💻 computer science

Safety-Centered Scenario Generation for Autonomous Vehicles

이 논문은 도로 기하구조, 교통 참여자, 환경 조건, 인지 불확실성 등을 모델링하여 ISO 26262 안전 요구사항과 HARA 기반의 위험을 추적 가능한 시나리오로 생성하고, 이를 시뮬레이션을 통해 정량적 안전 지표로 평가함으로써 자율주행차의 안전성 검증 효율성을 높이는 프레임워크를 제시합니다.

원저자: Kiruthiga Chandra Shekar, Aliasghar Moj Arab

게시일 2026-03-05

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Kiruthiga Chandra Shekar, Aliasghar Moj Arab

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 자율주행차가 실제 도로에 나가기 전에, 얼마나 안전한지 검증하는 새로운 방법을 소개합니다.

기존 방식이 "운전사들이 직접 차를 몰아보거나, 컴퓨터 시뮬레이션에서 무작위로 상황을 만들어보는 것"이었다면, 이 논문은 **"위험한 상황을 미리 예측해서, AI 가 자동으로 그 상황을 만들어내고 테스트하는 시스템"**을 제안합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

🚗 1. 문제: "운전 시험은 왜 이렇게 힘들까?"

자율주행차를 개발한다는 건, 새로운 운전사 (AI) 를 기르는 일과 같습니다. 하지만 이 운전사는 실수하면 큰 사고가 날 수 있습니다.

현실의 한계: 실제 도로에서 모든 상황을 경험하게 하려면 수백 년을 운전해야 합니다. 비가 오는 날, 보행자가 갑자기 뛰쳐나오는 날, 다른 차가 끼어드는 날 등 '드물지만 위험한 상황 (엣지 케이스)'은 실제로 만나기 어렵기 때문입니다.
기존 시뮬레이션의 문제: 컴퓨터 안에서 테스트를 하더라도, 사람이 일일이 코드를 짜서 상황을 만들다 보니 시간이 너무 오래 걸리고, 중요한 위험 상황을 놓치기 쉽습니다.

🎮 2. 해결책: "위험한 상황을 미리 설계하는 '스마트 감독관'"

이 논문은 **HARA(위험 분석 및 위험 평가)**라는 개념을 AI 에게 가르쳐서, "어떤 상황이 가장 위험할지"를 먼저 분석하게 한 뒤, AI 가 자동으로 그 상황을 만들어내게 합니다.

이를 세 가지 비유로 설명해 볼까요?

🍳 비유 1: "요리사 vs. 자동 조리 로봇"

기존 방식 (수동): 요리사 (개발자) 가 "오늘은 비가 오는 날에 보행자가 뛰어오는 상황을 만들어줘"라고 말하면, 요리사가 일일이 재료를 다듬고 불을 조절합니다. 시간이 걸리고 실수할 수도 있죠.
이 논문의 방식 (AI 자동화): "위험한 상황 (HARA)"을 입력하면, AI 조리 로봇이 "아, 비 오는 날 보행자 급행 상황이라니! 알겠습니다. 비를 뿌리고, 보행자를 태우고, 차를 달리는 코드를 1 초 만에 만들어냅니다."라고 합니다.

🎲 비유 2: "주사위 게임의 모든 경우의 수"

자율주행차 테스트는 주사위를 던지는 것과 비슷합니다.

주사위 5 개: 차 속도, 보행자 속도, 각도, 거리, 등장 시간.
기존 방식: 주사위를 몇 번 던져서 나오는 결과만 봅니다. (중요한 '나쁜 결과'를 놓칠 수 있음)
이 논문의 방식: **모든 주사위 조합 (100% 커버리지)**을 자동으로 계산해서, "이 조합이 가장 위험할 거야"라는 시나리오를 1,000 개 이상 만들어냅니다. 마치 모든 가능한 게임 상황을 미리 플레이해 보는 것입니다.

🛡️ 3. 실험 결과: "가상 도로에서의 1,000 번의 위기"

연구진은 이 시스템을 CARLA라는 유명한 자율주행 시뮬레이터에서 테스트했습니다.

결과: 1,000 번 이상의 시나리오를 2.3 시간 만에 만들었습니다. (기존 수동 방식은 45 시간 걸림!)
성공: AI 가 만든 시나리오에서 자율주행차가 어떻게 반응하는지 측정했습니다.
- "보행자가 갑자기 튀어나오면 차가 얼마나 빨리 멈추는가?"
- "다른 차가 끼어들면 차가 얼마나 빠르게 피하는가?"
- 이 모든 데이터를 수치화해서 **"이 차는 안전하다" 혹은 "여기서 고쳐야 한다"**는 결론을 내렸습니다.

