슬라의 자율주행 전략 ’모 아니면 도’의 실존적 위기

2025-12-16, G30DR

1. 서론: 자동차 안전 공학의 패러다임 충돌과 테슬라의 도박

자동차 산업은 지난 100년의 역사 동안 기계적 결함을 제어하고 예측 가능한 안전을 확보하기 위해 결정론적(Deterministic) 공학 체계를 구축해왔다. 이 체계의 정점에는 기능안전 국제 표준인 ISO 26262와 의도된 기능의 안전을 다루는 ISO 21448(SOTIF)이 존재한다. 그러나 현재 테슬라가 추진하고 있는 FSD(Full Self-Driving) 베타 및 v12 이후의 엔드투엔드(End-to-End) 신경망 아키텍처는 이러한 기존 산업 표준의 근간을 정면으로 부정하는 기술적 경로를 걷고 있다. 테슬라는 현재 기존의 안전 표준을 준수하기 위해 시스템을 근본적으로 재설계하거나, 혹은 표준을 무시할 수 있을 만큼 완벽한 ‘100% 자율주행, 0% 과실’ 기술을 완성해야 하는 극단적인 양자택일, 즉 “모 아니면 도“의 상황에 놓여 있다.

본 보고서는 테슬라의 현재 기술 아키텍처가 왜 근본적으로 기존 자동차 기능안전 표준과 양립하기 어려운지 기술적, 법적, 경제적 관점에서 심층 분석한다. 특히 ISO 26262가 요구하는 추적성(Traceability)과 테슬라의 블랙박스(Black Box)형 AI 사이의 충돌, ‘섀도우 모드’ 검증의 유효성 논란, 그리고 웨이모(Waymo) 등 경쟁사와의 전략적 차이를 통해 테슬라가 선택한 ‘데이터 기반(Data-Driven)’ 접근법의 성공 조건과 실패 시 직면하게 될 파국적 리스크를 전망한다.

2. 규제의 장벽: ISO 26262 및 ISO 21448의 요구사항과 충돌

2.1 ISO 26262: 결정론적 안전과 추적성의 의무

ISO 26262는 도로 차량의 기능안전(Functional Safety)을 보장하기 위한 국제 표준으로, 전자/전기 시스템의 오동작으로 인한 위험을 허용 가능한 수준으로 낮추는 것을 목표로 한다.1 이 표준은 ‘V-모델’ 개발 프로세스를 기반으로 하며, 핵심 철학은 **추적성(Traceability)**과 **분해(Decomposition)**이다.

2.1.1 ASIL 등급과 안전 목표의 분해

ISO 26262는 위험의 심각도(Severity), 노출 빈도(Exposure), 제어 가능성(Controllability)을 바탕으로 ASIL(Automotive Safety Integrity Level) 등급을 A부터 D까지 부여한다. 자율주행 시스템의 핵심인 조향 및 제동 기능은 최고 등급인 ASIL D를 요구한다.3 ASIL D 등급을 만족시키기 위해서는 단일 실패 지점(Single Point of Failure)이 없어야 하며, 이를 위해 시스템은 하드웨어 및 소프트웨어적으로 다중화(Redundancy)되어야 한다. 또한, 상위 안전 목표(Safety Goal)는 하위의 기술적 안전 요구사항(Technical Safety Requirement)으로 분해되어, 최종적으로는 소프트웨어의 특정 함수나 하드웨어의 특정 회로가 해당 안전 목표를 달성하기 위해 존재한다는 것을 1:1로 증명해야 한다.5

2.1.2 소프트웨어 아키텍처와 결정론적 검증

표준은 소프트웨어 개발 시 방어적 프로그래밍, 엄격한 코딩 규칙(MISRA C 등), 그리고 제어 흐름 및 데이터 흐름의 분석을 요구한다. 이는 시스템이 결정론적(Deterministic)으로 동작해야 함을 의미한다. 즉, 동일한 입력에 대해서는 언제나 동일한 출력이 나와야 하며, 오류 발생 시 시스템이 어떤 경로를 통해 안전 상태(Safe State)로 전환되는지 명확히 설명 가능해야 한다.3

2.2 ISO 21448 (SOTIF): AI와 미지의 위험

ISO 26262가 시스템의 ’고장(Failure)’을 다룬다면, ISO 21448(SOTIF, Safety of the Intended Functionality)은 시스템이 고장 나지 않았음에도 불구하고 성능 한계나 인지 오류로 인해 발생하는 위험을 다룬다.1 이는 머신러닝 기반의 인지 시스템을 사용하는 자율주행차에 필수적인 표준이다.

