모빌리티 트렌드 변화 - 전기화, 자율주행, 커넥티비티 그리고 AI

우리는 자동차 산업에서의 결정적인 변곡점에 이미 도달해 있다. 폭발적인 혁신과 빠른 변화 속에서 자동차는 이제 A에서 B로 이동하는 단순 이동 수단 이상의 의미를 갖게 되었다. 앞으로 모빌리티 변화의 여정은 더 가속될 것이며 더욱 흥미진진하고 낯선 경험으로 가득 찰 것으로 예상된다. 
이 글에서는 시뮬레이션을 통해 미래 모빌리티 경험을 정의할 트렌드인 전기화(Electrification), 자율주행(Autonomy) 그리고 이를 뒷받침하는 커넥티비티(Connectivity)와 인공지능(AI)에 대해 살펴본다. 또한, 이와 같은 차세대 기술의 불확실성과 가능성에 대해 점검해 보고, 이러한 차세대 기술을 제조업체 및 공급업체로 하여금 더 빠르게 시장에 선보일 수 있도록 도울 수 있는 시뮬레이션의 역할에 대해 알아본다.





전기화(Electrification)

자동차 산업의 전기화 여부에 대한 논쟁은 끝난 지 오래다. 주요 자동차 제조업체(Original Equipment Manufacturer, 이하 OEM)들이 향후 10~20년 내 완전한 전기화 계획을 발표했기 때문이다. 이러한 전환에 영향을 미치는 가장 큰 요인은 비용일 것이다. 엔지니어링, 자재, 전기차 생산 비용을 경감시키는 동시에 제품의 신뢰성을 높일 수 있는 방안은 무엇일까? 자동차 산업 관계자의 거의 대부분이 디지털 엔지니어링과 디지털 혁신이 비용 절감과 신뢰성을 높일 수 있는 방향이라고 믿고 있다고 말해도 과언이 아니다.

이처럼 새로운 환경에서 OEM과 일류 자동차 공급업체는 엔지니어링 설계의 한계를 뛰어넘어야 한다는 새로운 과제에 직면해 있다. 내연기관을 예로 들면, 전체 효율의 0.1%만 개선해도 차량 주행 거리를 크게 늘릴 수 있지만 연료 탱크의 용량을 1갤런(gallon) 늘리는 것만으로도 비슷한 효과를 큰 노력 없이 누릴 수 있을 것이다. 하지만 전기차의 경우는 얘기가 다르다. 차량에 배터리 모듈을 한 개 이상 추가할 시 차량 무게는 훨씬 더 늘어나기 때문에, 이는 단순히 배터리 팩 설계에 영향을 미치는 것이 아니라 전기 모터의 크기와 냉각 장치, 전체 전기차의 무게 등 다양한 요소를 고려해야 한다. 단순한 전기차 설계의 한계를 뛰어넘어, 모든 요소를 고려하여 효율성 극대화를 해야 하는 상황에 직면하게 된 것이다.

업계에서 그 0.1%의 개선점이 무엇인지 파악할 만큼 충분한 프로토타입을 만들어 보거나 충분한 테스트를 계속할 수는 없을 것이다. 개선 방향에 대한 더욱 깊이 있는 탐구가 필요한 상황에서 해결책은 무엇일까? 바로 시뮬레이션이 그 해답이 될 수 있다. 자동화 및 최적화를 통해 설계 전방위 적인 미세 조정을 해 나간다면, 가상의 공간에서 개선 결과를 시각적으로 확인할 수 있을 것이다. 그리고 이를 통해 0.1% 개선에 다가서는 방법을 훨씬 더 경제적으로, 그리고 직관적으로 이해할 수 있을 것이다.

 

 

자율주행차(Autonomy)

자율주행차를 타고 시내를 완벽하게 돌아다니기까지는 아직 수년은 남은 것으로 보인다. 최근 미국자동차협회(American Automobile Association)에서 실시한 설문 조사에 따르면, 대다수의 운전자는 완전한 자율주행보다는 이미 상용화된 운전자 보조 시스템의 개선을 선호하는 것으로 나타났다. 85%에 달하는 응답자가 자율주행에 대해 두려움을 느끼거나 확신이 서지 않는다고 답했다. 하지만 자동차 엔지니어는 첨단 운전자 보조 시스템(Advanced Driver Assistance Systems, ADAS)을 개선하고 완전한 자율주행에 다가가기 위해 자율주행차(Autonomous Vehicles, AV) 관련 기술을 지속적으로 발전시키고 있다.

