벡터코리아(지사장 장지환)는 차량 전기·전자(E/E) 시스템 개발의 프로세스 최적화와 효율성 향상을 목표로 새로운 테스트 전략인 ‘심리스 테스트 솔루션(Seamless Test Solutions)’을 발표했다.
CANoe 기반 SIL에서 HIL까지 포괄적 테스트 환경 제공
벡터의 테스트 솔루션은 개발 초기 단계의 SIL (Software-in-the-Loop)부터 실제 하드웨어에서의 HIL(Hardware-in-the-Loop) 통합 테스트에 이르기까지 연속적이고 유기적인 테스트 설계 프로세스를 지원한다. 이를 통해 개발자는 테스트 자산을 최대한 재사용할 수 있으며, 궁극적으로 개발 비용 절감과 품질 향상을 동시에 달성할 수 있다.
테스트 자동화 및 시뮬레이션 모델 통합은 특히 중요한 역할을 한다. 예를 들어 차량 진단 테스트에서는, 시스템 오류를 시뮬레이션하고 그에 따른 진단 메모리 반응을 자동으로 확인할 수 있는 테스트 도구를 통해 개발 시간을 단축할 수 있다.
E/E 아키텍처의 진화와 개발 환경의 변화
자동차의 E/E 아키텍처 및 개발 방식은 비약적인 변화를 겪어왔다. 초기에는 단순한 CAN 네트워크 기반의 하드웨어 중심 개발 방식이 주를 이루었으나, 이제는 소프트웨어 중심(Software-Centric)의 존 아키텍처(Zone Architecture)로 전환되고 있다. 이 같은 구조 변화는 복잡성뿐 아니라 보안 및 클라우드 환경에서의 민첩한 테스트를 필요로 하며, CI/CT(지속적 통합/지속적 테스트) 파이프라인이 개발 프로세스의 핵심 요소로 자리 잡고 있다.
보안을 확보하면서도 효율적인 테스트를 수행하기 위해서는, 보드 단위 테스트(Board-Level Testing)부터 HIL 환경까지를 모두 포괄할 수 있는 모듈형 테스트 하드웨어가 필요하다. 이러한 하드웨어는 단일 목적이 아니라, SIL과 HIL 환경 모두에서 테스트가 재사용 가능하도록 설계되는 것이 바람직하다. 이는 테스트 자원의 최적 재사용(Optimal Reuse)을 가능하게 하며, 반복 개발을 줄여 프로젝트 비용을 절감하는 효과도 제공한다.
데브옵스, 보안, 클라우드 기반 개발 환경을 위한 통합 지원
현대적인 개발 환경에서는 데브옵스(DevOps) 방식의 확산과 함께, 클라우드화(Cloudification), 보안, CI/CT 기반의 자동화 테스트 파이프라인이 필수적으로 요구된다. 벡터는 이러한 요구에 대응해, 서버 기반 테스트 실행(Server-based Test Execution), 테스트 구성 파일 자동 생성(YAML 기반), Jenkins, GitHub, GitLab 등의 CI 시스템 통합 기능을 제공한다.
또한, 개발자는 가상 ECU(Virtual ECUs)를 생성해 테스트 환경에 통합함으로써, 가상 환경에서의 정밀한 테스트를 수행할 수 있다. 벡터의 개방형 도구 생태계는 타사 도구 및 오픈 소스(Open source) 솔루션과의 유연한 연동을 지원하며, 신뢰성 있는 파트너를 통해 유지·관리된다.
센서-액추에이터 개발을 위한 보드 레벨 테스트와 시뮬레이션
센서-액추에이터 시스템 개발에서는 제어 루프의 누락된 구성요소를 시뮬레이션으로 대체하는 것이 핵심 과제 중 하나다. 이를 위해 벡터는 MATLAB/Simulink 기반의 시뮬레이션 모델을 테스트 환경에 통합할 수 있는 기능을 제공한다. 보드 수준(Board-Level)의 하드웨어 테스트는 I/O 단위 테스트를 가능하게 하며, 콤팩트하고 확장 가능한 설계를 통해 다양한 개발 공간에서 빠르고 정확한 문제 식별을 가능하게 한다.
이러한 초기 단계의 테스트 전략은 고객에게 최대 4배의 효율성 향상을 입증하며, 개발 프로세스의 전체적인 품질 향상과 시간 단축을 동시에 실현할 수 있다.
벡터코리아 장지환 지사장은 “벡터는 E/E 아키텍처의 진화에 발맞춘 테스트 및 개발 솔루션을 통해, 고객이 복잡해지는 차량 소프트웨어 개발 환경에서도 보다 빠르고 유연하며 신뢰성 있는 결과를 도출할 수 있도록 돕고 있다. 보드 레벨부터 클라우드 기반 데브옵스 환경까지 이어지는 벡터의 엔드투엔드(E2E) 테스트 솔루션은 모든 개발 단계에서 최적화된 효율성과 품질을 제공한다”고 말했다.
<저작권자 © AEM. 무단전재 및 재배포, AI학습 이용 금지>