2.2.1 알려지지 않은 위험(Unknown Unsafe)의 최소화

SOTIF는 주행 시나리오를 4가지 영역으로 분류한다.

• Area 1: 알려진 안전 (Known Safe)
• Area 2: 알려진 위험 (Known Unsafe)
• Area 3: 알려지지 않은 위험 (Unknown Unsafe)
• Area 4: 알려지지 않은 안전 (Unknown Safe)

SOTIF의 목표는 검증 및 타당성 확인(V&V) 활동을 통해 Area 2와 Area 3을 줄여 Area 1을 확장하는 것이다.9 특히 AI 시스템의 경우, 학습 데이터에 포함되지 않은 엣지 케이스(Edge Case)나 센서의 물리적 한계(역광, 악천후 등)로 인한 오인식이 Area 3에 해당한다. 이를 해결하기 위해 SOTIF는 다양한 센서(LiDAR, Radar, Camera)를 활용한 센서 퓨전(Sensor Fusion)을 통해 인지의 강건성(Robustness)을 확보하고, 기능적 부족(Functional Insufficiency)을 완화할 것을 권고한다.11

2.3 테슬라 아키텍처와의 근본적 불일치

테슬라의 자율주행 아키텍처는 이러한 표준의 요구사항과 구조적으로 충돌한다.

1. 추적성 불가능: 테슬라의 End-to-End 신경망은 수억 개의 파라미터(가중치)로 구성된 블랙박스다. 특정 사고 상황에서 차량이 왜 조향을 꺾었는지 설명하기 위해 특정 코드 라인을 지목할 수 없다. 이는 ISO 26262 Part 6의 요구사항인 ’소프트웨어 안전 요구사항의 구현 추적성’을 위반한다.12
2. 확률론적 동작: 신경망은 본질적으로 확률적(Probabilistic)이다. 이는 입력값의 미세한 변화(노이즈)에도 출력이 달라질 수 있음을 의미하며, ISO 26262가 요구하는 결정론적 검증과 배치된다.
3. 센서 중복성 부재: 테슬라는 비용 절감과 비전 기술에 대한 확신을 이유로 라이다(LiDAR)와 레이더(Radar, 일부 모델)를 제거하고 카메라(Vision)만 사용하는 ‘Tesla Vision’ 전략을 고수하고 있다.14 이는 SOTIF 관점에서 센서의 물리적 한계(예: 안개, 직사광선)를 상호 보완할 수 있는 수단을 제거한 것으로, ’기능적 부족’을 심화시키는 설계다.

따라서 테슬라는 현재의 아키텍처를 유지하는 한, ISO 26262 및 ISO 21448 인증을 획득하는 것이 기술적으로 불가능에 가깝다. 이는 테슬라가 “표준을 준수하기 위해 처음부터 다시 개발“하거나, “표준을 무시하고 압도적인 성능으로 승부“해야 하는 갈림길에 서 있음을 시사한다.

3. 경로 A 분석: 100% 자율주행과 ISO 무시 전략 (“모” 전략)

첫 번째 시나리오인 “ISO 26262를 무시할 수 있는 100% 자율주행“은 테슬라가 현재 사실상 추구하고 있는 전략이다. 이 전략의 핵심은 **통계적 우월성(Statistical Superiority)**을 통해 기존의 공학적 프로세스 중심의 안전 입증 방식을 데이터 중심의 결과론적 안전 입증 방식으로 대체하는 것이다.

