서행할 것인지, 과속할 것인지, 이 모든 것은 앞으로 나아가 최종 경로 목적지에 도달하기 위해 차량의 안전한 기동, 이동 계획, 교통 예측, 경로 행동 계획의 일부다.

경로 계획에 필요한 전력은 센서에 의존하지 않고 선택한 결정 알고리즘의 복잡성과 주행 기능의 범위에 달려 있다(교통 어시스턴트에서부터 고속도로 파일럿까지, 건설 현장 유무, 차선 병합 유무). 이 두 가지를 독립적으로 확장하는 기능은 매우 중요하다. 와트 당 전력과 관련해 시스템의 효율성을 높일 수 있기 때문이다. 또한 하드웨어와 소프트웨어가 서로 고립되어 작업하기 때문에 안전성을 보다 쉽게 입증할 수 있다.

중앙 자동차 컴퓨터 플랫폼 개발

올해 라스베이거스에서 개최된 CES에서 NXP와 Kalray는 보안을 기반으로 하는 중앙 집중식 컴퓨팅 플랫폼을 공동 개발하기 위해 제휴했다고 발표했다. 이 플랫폼은 자율주행 산업화에 결정적으로 중요한 부분을 정확하게 구분한다.

NXP는 새로운 플랫폼에 호스트 프로세서인 S32 프로세서를 사용하며, 여기서 보안 관련 시스템인 ASIL D와 ASIL B가 통합된다. 이러한 기능은 플랫폼이 중앙 자동차 엔지니어링의 까다로운 요구사항을 충족시키고 최적의 경로 계획에 중요한 기능을 처리하도록 설계되었다. Kalray는 입증된 MPPA 프로세서를 제공하여 인식에 있어서 기계학습의 측면을 안전하게 커버한다(그림 3).




이번 제휴의 첫 번째 사례는 자율주행을 위한 임베디드 플랫폼인 NXP Bluebox에 Kalray의 MPPA 프로세서를 통합한 것이다(그림 4). 이는 ARM 기반 기술을 통해 자율주행의 에너지 및 안전 문제를 해결하고 개방형 표준을 지원하도록 설계되었다.