자율주행차

자율주행차(autonomous vehicle) 는 사람의 지속적인 조작 없이 주변 환경을 인식하고 스스로 주행할 수 있는 차량을 말한다. 무인차, 자율주행자동차, 셀프드라이빙 카(self-driving car)라고도 불린다. 자율주행차는 카메라, 레이더, 라이다(LiDAR), 초음파 센서 등으로 주변을 감지하고, 감지한 데이터를 소프트웨어로 해석해 경로를 계획하며, 조향·가속·제동을 스스로 제어한다.

자율주행 기술은 승용차뿐 아니라 트럭, 버스, 셔틀, 배송 로봇, 농기계, 광산 장비, 군용 차량 등 다양한 영역에 적용되고 있다. 완전 자율주행의 상용화 시점에 대해서는 여전히 전망이 엇갈리지만, 제한된 지역과 조건에서 운전자 없이 운행하는 로보택시 서비스는 이미 여러 도시에서 상업 운영에 들어갔다.

역사

초기 실험

자동으로 움직이는 차량에 대한 구상은 20세기 초로 거슬러 올라간다. 1939년 뉴욕 세계박람회에서 제너럴 모터스가 선보인 퓨처라마(Futurama) 전시는 도로에 매설된 전자 유도 장치로 차량을 제어하는 미래상을 제시했다. 1950~60년대에는 도로에 매립한 케이블을 따라 주행하는 유도식 차량 실험이 미국과 영국에서 이루어졌다.

1980년대에 들어 차량 스스로 환경을 인식하는 방식이 등장했다. 독일 뮌헨 연방군대학교의 에른스트 딕만스(Ernst Dickmanns) 연구팀은 컴퓨터 비전을 이용한 자율주행 실험차 VaMoRs를 개발했고, 1987년 고속도로에서 시속 90km 이상으로 자율주행에 성공했다. 미국에서는 카네기멜런대학교의 NavLab 프로젝트와 국방고등연구계획국(DARPA)의 자율육상차량(ALV) 사업이 진행됐다.

DARPA 챌린지

현대적 자율주행 연구의 전환점은 DARPA가 개최한 무인차 경주였다. 2004년 첫 그랜드 챌린지에서는 완주 차량이 한 대도 없었으나, 2005년 대회에서는 스탠퍼드대학교의 스탠리(Stanley)를 포함해 다섯 대가 사막 코스를 완주했다. 2007년 어반 챌린지는 교통 규칙과 다른 차량이 존재하는 시가지 환경을 다뤄, 이후 상용 개발의 기술적 토대를 마련했다. 이 대회에 참가한 연구자 상당수가 구글, 우버 등 기업의 자율주행 조직을 이끌게 된다.

상용화 단계

2009년 구글이 자율주행차 프로젝트를 시작했고, 이는 2016년 웨이모(Waymo) 로 분사했다. 2010년대 후반부터 웨이모, GM 크루즈, 바이두 아폴로 고, 죽스(Zoox) 등이 미국·중국의 특정 도시에서 시범 및 상업 운행을 시작했다. 테슬라는 소비자 차량에 오토파일럿과 FSD(Full Self-Driving) 기능을 제공하며 대규모 실도로 데이터를 축적하는 접근을 택했다.

자율주행 단계

국제자동차기술자협회(SAE International)가 정의한 J3016 표준은 자동화 수준을 0에서 5까지 여섯 단계로 구분하며, 국제적으로 널리 통용된다.

• 레벨 0 (비자동화): 운전자가 모든 조작을 수행한다. 전방충돌경고, 차선이탈경고 같은 경고 기능은 이 단계에 포함된다.
• 레벨 1 (운전자 보조): 조향 또는 가감속 중 하나를 시스템이 보조한다. 어댑티브 크루즈 컨트롤, 차선유지보조가 해당한다.
• 레벨 2 (부분 자동화): 조향과 가감속을 동시에 보조하지만, 운전자는 항상 주변을 감시하고 즉시 개입할 준비가 되어 있어야 한다. 현재 시판되는 대부분의 첨단 주행보조 시스템이 여기에 속한다.
• 레벨 3 (조건부 자동화): 특정 조건에서 시스템이 주행을 전담하며, 운전자는 시스템이 요청할 때만 개입한다. 혼잡한 고속도로 등 제한된 상황에서 일부 양산차에 적용됐다.
• 레벨 4 (고도 자동화): 정해진 운행설계영역(ODD) 안에서는 사람의 개입 없이 주행하며, 문제가 생기면 스스로 안전하게 정차한다. 로보택시와 자율 셔틀이 대표적이다.
• 레벨 5 (완전 자동화): 사람이 운전할 수 있는 모든 조건에서 제약 없이 주행한다. 아직 실현되지 않았다.