3.1 기술적 기반: End-to-End 신경망과 ‘Photon to Control’

테슬라 FSD v12부터 도입된 ’End-to-End Neural Network’는 기존의 자율주행 소프트웨어 스택(인지-예측-계획-제어의 모듈식 구조)을 폐기하고, 카메라의 원시 광자(Photon) 입력부터 차량의 제어(Control) 출력까지를 하나의 거대한 신경망이 처리하도록 설계되었다.16

이 방식의 가장 큰 장점은 인간이 일일이 규칙을 정의하기 힘든 복잡한 상황(예: 공사 현장 수신호, 비정형 교차로)에서 유연하게 대처할 수 있다는 점이다. 테슬라는 이를 통해 규칙 기반 시스템이 도달할 수 없는 수준의 일반화된 자율주행을 달성하고자 한다.

3.2 안전 입증의 수단: 섀도우 모드(Shadow Mode)와 빅데이터

테슬라는 ISO 표준의 공백을 메우기 위해 전 세계에 배포된 수백만 대의 차량을 활용한 ’데이터 엔진(Data Engine)’을 가동한다.

1. 섀도우 모드(Shadow Mode): 사용자가 직접 운전하는 동안 백그라운드에서 FSD 알고리즘이 가상으로 작동하며, 자신의 판단과 운전자의 실제 행동이 다를 때 데이터를 서버로 전송한다.19 이는 거대한 규모의 개루프(Open-loop) 테스트를 가능하게 한다.
2. 통계적 검증: 테슬라는 “오토파일럿/FSD 사용 시 사고율이 일반 운전보다 낮다“는 통계 데이터를 주기적으로 발표하며 안전성을 주장한다.21 이는 공학적 무결성(Integrity) 대신 결과적 안전(Outcome-based Safety)을 내세우는 전략이다.

3.2.1 섀도우 모드의 검증 한계

그러나 전문가들은 섀도우 모드가 ISO 26262나 SOTIF가 요구하는 엄밀한 검증(Validation)을 대체할 수 없다고 지적한다.

• Oracle 문제: 운전자의 행동이 항상 정답(Ground Truth)은 아니다. 운전자가 실수를 했을 때 FSD가 올바른 판단을 했는지, 아니면 둘 다 틀렸는지 섀도우 모드만으로는 판단하기 어렵다.22
• 상호작용 부재: 실제 사고는 자율주행차의 행동에 대해 주변 차량이 반응하면서 발생한다. 섀도우 모드는 차량을 제어하지 않으므로, 이러한 폐루프(Closed-loop) 상호작용에서 발생하는 위험을 검증할 수 없다.23

3.3 ’100% 무사고’의 허상과 롱테일(Long Tail) 문제

“100% 자율주행, 0% 가해자“라는 목표는 AI 기술의 본질적인 특성상 달성 불가능에 가깝다. 딥러닝 모델은 학습 데이터 분포 내에서는 뛰어난 성능을 보이지만, 분포 밖(Out-of-Distribution, OOD)의 데이터, 즉 ‘롱테일’ 상황에서는 예측 불가능한 거동을 보인다.16

• 환각(Hallucination): LLM이 거짓 정보를 생성하듯, 자율주행 신경망도 존재하지 않는 장애물을 보고 급제동하거나(팬텀 브레이킹), 명백한 장애물을 무시하고 돌진할 수 있다. 이는 버그가 아니라 확률 모델의 특성이다.
• 설명 불가능한 사고: 인간 운전자는 졸음이나 과속 등 ‘이해 가능한’ 원인으로 사고를 내지만, AI는 기이한 원인으로 사고를 낸다. 만약 테슬라가 ISO 표준을 무시하고 100% 자율주행을 배포했다가 단 한 건의 설명 불가능한 사망 사고가 발생한다면, “인간보다 평균적으로 안전하다“는 통계적 방어 논리는 대중의 공포와 법적 비난 앞에서 무력화될 것이다.26

4. 경로 B 분석: ISO 26262 인증을 위한 재개발 (“도” 전략)

두 번째 시나리오인 “ISO 26262를 인증받기 위해 처음부터 다시 개발“하는 것은 테슬라에게 있어 단순한 전략 수정을 넘어선 실존적 위기를 초래할 수 있다. 이는 막대한 매몰 비용(Sunk Cost)과 기술적 퇴보를 의미하기 때문이다.

4.1 경제적 비용: 하드웨어 레트로핏(Retrofit)의 불가능성

ISO 26262 ASIL D 수준의 안전성을 확보하려면 센서와 컴퓨팅의 물리적 중복성(Redundancy)이 필수적이다. 현재 테슬라 차량(HW3/HW4)은 카메라 위주의 구성으로, 라이다와 같은 이종 센서가 없다.