💡 4. 핵심 메시지: "실제 사고를 기다리지 말고, 미리 예방하자"

이 논문의 가장 큰 뜻은 **"실제 도로에서 사고가 나기 전에, 컴퓨터 안에서 모든 위험을 찾아내자"**는 것입니다.

안전 기준: 이 시스템은 ISO 26262(자동차 안전 국제 표준) 에 맞춰, 위험한 상황을 체계적으로 찾아냅니다.
효율성: 사람이 일일이 코드를 짜는 것보다 19 배나 빠르고, 더 다양한 위험 상황을 찾아냅니다.
미래: 이 기술이 발전하면, 자율주행차가 도로에 나올 때 **"이 차는 모든 위험 상황을 통과한 검증된 차"**라는 신뢰를 줄 수 있게 됩니다.

📝 한 줄 요약

"이 논문은 AI 가 위험한 상황을 미리 예측해서 자동으로 만들어내고, 그 속에서 자율주행차가 얼마나 잘 대처하는지 빠르게 검증하는 '가상 안전 훈련소'를 제안합니다."

이처럼 이 기술은 자율주행차가 실제 도로에 나설 때, 우리의 안전을 지키는 보이지 않는 방패가 될 것입니다.

논문 요약: 안전 중심 자율주행 시나리오 생성 프레임워크

이 논문은 자율주행차 (AV) 의 안전 기능을 검증하기 위해 다양하고 매개변수화된 안전-임계 (Safety-Critical) 주행 시나리오를 생성하는 프레임워크를 제안합니다. 제안된 방법은 Hazard Analysis and Risk Assessment (HARA, 위험 분석 및 위험 평가) 와 인공지능 (AI) 기반 코드 생성을 통합하여, CARLA 시뮬레이터 환경에서 확장 가능하고 재현 가능한 테스트를 가능하게 합니다.

1. 문제 제기 (Problem)

자율주행차의 안전성 검증은 다음과 같은 주요 도전 과제에 직면해 있습니다:

시나리오의 복잡성: 다양한 기상 조건, 도로 유형, 다른 도로 사용자와의 상호작용 등 동적인 상황을 처리해야 함.
엣지 케이스 (Edge Case) 테스트의 부재: 드물고 고위험인 시나리오를 현실적으로 식별하고 시뮬레이션하는 것이 어렵습니다.
검증의 한계: 실제 도로 테스트는 비용과 위험이 크며, 기존 시뮬레이션은 현실성 부족이나 시나리오 커버리지의 한계를 가집니다.
데이터 부족: 공개된 데이터 중 자율주행 관련 센서 데이터는 적으며, 고위험 엣지 케이스는 매우 드물게 포함되어 있어 훈련 및 검증에 한계가 있습니다.

2. 방법론 (Methodology)

제안된 프레임워크는 HARA 기반 자연어 시나리오 설명을 AI 코드 생성 모델에 입력하여 실행 가능한 시뮬레이션 코드를 자동 생성하는 구조를 가집니다.

시스템 아키텍처:
- 입력: HARA 분석을 통해 도출된 자연어 시나리오 (시나리오 유형, 행위자, 환경 조건, 트리거 이벤트, 매개변수 범위 등).
- AI 코드 생성: 대규모 언어 모델 (LLM) 을 미세 조정하여 자연어 설명을 CARLA 시뮬레이터와 호환되는 Python 코드로 변환합니다. (행위자 생성, 행동 스크립팅, 센서 구성 등 포함).
- 시뮬레이션 엔진: CARLA 0.9.10 을 사용하며, 헤드리스 (Headless) 모드로 실행하여 그래픽 렌더링 없이 물리 엔진과 센서 시뮬레이션만 수행함으로써 대규모 병렬 테스트를 가능하게 합니다.
- 데이터 분석: 각 시나리오 실행 로그 (CSV) 를 수집하여 TTC(충돌까지 시간), 최소 거리, 충돌 횟수 등 정량적 안전 지표를 계산합니다.
시나리오 커버리지 (Coverage):
- 안전 검증에 중요한 5 가지 핵심 매개변수 (자율주행차 속도, 보행자/자전거 속도, 접근 각도, 초기 거리, 등장 시간) 를 정의하고 이산화된 구간 (Bins) 을 설정했습니다.
- **시나리오 커버리지 지수 (SCI)**를 도입하여 테스트된 매개변수 공간의 완전성을 정량화했습니다.

