Bridging Simulation and Usability: A User-Friendly Framework for Scenario Generation in CARLA

이 논문은 코딩 지식 없이도 CARLA 시뮬레이션 환경에서 다양한 자율주행 시나리오를 직관적으로 생성하고 관리할 수 있는 그래프 기반의 노코드 프레임워크를 제안하여 시뮬레이션 검증의 접근성을 높이는 방법을 제시합니다.

핵심

🚗 1. 문제: 왜 자율주행차 테스트는 '불가능에 가까운' 일일까?

자율주행차가 길을 나가기 전에 수많은 상황을 겪어봐야 합니다. 하지만 실제 도로에서 모든 상황을 테스트하는 것은 비현실적입니다.

• 비유: 자율주행차가 95% 확률로 인간보다 안전하다는 것을 증명하려면, **2 억 7 천 5 천만 마일 (지구 둘레의 약 1 만 번)**을 사고 없이 달려야 합니다. 이는 마치 한 사람이 태어나서 죽을 때까지 매일 24 시간 내내 운전해야 하는 시간과 같습니다.
• 현실: 실제로 차를 타고 위험한 상황 (예: 갑자기 튀어나온 보행자) 을 만들어 테스트하면 사고가 날 수 있고, 비용도 천문학적으로 듭니다.

그래서 연구자들은 **'가상 현실 (시뮬레이션)'**을 사용합니다. 컴퓨터 안에서 가상의 도로와 차를 만들어 테스트하는 것이죠. 하지만 여기서 또 다른 문제가 생깁니다.

🧱 2. 기존 방식의 한계: "코딩을 할 줄 알아야만 시험지를 만들 수 있다"

기존의 시뮬레이션 도구들은 전문적인 프로그래밍 지식이 없으면 사용할 수 없었습니다.

• 비유: 마치 요리사만 레시피를 쓸 수 있는 고급 주방과 같습니다. 일반인 (정책 입안자, 안전 전문가 등) 이 "비가 오는 날에 어린이가 갑자기 뛰어든 상황을 만들어줘"라고 말하고 싶어도, 직접 파이썬 코드나 XML 같은 복잡한 언어로 레시피를 적어야만 했습니다.
• 결과: 자동차를 잘 아는 전문가들이나 일반인들은 이 도구를 쓸 수 없어, 중요한 안전 검증 과정에 참여하지 못했습니다.

✨ 3. 해결책: "레고 블록처럼 조립하는 '노코드' 시나리오 제작기"

이 논문에서 제안한 것은 코딩 없이도 누구나 쉽게 자율주행 테스트 시나리오를 만들 수 있는 새로운 도구입니다.

🗺️ 핵심 아이디어 1: 지도를 '레고 블록'으로 바꿨다

이 도구의 가장 큰 특징은 지도를 그래프 (Graph) 형태로 표현한다는 점입니다.

• 비유: 복잡한 도로 지도를 레고 블록으로 생각해보세요.
  • 블록 (노드): 차가 멈출 수 있는 곳, 보행자가 설 수 있는 곳.
  • 연결선 (에지): 블록들이 어떻게 연결되어 있는지 (오른쪽, 왼쪽, 직진).
  • 이 도구는 이 레고 블록들을 마우스로 클릭하고 드래그해서 원하는 모양으로 조립할 수 있게 해줍니다. 복잡한 코드를 쓸 필요 없이, "여기에 차를 두고, 저기서 보행자가 나오게 해"라고 직관적으로 설정할 수 있습니다.

🎮 핵심 아이디어 2: '게임 모드'처럼 쉽게 설정

사용자는 다음과 같은 과정을 거칩니다.

1. 지도 고르기: 다양한 도로 지도 (도시, 시골, 복잡한 교차로 등) 중 하나를 고릅니다. 각 지도에는 "이곳은 횡단보도가 5 개 있어요", "신호등이 3 개 있어요" 같은 정보 태그가 붙어 있어 쉽게 선택할 수 있습니다.
2. 관심 지역 (ROI) 정하기: 지도 전체를 다 테스트할 필요 없이, 테스트하고 싶은 특정 구역만 확대해서 선택합니다. 마치 카메라로 특정 구역을 찍어내는 것과 같습니다.
3. 캐릭터 배치하기:
   • 차, 사람, 자전거 등을 원하는 곳에 놓습니다.
   • 날씨와 시간을 바꿉니다. (비, 안개, 밤, 낮 등)
   • 행동 설정: "이 차는 서두르고, 저 사람은 갑자기 뛰쳐나와"라고 설정합니다.
4. 실행하기: '시작' 버튼을 누르면, 바로 **CARLA(자율주행 시뮬레이터)**에서 그 장면이 재생됩니다.