4.1.1 500만 대 리콜 시나리오

만약 테슬라가 “기존 방식으로는 완전 자율주행이 불가능하다“고 인정하고 표준 준수 방식으로 선회한다면, 이미 “자율주행 가능 하드웨어 탑재“라고 홍보하며 판매한 수백만 대의 차량에 대해 하드웨어 업그레이드를 제공해야 한다.

14의 데이터를 바탕으로 추산할 때, 이는 테슬라의 연간 순이익을 상회하거나 현금 보유고를 고갈시키는 수준이다. 물리적으로도 전 세계 서비스 센터가 수년간 마비될 것이다. 따라서 테슬라에게 ’하드웨어 추가’는 선택지가 될 수 없다.

4.2 소프트웨어 기술 부채(Technical Debt)와 재개발

테슬라의 소프트웨어는 실리콘밸리식 ‘애자일(Agile)’ 방법론으로 개발되었다. 이는 “빠르게 배포하고 고친다“는 철학이지만, ISO 26262의 “설계 단계에서 모든 것을 검증한다“는 V-모델과는 정반대다.

• 재개발 비용: 수억 라인에 달하는 기존 코드를 ISO 26262가 요구하는 코딩 표준과 추적성을 갖춘 코드로 재작성하는 비용은 라인당 수십~수백 달러에 달한다.28
• 성능 퇴보: End-to-End 신경망을 포기하고 규칙 기반(Rule-based) 모듈로 돌아간다면, 테슬라 자율주행의 성능은 수년 전 수준으로 후퇴하게 된다. 이는 웨이모 등 경쟁사와의 기술 격차를 스스로 포기하는 꼴이 된다.

결국, “도” 전략(재개발)은 테슬라의 현재 가치인 ‘데이터 우위’, ‘저비용 하드웨어’, ’AI 기술력’을 모두 부정하는 것이므로, 경영진이 선택할 가능성은 전무하다. 테슬라는 돌아올 수 없는 강을 건넜다.

5. 법적 책임과 규제 전쟁: 미국(NHTSA) vs 유럽(UNECE)

테슬라의 “모” 전략이 성공하기 위해서는 기술적 완성도뿐만 아니라 법적, 규제적 승인이 필수적이다. 현재 글로벌 규제 지형은 테슬라에게 유리한 미국과 불리한 유럽/UN으로 양분되어 있다.

5.1 제조물 책임법(Product Liability)과 ‘위험-효용 테스트’

미국 법원에서는 자율주행 사고 시 ‘설계 결함(Design Defect)’ 여부를 판단하기 위해 **위험-효용 테스트(Risk-Utility Test)**를 주로 적용한다.30

• 합리적 대안 설계(Reasonable Alternative Design): 원고(피해자)가 “라이다를 장착했더라면 이 사고를 막을 수 있었다“고 증명하고, 라이다 장착 비용이 사고 예방 효과보다 크지 않다고 주장하면 테슬라는 패소할 가능성이 높다. 웨이모나 벤츠 등 경쟁사들이 라이다를 채택하고 있다는 사실은 “합리적 대안이 존재한다“는 강력한 증거가 된다.33
• 통계적 안전의 법적 효력: 테슬라는 “전체 사고율이 낮다“고 항변하겠지만, 법원은 개별 사고에서의 구체적 결함(센서 미비)에 주목한다. “평균적으로 안전하다“는 사실이 “특정 개인에게 가한 위해“를 정당화하지는 못한다.26

5.2 엄격 책임(Strict Liability)과 0% 과실의 딜레마

현재 테슬라는 FSD를 레벨 2(운전자 감독 필요)로 정의하여 법적 책임을 운전자에게 전가하고 있다.21 그러나 “100% 자율주행“을 선언하는 순간(레벨 4/5), 엄격 책임(Strict Liability) 원칙에 따라 제조사가 모든 사고의 책임을 져야 한다.36

ISO 26262 인증 없이 출시된 차량이 사고를 냈을 때, 원고 측은 “산업 표준을 무시한 설계“를 근거로 **징벌적 손해배상(Punitive Damages)**을 청구할 수 있다.34 이는 테슬라가 감당해야 할 잠재적 부채를 무한대로 확장시킨다.