3. 주요 기여 (Key Contributions)

HARA 와 AI 코드 생성의 통합: 위험 분석 결과를 직접 실행 가능한 시뮬레이션 코드로 변환하는 자동화 파이프라인을 구축하여 수동 코딩의 시간과 오류를 줄였습니다.
확장 가능한 안전 검증 프레임워크: ISO 26262 기능 안전 요구사항 및 HARA 기반의 위험 목표에 추적 가능한 (Traceable) 시나리오를 생성하여 규제 및 이해관계자의 신뢰를 강화합니다.
정량적 안전 지표 체계: TTC, 최소 거리, 제동 성능, 잔류 충돌 심각도 등을 포함한 정량적 지표를 통해 시스템의 한계와 엣지 케이스 취약점을 체계적으로 평가합니다.
고효율 테스트: 기존 수동 및 규칙 기반 생성 방식 대비 시나리오 생성 속도와 다양성을 획기적으로 개선했습니다.

4. 실험 결과 (Results)

CARLA 환경에서 1,000 개 이상의 다양한 시나리오 (S1~S6: 차량 간 회피, 취약 도로 사용자 보호 등) 를 실행하여 검증했습니다.

커버리지: 정의된 5 가지 매개변수 공간에 대해 **100% (SCI = 1.0)**의 커버리지를 달성했습니다. 또한, 고위험 조합에 대한 커버리지 완전성 비율 ( $R_c$ ) 은 **87%**였습니다.
성능 지표:
- 총 1,024 개 시나리오 중 **12.4% (127 건)**의 충돌 발생.
- 평균 최소 TTC(충돌까지 시간): 3.42 초.
- TTC 임계값 (1.2 초 미만) 위반: **33.4%**의 시나리오에서 발생.
- 속도 영향: 자율주행차 속도가 30 km/h 이상일 때 TTC 와 최소 거리가 감소하여 충돌 위험이 증가하는 경향을 보였습니다.
- 각도 영향: 보행자/자전거의 접근 각도가 작을수록 (30~~45 도) 충돌 위험이 높았으며, 수직 접근 (80~~100 도) 이 상대적으로 안전했습니다.
비교 분석 (Baseline Comparison):
- 생성 효율: AI 기반 방식은 1,000 개 시나리오를 2.3 시간에 생성 (수동: 45 시간, 규칙 기반: 8.5 시간 대비 각각 19.6 배, 3.7 배 빠름).
- 다양성: AI 기반은 SCI 1.0 을 달성한 반면, 수동 (0.68) 과 규칙 기반 (0.82) 은 제한적이었습니다.
- 코드 품질: AI 생성 코드의 문법 정확도는 **94.2%**로, 수동 (98.5%) 에 근접하고 규칙 기반 (89.1%) 보다 우수했습니다.
- 엣지 케이스: AI 는 23 개의 고유 엣지 케이스를 식별하여 생성했습니다 (수동: 8 개, 규칙 기반: 12 개).

5. 의의 및 결론 (Significance)

안전 공학의 자동화: HARA 와 시뮬레이션을 연결하여 기능 안전 (Functional Safety) 및 SOTIF (예상치 못한 상황에서의 안전) 검증 프로세스를 자동화하고 가속화합니다.
비용 효율성 및 확장성: 실제 도로 테스트의 위험과 비용을 줄이면서도 광범위한 엣지 케이스를 체계적으로 테스트할 수 있는 확장 가능한 솔루션을 제공합니다.
규제 및 표준 준수: 생성된 시나리오와 정량적 지표는 ISO 26262 및 규제 기관의 안전 인증 요구사항을 충족하는 객관적인 증거 자료로 활용 가능합니다.
향후 방향: 강화학습 기반 안전 에이전트, 적응형 위험 평가, 하드웨어 인 더 루프 (HIL) 평가 등으로의 확장이 가능하며, 자율주행 시스템 설계 및 규제 안전 평가에 중요한 통찰을 제공합니다.

결론적으로, 이 연구는 AI 기반 시나리오 생성과 안전 공학 원칙을 결합하여 자율주행차의 안전성을 보다 효율적이고 체계적으로 검증할 수 있는 강력한 프레임워크를 제시했습니다.