🤖 핵심 아이디어 3: "자동 생성 모드" (AI 가 대신 만들어줌)

사용자가 하나하나 설정하기 귀찮다면, **'자동 생성 모드'**를 켤 수 있습니다.

• 비유: 마치 주사위를 던져서 무작위로 시나리오를 만드는 것입니다.
  • "오늘은 비가 오고, 트럭이 3 대 지나가고, 보행자가 2 명 뛰어든다"는 식으로 무작위 조합을 만들어냅니다.
  • 이렇게 하면 인간이 생각지 못한 **예상치 못한 위험 상황 (Edge Case)**을 수천, 수만 번 자동으로 만들어낼 수 있어, 자율주행차의 안전성을 더 철저히 검증할 수 있습니다.

🎯 4. 이 도구의 장점

1. 누구나 사용 가능: 프로그래밍을 모르는 정책 입안자, 안전 전문가, 학생들도 자율주행 테스트에 참여할 수 있습니다.
2. 직관적: 복잡한 코드 대신 그래픽 인터페이스를 통해 시각적으로 상황을 설계합니다.
3. 실시간 확인: 시나리오를 만들고 바로 시뮬레이터에서 실행해서 결과가 어떻게 나오는지 실시간으로 눈으로 확인할 수 있습니다.
4. AI 와의 연결: 나중에 더 발전시켜 **인공지능 (딥러닝)**이 자동으로 더 똑똑하고 다양한 상황을 만들어내도록 연결할 수도 있습니다.

🏁 결론

이 논문은 "자율주행차의 안전을 검증하는 일"을 소수의 전문가만의 비밀스러운 작업에서, 누구나 참여할 수 있는 열린 작업으로 바꾸는 도구를 개발했다고 말합니다.

마치 복잡한 레시피를 몰라도 스마트폰 앱으로 쉽게 요리를 할 수 있게 된 것처럼, 이 도구를 통해 우리는 더 안전하고 신뢰할 수 있는 자율주행차를 더 빠르고 쉽게 만들 수 있게 될 것입니다.

기술 요약

논문 요약: CARLA 를 위한 사용자 친화적 시나리오 생성 프레임워크

1. 문제 정의 (Problem)

자율주행 차량 (AV) 의 안전성 검증은 필수적이지만, 현실 세계에서의 대규모 테스트는 비용이 많이 들고 시간이 소요되며, 특히 위험한 상황 (사고 등) 을 재현하기에는 윤리적, 법적 제약이 따릅니다. 따라서 시뮬레이션 기반 검증이 필수적인 대안으로 부상하고 있습니다.
그러나 기존 시나리오 생성 도구 (Scenic, OpenSCENARIO 등) 는 다음과 같은 한계가 있습니다:

• 높은 진입 장벽: 프로그래밍 지식이나 복잡한 스크립트 작성 능력이 필요하여 비기술적 전문가 (정책 입안자, 안전 분석가 등) 가 접근하기 어렵습니다.
• 비효율적인 워크플로우: XML 기반의 수동 스크립팅이나 복잡한 문법으로 인해 도메인 지식의 통합이 제한적입니다.
• 딥러닝 통합 부재: 최신 데이터 기반 시나리오 생성 및 행동 생성 방법론과의 원활한 통합이 어렵습니다.

2. 방법론 (Methodology)

저자들은 CARLA 오픈소스 시뮬레이터와 통합된 인터랙티브한 '노코드 (No-code)' 프레임워크를 제안합니다. 이 프레임워크의 핵심 구성 요소는 다음과 같습니다.

• 그래프 기반 시나리오 표현 (Graph-based Representation):

  • 시나리오를 XML 이나 텍스트가 아닌 **방향성 그래프 (Directed Graph)**로 표현합니다.
  • 노드 (Nodes): 도로 위 차량의 스폰 (Spawn) 지점, 교차로, 횡단보도 등.
  • 에지 (Edges): 도로 토폴로지 (후속, 선행, 좌우 관계) 및 보행자의 이동 경로.
  • 이 구조는 시나리오 관리, 자동 생성, 그리고 딥러닝 모델 (트래젝토리 예측, 클러스터링 등) 과의 통합을 용이하게 합니다.