5.3 글로벌 규제 장벽: NHTSA vs UNECE

• 미국 (NHTSA): 사후 규제(Self-Certification) 방식을 취하므로, 테슬라가 자체적으로 안전을 선언하고 출시하는 것이 가능하다. 그러나 최근 NHTSA도 테슬라의 데이터 중심 안전 주장에 의구심을 표하며 조사를 강화하고 있다.38
• 유럽/한국 (UNECE): 사전 승인(Type Approval) 제도를 운영하며, UN 규정(R157 등)은 ISO 26262 준수와 결정론적 안전 검증을 엄격히 요구한다.20 테슬라의 End-to-End 신경망은 설명 불가능성 때문에 현재의 UN 규제 프레임워크 내에서는 레벨 3 이상의 승인을 받는 것이 불가능하다. 따라서 테슬라가 “모” 전략을 고수한다면 유럽 시장에서는 영원히 레벨 2 수준의 운전자 보조 기능(ADAS)만 판매해야 할 수도 있다.

6. 비교 분석: 웨이모(Waymo)의 접근 방식

테슬라의 ‘모 아니면 도’ 상황을 더욱 부각시키는 것은 경쟁자인 웨이모(Waymo)의 접근 방식이다. 웨이모는 철저하게 ISO 표준과 공학적 안전 원칙을 따른다.

웨이모는 라이다를 포함한 고가의 센서 스위트와 정밀 지도(HD Map)를 사용하여 SOTIF의 ’알려지지 않은 위험’을 물리적으로 차단한다.40 또한 안전이 입증된 구역(ODD) 내에서만 운행하며, 사고 발생 시 책임을 진다. 이는 테슬라와 달리 “확장성은 낮지만 안전은 확실한” 전략이다. 테슬라의 도박은 웨이모보다 수십 배 저렴한 하드웨어로 웨이모와 동등하거나 그 이상의 안전을 달성하겠다는 것인데, 이는 공학적 상식을 뛰어넘는 도전이다.

7. 결론 및 미래 시나리오: 테슬라의 생존 조건

분석 결과, 테슬라는 ISO 26262 인증을 받기 위해 돌아가는 길(“도”)이 막혀 있다. 경제적, 기술적 비용이 너무 크기 때문이다. 따라서 테슬라는 확률이 낮고 위험하더라도 “100% 자율주행 완성”(“모”)에 모든 것을 걸 수밖에 없다. 이 도박이 성공하기 위한 조건과 시나리오는 다음과 같다.

7.1 성공 시나리오: 사실상의 표준(De Facto Standard) 등극

테슬라의 AI 성능이 기하급수적으로 향상되어, 통계적 사고율이 인간의 10분의 1 수준으로 떨어진다.

• 압도적인 데이터 우위를 바탕으로 미국 규제 당국(NHTSA)이 기존 ISO 표준 대신 ’데이터 기반 안전 입증’을 새로운 표준으로 수용하도록 유도한다.
• 테슬라가 자체 보험 상품을 통해 사고 책임을 100% 인수함으로써, 법적/윤리적 논란을 경제적 비용 문제로 치환한다.

7.2 타협 시나리오: 하이브리드 아키텍처 도입

완전한 End-to-End 신경망 외부에 최소한의 물리적 법칙과 안전 규칙을 강제하는 ‘가드레일(Guardrail)’ 코드를 추가한다.

• 모빌아이(Mobileye)의 RSS(Responsibility-Sensitive Safety)와 유사한 개념을 도입하여, 신경망의 환각을 억제하고 최소한의 결정론적 안전을 확보한다.42 이를 통해 규제 기관을 설득할 명분을 만든다.

7.3 실패 시나리오: ‘설계 결함’ 판결과 리콜

FSD가 널리 보급된 후, 라이다 부재로 인한 치명적인 사고가 발생하고 법원이 이를 ’설계 결함’으로 판결한다.

• 이는 수백만 대의 차량에 대한 강제 리콜과 징벌적 손해배상으로 이어지며, 테슬라의 존립을 위협하는 트리거가 될 것이다.