레벨 2와 레벨 3의 차이는 책임 소재에 있다. 레벨 2에서는 운전자가 계속 주행을 감독하지만, 레벨 3부터는 시스템이 작동하는 동안 주행의 주체가 시스템으로 넘어간다.

기술 구성

센서

• 카메라: 신호등, 표지판, 차선, 보행자 등 시각 정보를 풍부하게 제공하지만 조도와 날씨의 영향을 받는다.
• 레이더(Radar): 전파를 이용해 물체의 거리와 상대속도를 측정한다. 악천후에 강하지만 해상도가 낮다.
• 라이다(LiDAR): 레이저 펄스로 주변을 3차원 점군(point cloud)으로 스캔한다. 정밀한 거리 측정이 가능하나 비용이 높았으며, 최근 고체형(solid-state) 라이다로 단가가 크게 낮아졌다.
• 초음파 센서: 근거리 장애물 감지와 주차 보조에 쓰인다.
• 위성항법(GNSS)과 관성측정장치(IMU): 차량의 절대 위치와 자세를 추정한다.

소프트웨어 파이프라인

일반적인 자율주행 소프트웨어는 다음과 같은 모듈로 구성된다.

1. 인지(Perception): 센서 데이터를 융합해 차량, 보행자, 자전거, 차선, 신호를 검출하고 분류한다.
2. 측위(Localization): 고정밀 지도(HD map)와 센서 정보를 대조해 차선 단위, 때로는 센티미터 단위로 자기 위치를 파악한다.
3. 예측(Prediction): 주변 객체가 앞으로 몇 초간 어떻게 움직일지 추정한다.
4. 계획(Planning): 목적지까지의 경로와 차선 변경, 정지, 양보 등 주행 행동을 결정한다.
5. 제어(Control): 계획된 궤적을 따르도록 조향각, 가속, 제동을 출력한다.

최근에는 이 단계들을 하나의 신경망으로 통합하는 엔드투엔드(end-to-end) 학습 방식과, 대규모 시뮬레이션으로 희귀 상황을 학습시키는 접근이 주목받고 있다.

접근 방식의 차이

업계에는 크게 두 갈래의 전략이 있다. 하나는 라이다와 고정밀 지도를 적극 활용해 제한된 지역에서 높은 신뢰성을 확보한 뒤 영역을 넓히는 방식이고(웨이모, 바이두 등), 다른 하나는 카메라 위주의 저비용 구성으로 다수의 양산차에서 데이터를 모아 범용성을 확보하려는 방식이다(테슬라). 어느 쪽이 더 빠르게 완전 자율주행에 도달할지는 아직 논쟁 중이다.

활용 분야

• 로보택시: 미국 피닉스·샌프란시스코·로스앤젤레스, 중국 우한·베이징 등에서 무인 유상운송 서비스가 운영되고 있다.
• 자율 화물운송: 고속도로 구간의 장거리 트럭 운행은 환경이 단순해 상대적으로 조기 상용화가 기대되는 영역이다.
• 라스트마일 배송: 소형 배송 로봇과 무인 밴이 캠퍼스, 주거 단지 등에서 시험 운영되고 있다.
• 대중교통 셔틀: 저속으로 정해진 노선을 도는 자율 셔틀이 공항, 산업단지에서 쓰인다.
• 산업 현장: 광산의 무인 덤프트럭, 자율 트랙터·콤바인, 항만 무인 야드 트랙터 등은 공공도로보다 통제된 환경이라 이미 상당한 수준으로 상용화됐다.

기대 효과

자율주행이 가져올 이점으로는 다음이 꼽힌다.

• 안전성 향상: 도로 교통사고의 대부분은 운전자 과실에서 비롯되므로, 피로·음주·부주의가 없는 시스템이 사고를 줄일 수 있다는 기대가 있다.
• 이동성 확대: 고령자, 장애인, 운전면허가 없는 사람의 이동 자유가 넓어진다.
• 효율 향상: 차량 간 협조 주행과 정체 완화, 주차 공간 절감, 연료 소비 감소 등이 거론된다.
• 생산성: 이동 시간을 다른 활동에 쓸 수 있게 된다.
• 물류 비용 절감: 운전자 인건비와 휴게 시간 제약이 줄어든다.