• 데이터 관리 및 맵 통합:

  • OpenDRIVE 포맷을 기반으로 고해상도 지도를 처리하여 차선, 신호등, 속도 제한 등의 시맨틱 메타데이터를 추출합니다.
  • 추출된 데이터는 경량의 JSON 파일로 직렬화되어 오프라인에서도 빠른 접근이 가능하며, CARLA 의 NPC(Non-Player Character) 블루프린트 및 환경 preset(날씨, 시간) 을 자동으로 로드합니다.

• 관심 영역 (ROI) 선택 및 확장:

  • 사용자는 지도에서 초기 관심 영역 (ROI) 을 선택할 수 있으며, 이는 연결된 서브그래프 (Subgraph) 를 단계적으로 확장하여 정의됩니다.
  • 이를 통해 국소적인 위험 상황 (예: 급정거, 보행자 횡단) 과 광범위한 주행 시나리오를 모두 정의할 수 있습니다.
  • 보행자 이동을 모델링하기 위해 **무방향 그래프 (Undirected Graph)**를 별도로 구성하여 보행자의 유연한 움직임을 반영합니다.

• 시나리오 구성 및 자동화:

  • 수동 모드: 사용자가 날씨, 시간대, 차량/보행자 유형, 스폰 지점, 목표 지점, 속도, 차선 편차 등을 GUI 를 통해 직관적으로 설정합니다.
  • 자동 모드: 파라미터 (차량 유형, 행동, 환경 조건 등) 를 무작위 샘플링하여 대규모의 다양한 테스트 데이터셋을 자동으로 생성합니다.
  • 생성된 시나리오 그래프는 CARLA 의 Traffic Manager 와 Walker AI 모듈을 통해 실시간으로 실행됩니다.

3. 주요 기여 (Key Contributions)

1. 접근성 향상: 프로그래밍 지식이 없는 도메인 전문가도 GUI 를 통해 복잡한 자율주행 시나리오를 직관적으로 생성, 수정, 실행할 수 있게 합니다.
2. 그래프 기반 아키텍처: 시나리오를 구조화된 그래프로 표현하여 수동 관리의 효율성을 높일 뿐만 아니라, 딥러닝 기반의 시나리오/행동 생성 알고리즘과의 통합을 용이하게 합니다.
3. 유연한 ROI 관리: 지도의 토폴로지를 기반으로 한 인터랙티브한 ROI 선택 및 확장 메커니즘을 통해 다양한 규모의 시나리오를 체계적으로 정의합니다.
4. 실시간 피드백: 시뮬레이션 실행 중 프레임워크 내에서 조류의 눈 (Bird's-eye view) 으로 실시간 영상을 스트리밍하여 설계와 실행 간의 불일치를 즉시 확인하고 디버깅할 수 있게 합니다.

4. 결과 (Results)

• 시각적 및 행동적 일관성: 제안된 프레임워크에서 설계된 시나리오 (주간/야간, 다양한 날씨 조건) 가 CARLA 시뮬레이터에서 정확하게 실행됨을 확인했습니다.
• 사용성 검증: 복잡한 스크립트 작성 없이도 사용자가 차량, 보행자, 환경 조건을 쉽게 구성하고 실행할 수 있음을 시연했습니다.
• 효율성: 오프라인 데이터 처리와 직렬화된 JSON 포맷을 통해 시나리오 설계 속도를 높이고 시스템 리소스 소비를 줄였습니다.

5. 의의 및 향후 전망 (Significance & Future Work)

• 의의: 이 프레임워크는 자율주행 검증 프로세스의 민주화를 촉진합니다. 기술적 장벽을 낮춤으로써 정책 입안자, 안전 분석가, 엔지니어 등 다양한 이해관계자가 시나리오 설계에 참여할 수 있게 하여, 실제 도로 환경과 더 밀접한 검증이 가능해집니다. 또한, 그래프 기반 구조는 데이터 기반 (Deep Learning) 검증 방법론과의 융합을 위한 표준적인 인터페이스를 제공합니다.
• 향후 작업:
  • 실제 도로 교통 데이터 (Real-world traffic data) 를 통합하여 시나리오의 현실성을 높일 계획입니다.
  • 휴리스틱 (Heuristic) 이나 학습 기반 방법을 도입하여 시나리오의 다양성, 현실성, 그리고 커버리지 (Coverage) 를 더욱 개선할 예정입니다.

이 연구는 자율주행 시스템의 안전성 검증을 위한 시뮬레이션 워크플로우를 단순화하고, 보다 포괄적이고 효율적인 검증 환경을 구축하는 데 중요한 기여를 합니다.