요약하자면, 테슬라는 기존 자동차 산업이 쌓아올린 ’문서와 프로세스에 의한 안전(ISO 26262)’을 ’데이터와 결과에 의한 안전’으로 대체하려는 거대한 실험을 진행 중이다. 이 실험에는 중간 지점이 없다. 테슬라는 완벽하게 인간을 초월하여 새로운 표준이 되거나, 아니면 안전 공학을 무시한 대가를 치르고 무너질 것이다. 현재로서는 ’모’를 향해 질주하는 것 외에 다른 선택지는 없다.

8. 참고 자료

1. An overview of taxonomy, legislation, regulations, and standards for …, https://www.apex.ai/post/legislation-standards-taxonomy-overview
2. Assessment of Safety Standards for Automotive Electronic Control …, https://www.nhtsa.gov/sites/nhtsa.gov/files/812285_electronicsreliabilityreport.pdf
3. ISO 26262: The Complete Guide - Spyrosoft, https://spyro-soft.com/blog/automotive/iso-26262
4. A Systematic Approach to Enhancing ISO 26262 With Machine …, https://ieeexplore.ieee.org/iel8/6287639/10380310/10767223.pdf
5. Legal aspects of ISO26262 - IQPC, https://www.iqpc.com/media/1001640/43540.pdf
6. ISO 26262 Functional Safety: Software Architecture Design Guide by …, https://www.hermessol.com/2025/05/23/blog_250503/
7. A Cost-Effective Model-Based Approach for Developing ISO 26262 …, https://qantur.com/wp-content/uploads/2018/01/tp-cost-effective-model-based-approach-developing-iso-26262-compliant-auto-safety-applications.pdf
8. ISO 26262 vs. SOTIF (ISO/PAS 21448): What’s the Difference? | PTC, https://www.ptc.com/en/blogs/alm/iso-26262-vs-sotif-iso-pas-21448-whats-the-difference
9. (PDF) A Systematic Literature Review on Safety of the Intended …, https://www.researchgate.net/publication/391237139_A_Systematic_Literature_Review_on_Safety_of_the_Intended_Functionality_for_Automated_Driving_Systems
10. Safety in ADAS/AD – SOTIF, a risk-based approach - TÜV SÜD, https://www.tuvsud.com/-/jssmedia/global/pdf-files/whitepaper-report-e-books/tuvsud-sotif.pdf
11. ISO/PAS 21448, https://img.auto-testing.net/testingimg/202003/19/071723321.pdf
12. An Analysis of ISO 26262: Using Machine Learning Safely in … - ar5iv, https://ar5iv.labs.arxiv.org/html/1709.02435
13. Certifiability Analysis of Machine Learning Systems for Low-Risk …, https://www.computer.org/csdl/magazine/co/2024/09/10660607/1ZPP3KH6A1O
14. Tesla saves an estimated $114 per car by removing USS - Teslarati, https://www.teslarati.com/tesla-114-removing-uss/
15. Tesla Autopilot - Wikipedia, https://en.wikipedia.org/wiki/Tesla_Autopilot
16. The curious long tail of automated driving: It reads minds but stops …, https://www.researchgate.net/publication/387997832_The_curious_long_tail_of_automated_driving_It_reads_minds_but_stops_too_far_from_the_ticket_machine
17. The FSD V12.4 Paradigm Shift: Unpacking the End-to-End AI …, https://www.teslaacessories.com/blogs/news/the-fsd-v12.4-paradigm-shift-unpacking-the-end-to-end-ai-architecture-impact-on-urban-driving-and-safety-metrics
18. Tesla’s Neural Network Revolution: How Full Self-Driving Replaced …, https://www.fredpope.com/blog/machine-learning/tesla-fsd-12
19. A Method for the Runtime Validation of AI-based Environment … - arXiv, https://arxiv.org/html/2412.16762v1
20. Why Europe Tesla Owners Are Trapped in a ‘Feature Ghetto’, https://www.teslaacessories.com/fr/blogs/news/why-europe-tesla-owners-are-trapped-in-a-‘feature-ghetto’%E2%80%94a-deep-dive-into-fsd-autopilot-and-the-unece-regulatory-maze
21. Full Self-Driving (Supervised) Vehicle Safety Report | Tesla, https://www.tesla.com/fsd/safety
22. (PDF) Validation of automated driving - a structured analysis and …, https://www.researchgate.net/publication/340377137_Validation_of_automated_driving_-_a_structured_analysis_and_survey_of_approaches
