1.4 자율주행 기술의 분류 기준
자율주행 기술은 다양한 관점에서 분류될 수 있다. 본 절에서는 학계와 산업계에서 통용되는 주요 분류 기준을 체계적으로 정리하여, 자율주행 기술의 다면적 특성을 이해하기 위한 분류학적 기반을 확립한다.
1. 자동화 수준에 따른 분류
가장 널리 사용되는 분류 기준은 SAE International의 J3016 표준이 정의하는 자동화 수준(Level of Driving Automation)이다(SAE International, 2021). 이 표준은 운전 자동화 시스템이 동적 운전 과업(DDT)을 수행하는 범위와 인간 운전자의 역할에 따라 Level 0(비자동화)부터 Level 5(완전 자동화)까지 6단계를 구분한다.
| 수준 | 명칭 | DDT 수행 주체 | 대체 수행 (Fallback) |
|---|---|---|---|
| Level 0 | 비자동화 (No Automation) | 인간 운전자 | 인간 운전자 |
| Level 1 | 운전자 보조 (Driver Assistance) | 인간 + 시스템 (일부) | 인간 운전자 |
| Level 2 | 부분 자동화 (Partial Automation) | 시스템 (횡방향 + 종방향) | 인간 운전자 |
| Level 3 | 조건부 자동화 (Conditional Automation) | 시스템 | 인간 운전자 (요청 시) |
| Level 4 | 고도 자동화 (High Automation) | 시스템 | 시스템 |
| Level 5 | 완전 자동화 (Full Automation) | 시스템 | 시스템 |
Level 0부터 Level 2까지는 인간 운전자가 주행 환경 감시의 주체이며, Level 3 이상에서는 시스템이 DDT의 전체를 담당한다. 이 분류 기준의 핵심적인 경계는 Level 2와 Level 3 사이에 있으며, Level 3부터 시스템이 OEDR(Object and Event Detection and Response)의 전체를 수행한다는 점에서 질적인 전환이 발생한다.
2. 시스템 아키텍처에 따른 분류
자율주행 시스템의 소프트웨어 아키텍처에 따라 크게 모듈형 접근법(Modular Approach)과 종단간 접근법(End-to-End Approach)으로 분류된다.
모듈형 접근법은 인지, 예측, 판단, 제어를 독립적인 모듈로 분리하여 설계하는 방식이다. 각 모듈은 명확한 입출력 인터페이스를 가지며, 개별적으로 개발, 검증, 개선이 가능하다. Waymo, Cruise 등 대부분의 상용 자율주행 시스템이 이 방식을 채택하고 있다. 모듈 간 인터페이스에서 정보 손실이 발생할 수 있다는 점과 오류가 모듈 간에 전파(Error Propagation)될 수 있다는 점이 한계로 지적된다(Tampuu et al., 2022).
종단간 접근법은 센서 입력에서 제어 출력까지의 전체 과정을 단일 또는 소수의 신경망으로 학습하는 방식이다. 모듈 간 인터페이스에 의한 정보 손실을 방지하고, 전체 시스템을 통합적으로 최적화할 수 있다는 장점이 있다. 반면 해석 가능성(Interpretability)이 낮고, 안전 검증이 어렵다는 문제가 존재한다.
3. 센서 구성에 따른 분류
자율주행 시스템은 주요 센서의 구성에 따라 다음과 같이 분류된다.
카메라 중심(Camera-Centric) 시스템: 카메라를 주요 인지 센서로 사용하며, 라이다를 사용하지 않거나 보조적으로만 활용하는 방식이다. Tesla의 비전 기반 시스템이 대표적이며, 하드웨어 비용이 상대적으로 낮다는 장점이 있다. 그러나 조도 변화, 역광, 악천후 등에 취약할 수 있다.
라이다 중심(LiDAR-Centric) 시스템: 라이다를 주요 인지 센서로 사용하여 3차원 포인트 클라우드 데이터를 기반으로 환경을 인식하는 방식이다. Waymo, Cruise 등이 이 방식을 채택하고 있다. 조도 조건에 독립적이며 정밀한 3차원 거리 정보를 제공하나, 센서 비용이 높고 악천후(강우, 강설, 안개) 시 성능이 저하될 수 있다.