과제와 한계

기술적 난제

가장 큰 어려움은 롱테일 문제다. 일상적인 주행의 99%는 비교적 쉽게 처리되지만, 도로 위 돌발 상황, 공사 구간의 임시 수신호, 눈에 덮인 차선, 비닐봉지와 장애물의 구분 같은 드문 사례가 무한히 존재한다. 폭우, 폭설, 짙은 안개, 역광은 센서 성능을 떨어뜨린다.

검증과 안전 입증

시스템이 인간 운전자보다 안전하다는 것을 통계적으로 입증하려면 수억 킬로미터 규모의 주행이 필요하다는 분석이 있다. 이 때문에 시뮬레이션, 시나리오 기반 시험, 형식 검증(formal verification)을 결합한 검증 체계가 연구되고 있다.

보안

네트워크에 연결된 차량은 원격 해킹, 센서 교란(스푸핑), 소프트웨어 공급망 공격의 대상이 될 수 있어 차량 사이버보안 표준(예: UNECE R155, ISO/SAE 21434)이 마련됐다.

윤리와 책임

사고가 불가피한 상황에서 시스템이 어떤 선택을 해야 하는지에 대한 이른바 트롤리 문제가 자주 논의된다. 다만 실무에서는 그러한 극단적 딜레마보다, 사고 발생 시 제조사·소프트웨어 공급사·소유자·탑승자 중 누가 책임을 지는지의 법적 책임 배분이 더 실질적인 쟁점이다.

규제와 법률

1968년 도로교통에 관한 비엔나 협약은 모든 차량에 운전자가 있어야 한다고 규정했으나, 이후 자동화 시스템을 허용하도록 개정됐다. 유엔유럽경제위원회(UNECE)는 레벨 3 자동차로유지시스템(ALKS)에 관한 규정 R157을 채택했다.

국가별로는 미국이 주(州) 단위로 시험·운행 허가 제도를 운영하며, 캘리포니아·애리조나·텍사스 등이 대표적이다. 독일은 2021년 특정 구역에서 레벨 4 차량 운행을 허용하는 법을 제정했고, 일본은 도로교통법 개정으로 레벨 3 및 제한적 레벨 4 운행을 허용했다. 중국은 여러 도시에서 시범운행구역을 지정해 로보택시 상업 운영을 승인했다. 한국은 「자율주행자동차법」에 따라 시범운행지구를 지정하고 임시운행 허가 제도를 운영하고 있다.

안전 기록과 주요 사고

자율주행 개발 과정에서 발생한 사고는 규제와 여론에 큰 영향을 미쳤다. 2018년 미국 애리조나주 템피에서 시험 주행 중이던 우버 차량이 도로를 횡단하던 보행자를 치어 숨지게 한 사고는 자율주행 관련 첫 보행자 사망 사고로 기록됐으며, 미국 국가교통안전위원회(NTSB)는 안전 문화와 운전자 감시 체계의 미비를 지적했다. 부분 자동화 시스템을 과신한 운전자가 관여된 사망 사고들도 여러 차례 보고되어, 운전자 상태 감시 장치의 필요성이 강조됐다. 2023년에는 한 로보택시 사업자가 사고 대응 과정의 문제로 운행 허가가 정지되기도 했다.

사회·경제적 영향

자율주행의 확산은 도시 구조와 노동 시장에 광범위한 영향을 미칠 것으로 전망된다. 주차 수요 감소로 도심 공간이 재편될 수 있고, 차량 공유가 활성화되면 개인 차량 보유가 줄어들 수 있다. 반면 이동 비용이 낮아지면 오히려 통행량과 공차 주행이 늘어 혼잡이 심해질 것이라는 반론도 있다. 운수업 종사자의 일자리 전환, 보험 산업의 구조 변화, 자동차 제조와 소프트웨어 산업의 가치사슬 재편도 주요 쟁점이다.

대중의 인식

여러 설문조사에서 자율주행차에 대한 신뢰는 여전히 낮게 나타난다. 응답자 상당수가 완전 자율주행 차량에 탑승하는 것을 불안해한다고 답했으며, 언론에 보도된 사고는 신뢰도를 크게 떨어뜨리는 것으로 관측된다. 반면 실제로 로보택시를 이용해 본 사람들의 만족도는 상대적으로 높게 보고되어, 경험이 수용성에 큰 영향을 미친다는 점이 시사된다.