23. ECE_TRANS_WP.29_2022_57e.pdf - UNECE, https://unece.org/sites/default/files/2024-03/ECE_TRANS_WP.29_2022_57e.pdf
24. Toward a framework for highly automated vehicle safety validation, https://users.ece.cmu.edu/~koopman/pubs/koopman18_av_safety_validation.pdf
25. Resolving Confusion of Unknowns in Autonomous Vehicles: Types …, https://www.scitepress.org/PublishedPapers/2021/104821/104821.pdf
26. A Reasonable Driver Standard for Automated Vehicle Safety, https://users.ece.cmu.edu/~koopman/pubs/Koopman2023-WAISE-Reasonable-Driver.pdf
27. Tesla bought over $2 million worth of lidar sensors from Luminar this …, https://www.reddit.com/r/SelfDrivingCars/comments/1cmnwts/tesla_bought_over_2_million_worth_of_lidar/
28. Cost of highly safety critical software - Better Embedded System SW, https://betterembsw.blogspot.com/2018/10/cost-of-highly-safety-critical-software.html
29. IMPORTANCE OF SYSTEM ARCHITECTURE AND PLATFORM …, https://www.lynx.com/embedded-systems-learning-center/cost-reducing-rtos-safety-certs
30. Benavides v. Tesla: A Defense-Side Perspective on Florida’s …, https://www.wshblaw.com/publication-benavides-v-tesla-a-defense-side-perspective-on-floridas-landmark-autopilot-verdict
31. Assessing Product Liability for Software Defects in Automated Vehicles, https://scholarship.law.duke.edu/cgi/viewcontent.cgi?article=1322&context=dltr
32. Assessing Design Defectiveness in the Digital Age, https://scholarlycommons.law.emory.edu/cgi/viewcontent.cgi?article=1522&context=elj
33. Autonomous vehicles: The legal landscape in the US, https://www.nortonrosefulbright.com/en-de/knowledge/publications/2951f5ce/autonomous-vehicles-the-legal-landscape-in-the-us
34. Autonomous Vehicles and Liability: What Will Juries Do?, https://www.bu.edu/jostl/files/2020/04/3.-Marchant.pdf
35. Can someone explain why Tesla doesn’t follow the same regulations?, https://www.reddit.com/r/electricvehicles/comments/1edlwt8/can_someone_explain_why_tesla_doesnt_follow_the/
36. Motor Liability Insurance in a World with Autonomous Vehicles - Tuhat, https://tuhat.helsinki.fi/ws/portalfiles/portal/217848049/SL_MF_Motor_Liability_Insurance_in_a_World_with_AVs.pdf
37. JUST STRICT LIABILITY - Cardozo Law Review, https://cardozolawreview.com/wp-content/uploads/2023/02/TILLEY.pdf
38. US Officials Slam Tesla Over ‘Inaction’ on Safety Upgrades, https://www.industryweek.com/operations/safety/article/21179450/us-officials-slam-tesla-over-inaction-on-safety-upgrades
39. NHTSA takes a closer look at Tesla’s FSD - electrive.com, https://www.electrive.com/2025/10/10/nhtsa-takes-a-closer-look-at-teslas-fsd/
40. Waymo vs Tesla: Who is closer to Level 5 Autonomous Driving?, https://www.thinkautonomous.ai/blog/tesla-vs-waymo-two-opposite-visions/
41. From a technical perspective, what are the difference between tesla …, https://www.reddit.com/r/SelfDrivingCars/comments/18rfia9/from_a_technical_perspective_what_are_the/
42. Opinion: Tesla could learn from Mobileye’s approach - Reddit, https://www.reddit.com/r/SelfDrivingCars/comments/15k2qt9/opinion_tesla_could_learn_from_mobileyes_approach/
43. Former Tesla Partner Mobileye Has a Superior and Cheaper FSD …, https://www.autoevolution.com/news/former-tesla-partner-mobileye-has-a-superior-and-9000-cheaper-fsd-beta-alternative-211702.html