다중 센서 융합(Multi-Sensor Fusion) 시스템: 카메라, 라이다, 레이더 등 이종 센서를 결합하여 각 센서의 상호 보완적 특성을 활용하는 방식이다. 대부분의 Level 4 이상 자율주행 시스템은 다중 센서 융합 방식을 채택하여 인지의 강건성을 확보한다.
4. 운용 환경에 따른 분류
자율주행 시스템이 설계된 운용 환경에 따라 다음과 같이 분류된다.
| 분류 | 운용 환경 | 특징 |
|---|---|---|
| 고속도로 자율주행 | 고속도로, 자동차 전용도로 | 구조화된 환경, 단방향 교통 흐름, 상대적으로 예측 가능한 시나리오 |
| 도시 자율주행 | 도심 일반 도로 | 비구조화 환경, 다양한 교통 참여자, 복잡한 교차로 |
| 지오펜스(Geofenced) 자율주행 | 특정 지역 한정 | 사전 매핑된 제한 구역 내 운용, Level 4 로보택시에 주로 적용 |
| 비도로(Off-Road) 자율주행 | 농경지, 광산, 건설 현장 | 비정형 지형, 차선 미비, 특수 목적 차량 |
운용 환경의 복잡도는 자율주행 시스템의 설계 난이도와 직접적으로 관련된다. 일반적으로 고속도로 환경이 도시 환경보다 구조화 정도가 높아 기술적 구현이 상대적으로 용이하며, 이러한 이유로 다수의 ADAS 기능이 고속도로 환경에서 먼저 상용화되었다.
5. 학습 패러다임에 따른 분류
자율주행 시스템의 핵심 알고리즘이 학습되는 방식에 따라 다음과 같이 분류된다.
- 지도 학습(Supervised Learning) 기반: 인간 운전 데이터(전문가 시연)를 레이블링하여 학습하는 방식이다. 인지 모듈의 객체 검출, 의미론적 분할 등에 주로 적용된다.
- 모방 학습(Imitation Learning) 기반: 전문가의 운전 행동을 직접 모방하도록 학습하는 방식이다. 행동 복제(Behavioral Cloning)가 대표적이며(Pomerleau, 1989), 종단간 자율주행 시스템에 주로 적용된다.
- 강화 학습(Reinforcement Learning) 기반: 보상 함수(Reward Function)를 통해 시행착오 방식으로 최적 정책을 학습하는 방식이다. 주로 시뮬레이션 환경에서 학습이 이루어지며, 판단 및 제어 모듈에 적용된다.
- 자기 지도 학습(Self-Supervised Learning) 기반: 레이블이 없는 대규모 주행 데이터로부터 유용한 표현(Representation)을 학습하는 방식이다. 사전 학습(Pre-training) 단계에서 활용되어 데이터 효율성을 향상시킨다.
6. 분류 기준의 다차원적 특성
위에서 다룬 분류 기준들은 상호 배타적이 아니며, 하나의 자율주행 시스템은 복수의 분류 기준에 따라 동시에 특성화될 수 있다. 예를 들어, 특정 시스템을 “Level 4, 모듈형, 라이다 중심, 도시 환경, 지도 학습 기반“과 같이 다차원적으로 기술하는 것이 해당 시스템의 기술적 특성을 보다 정확히 전달한다. 자율주행 기술을 분석하고 비교할 때에는 이러한 다차원적 분류 프레임워크를 활용하여 체계적으로 접근하는 것이 필요하다.
7. 참고 문헌
- Pomerleau, D. A. (1989). ALVINN: An autonomous land vehicle in a neural network. Advances in Neural Information Processing Systems, 1, 305–313.
- SAE International. (2021). Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles (J3016_202104).
- Tampuu, A., Matiisen, T., Semikin, M., Fishman, D., & Muhammad, N. (2022). A survey of end-to-end driving: Architectures and training methods. IEEE Transactions on Neural Networks and Learning Systems, 33(4), 1364–1384.
v1.0