당신이 로봇에게 자동차 운전을 가르치고 있다고 상상해 보세요. 당신은 로봇이 어디에서 운전할 수 있는지 아주 쉽게 알려줄 수 있습니다. 예를 들어, 햇빛이 비치는 고속도로에서만 운전할 수 있다거나, 혹은 조용하고 벽으로 둘러싸인 주차장에서만 운전할 수 있다는 식이죠. 이 "허용된 구역"을 운영 설계 영역(Operational Design Domain, ODD)이라고 부릅니다. ODD를 보드게임의 규칙에 비유하자면, 당신이 어떤 칸에 착지할 수 있는지를 알려주는 것과 같습니다. 하지만 여기서 까다로운 문제가 발생합니다. 로봇이 어디에서 놀 수 있는지는 알 수 있지만, 그 게임을 '어떻게' 플레이해야 하는지는 알려주지 않기 때문입니다. 단지 로봇이 고속도로에 갈 수 있다는 사실만으로는, 로봇이 어떻게 안전하게 차선을 변경할지, 인간 운전자에게 어떻게 예의를 갖출지, 혹은 승객의 커피를 쏟지 않고 어떻게 멈출지를 알 수 없습니다.

"우리가 어디까지 갈 수 있는가"와 "그곳에 안전하게 도착하기 위해 실제로 무엇을 해야 하는가" 사이의 이 간극은 엔지니어들에게 엄청난 골칫거리입니다. 만약 자율주행차가 할 수 있어야 하는 모든 일을 명확하게 나열할 수 없다면, 우리는 그것이 안전하다는 것을 어떻게 증명할 수 있을까요? 어떻게 테스트할 수 있을까요? 이 논문은 바로 그 문제를 다룹니다. 이 논문은 로봇이 수행해야 할 구체적인 운전 기술들을 운전 장소별로 분류하여 거대하고 체계적인 체크리스트를 구축하려고 시도합니다. 이를 통해 우리는 마침내 막연한 추측을 멈추고 제대로 된 테스트를 시작할 수 있게 될 것입니다.

위대한 운전 체크리스트

Torc Robotics에서 근무하는 이 논문의 저자들은 자율주행차가 갈 수 있는 '장소'에 대한 훌륭한 지도는 가지고 있지만, 그곳에서 '무엇을 해야 하는지'에 대한 명확한 지도는 놓치고 있다는 사실을 깨달았습니다. 이를 해결하기 위해 그들은 "행동 분류 체계(Behavioral Taxonomy)"를 만들었습니다. 쉽게 말해, 이것은 구조화된 기술 목록을 뜻합니다. 그들은 단순히 무작위로 목록을 만든 것이 아니라, 자동차가 달리는 도로의 유형에 따라 정리된 레시피 북처럼 체계적으로 구축했습니다.

그들은 세상을 세 가지 뚜렷한 구역으로 나누었습니다:

1. 고속도로 (Highway, HWY): 차선이 명확하고 주로 다른 차량들이 다니는 빠른 도로.
2. 도시 (Urban, URB): 교차로, 보행자, 신호등, 그리고 예측 불가능한 사람들이 많은 번잡한 거리.
3. 허브 (Hub, HUB): 창고나 배송 센터처럼 울타리가 쳐진 특수한 구역으로, 자동차가 천천히 움직이며 매우 구체적이고 사적인 규칙을 따르는 곳.

이 세 구역 전체에 걸쳐, 팀은 21가지의 구체적인 행동 역량을 식별했습니다. 이것을 운전자가 숙달해야 할 "동작(moves)"이라고 생각하면 됩니다. 어떤 동작은 "차선 유지하기"나 "빨간불에 멈추기"처럼 단순합니다. 다른 동작은 "비 오는 날 차선 변경하기"나 "좌회전 신호가 없을 때 좌회전하기"와 같이 복잡한 춤과 같습니다.

모든 동작을 위한 네 가지 재료 레시피

이 시스템의 영리한 점은 다음과 같습니다. 저자들은 이 21가지 운전 동작 각각이 동시에 네 가지 서로 다른 목표를 충족해야 한다고 말합니다. 당신이 케이크를 굽고 있는데, 맛도 좋아야 하고, 모양도 예뻐야 하며, 건강에도 좋고, 만드는 비용도 저렴해야 하는 상황을 상상해 보세요. 이 네 가지를 동시에 만족시켜야 합니다. 하나에 너무 집중하면 다른 것들이 희생될 수 있습니다.