자동차 엔지니어는 운전자가 자율주행차를 완전히 받아들일 수 있도록 하기 위해 자율주행차가 사람이 운전하는 것보다 안전하다고 자신 있게 말할 수 있어야 한다. 자율주행의 경우 OEM의 자체 테스트만으로는 공신력 있는 안전성을 담보할 수 없기 때문에, OEM은 시스템의 안전성을 입증하기 위한 의도된 기능의 안전성(Safety Of The Intended Functionality, SOTIF) 시나리오를 기반으로 특정 테스트 방법론을 사용하고 있다. SOTIF(ISO PAS/21448)는 차량 소프트웨어 개발자가 직면한 자율주행 및 반자율주행 차량 안전 문제를 해결하기 위해 특별히 개발되었다.

운전자의 조작에 영향을 받지 않는 자율주행차는 차량 탑승자는 물론 주행 중 마주치는 보행자에게도 혁신적인 안전함을 보장할 수 있을 것이다. 또한 모든 사람이 교통수단에 더 쉽게 접근하고 공평하게 이용할 수 있도록 하고, 효율적인 운행으로 대기질을 개선하며, 사려 깊은 도시 계획을 통해 교통 혼잡을 줄이고 친환경적 공간을 조성할 수 있는 잠재력을 갖게 될 것이다.
   
 

차량 커넥티비티(Connectivity) 그리고 AI: AI와 자율주행차를 잇는 다리

차량 간 고속 무선 네트워크를 통한 정보 및 데이터 공유는 자율주행의 미래를 한 단계 높은 수준으로 끌어올릴 것이다. 높은 수준의 자율주행을 달성하기 위해 다양한 요소를 고려해야 하는데, 첨단 센서 기술, 차량 위치 파악 정확도, 최신 매핑 정보, 다른 차량 및 보행자의 위치 인식, 계획 및 의사 결정을 포함한 대량의 공유된 데이터는 AI를 기반으로 더 높은 단계의 자율주행 인사이트를 만들고 자율주행을 개선하는 요소가 될 것이다. 하지만 이런 대량의 다양한 데이터 처리와 실시간 응답이 절대적으로 필요한 수많은 차량 내 애플리케이션의 거대한 컴퓨팅 작업은 아직 해결되지 않은 과제이다. 

미래의 완전한 자율주행 환경은 모든 차량의 움직임을 조정하는 더 큰 통신망에 의해 좌우될 것이다. 이러한 환경에서 발생 가능한 모든 상황과 여타 매개변수 간의 신호 품질을 포함, 필요한 모든 통신을 디지털 미션 엔지니어링 소프트웨어를 통해 시뮬레이션 할 수 있을 것이다. 안전 검증에서 시작해 실제 센서 및 안테나 성능 검증에 이르기까지 모든 단계에서 AI와 시뮬레이션을 기반으로 고도의 가상 자율주행 환경을 검증해 볼 수 있다.

   

AI: 애플리케이션의 두뇌

자율주행 기술은 데이터 기반 인사이트와 머신러닝(ML)의 조합을 통해 가속화되고 있다. AI 역시 데이터에 기반하기 때문에 자율주행에 유용하게 활용될 수 있다. 하지만 ADAS 및 자율주행 애플리케이션과 관련한 큰 과제 중 하나는 AI/ML이 (규모와 무관하게) 모든 사례를 포괄하는 규칙 기반의 시스템에서 작동 가능한 방대한 데이터 세트를 필요로 한다는 것이다. 예를 들어 실제 주행 환경에서 자율주행차가 안전을 우선해 작동되는 것은, 자율주행차의 규칙 기반 시스템과 긴밀하게 연동되는 AI/ML 기반 의사결정 시스템을 통해서이다. AI/ML 시스템은 모든 운전자 조작에 대한 위험 점수를 계산하여 의사결정에 필요한 제어 기능을 제공하게 된다.

실제 주행 환경에 필요한 정교한 자율주행 데이터를 확보하기 위해서는 빅데이터를 유용한 데이터로 전환하고, 시뮬레이션으로 보강된 비지도 AI 학습법을 사용해 실제 상황에서는 발견하기 어려운 데이터 세트의 역학 관계를 파악해야 한다. 자율주행 AI 애플리케이션은 수많은 주행 시뮬레이션 데이터를 학습해 자율주행 소프트웨어가 어떤 주행 상황에서 어떻게 반응해야 하는지를 알려줄 것이다.

이상 언급한 바와 같이, 현재 업계 트렌드에 맞춰 전기화와 자율주행을 가속화하기 위해서는 특별한 솔루션이 필요하다. 거의 모든 온로드 통신과 클라우드 기반 데이터 교환의 기저에는 그에 적합한 앤시스의 솔루션이 있으며, 모빌리티 리더는 차세대 차량 기술을 주도하기 위해 앤시스의 방대한 시뮬레이션 및 소프트웨어 포트폴리오를 활용하고 있다.

 

---