자율주행차를 위한 이 네 가지 "재료"는 다음과 같습니다:

• 안전성 (Safety): 자동차는 충돌해서는 안 됩니다. 안전거리를 유지해야 하고, 사람을 치지 않아야 하며, 차체가 부서질 정도로 심하게 흔들려서는 안 됩니다.
• 준수성 (Compliance): 자동차는 법규(속도 제한 등)를 준수해야 할 뿐만 아니라, 도로 위의 암묵적인 규칙(다른 운전자에게 예의를 갖추고 예측 가능하게 행동하는 것 등)도 지켜야 합니다.
• 쾌적함 (Comfort): 승차감이 롤러코스터 같아서는 안 됩니다. 차가 갑자기 덜컥거리거나 급브레이크를 밟는다면, 기술적으로는 안전하더라도 승객은 멀미를 느끼거나 겁을 먹을 수 있습니다.
• 효율성 (Efficiency): 자동차는 주어진 임무를 완수해야 합니다. 주차하는 데 너무 오래 걸리거나, 연료를 낭비하거나, 이동할 수 있음에도 불구하고 대기 줄에 갇혀 있어서는 안 됩니다.

논문은 이 네 가지 목표가 서로 충돌하는 동작들이 가장 어려운 동작이라고 주장합니다. 예를 들어, 너무 안전하게 멈추려고 하다 보면 승차감이 나빠지거나 시간이 낭비될 수 있습니다. 목표는 이 사이의 완벽한 균형을 찾는 것입니다.

동작의 세분화

엔지니어들이 이 목록을 유용하게 사용할 수 있도록, 저자들은 모든 동작을 두 가지 방향으로 나누었습니다:

• 종방향 (Longitudinal): 앞뒤로 움직이는 것 (가속, 감속).
• 횡방향 (Lateral): 옆으로 움직이는 것 (조향, 차선 변경).

어떤 동작은 "앞차 따라가기"(속도만 조절)처럼 한 방향만 필요합니다. 반면, "차선 변경"이나 "좌회전"처럼 자동차가 조향과 가속/감속을 동시에 수행해야 하는 "둘 다(Both)" 해당하는 동작들도 있습니다. 논문은 "둘 다" 해당하는 동작이 가장 까답고 위험하며, 가장 세심한 테스트를 요구한다고 언급합니다.

마법의 공식: 규칙을 테스트로 바꾸기

이 논문에서 가장 흥격적인 부분은 이 목록을 사용하여 테스트를 만드는 방법입니다. 저자들은 21가지 운전 동작 중 하나를 선택해 도로의 특정 조건(예: "비가 오는", "밤인", "보행자가 많은")과 결합하면 하나의 구체적인 **시나리오 패밀리(Scenario Family)**가 만들어진다는 것을 깨달았습니다.

당신에게 "차선 변경"이라고 적힌 카드가 있고, "비", "밤", "교통 체증"이라고 적힌 카드 덱이 있다고 상상해 보세요. 이 카드들을 함께 섞으면 "교통 체증이 심하고 밤에 비가 내리는 상황에서의 차선 변경"이라는 구체적인 테스트가 만들어집니다. 논문은 이 카드들을 수학적으로 조합하여 수천 개의 구체적인 테스트 케이스를 생성하는 방법을 제공합니다. 이는 엔지니어들이 단순히 작동하기를 바라는 것이 아니라, 자동차가 안전하다는 것을 증명하기 위해 정확히 무엇을 테스트해야 하는지 알 수 있게 해줍니다.

빠진 조각: "허브(The Hub)"

고속도로와 도시는 잘 연구되어 있지만, 논문은 큰 사각지대를 지적합니다. 바로 **허브(The Hub)**입니다. 이곳은 배송 트럭과 자동화 창고의 세계입니다. 저자들은 이곳이 매우 다르다는 것을 발견했습니다. 여기서는 단순히 교통법규뿐만 아니라, 창고 소유자가 설정한 특정한 규칙들이 적용됩니다. 또한, 이곳의 자동차들은 종종 인간에게 제어권을 넘기거나 모드를 매우 빈번하게 전환해야 합니다.

논문은 고속도로와 도시에 대한 테스트는 많지만, "허브" 시나리오에 대한 테스트는 거의 전무하다고 제안합니다. 이는 많은 기업이 현재 바로 이 환경에서 자율주행 트럭을 사용하려고 노력하고 있기 때문에 큰 문제입니다. 저자들은 이 로봇들이 실제로 업무를 안전하게 수행할 수 있는지 확인하기 위해 이 영역에 훨씬 더 많은 주의를 기울여야 한다고 주장합니다.

이것이 미래에 의미하는 바

이 논문은 자율주행 안전 문제를 영원히 해결했다고 주장하는 것이 아닙니다. 대신, 새로운 도구를 제안합니다. 즉, 로봇 자동차가 무엇을 해야 하는지에 대해 이야기할 수 있는 구조화되고 조직적인 방식입니다. 21가지 동작 체크리스트를 실세계의 조건들과 결합함으로써, 우리가 마침내 더 나은 테스트를 구축하고 이 자동차들이 도로에 나설 준비가 되었음을 증명할 수 있다고 제안합니다.

저자들은 이것이 토론과 엔지니어링을 위한 출발점이지, 최종적인 법은 아니라고 신중하게 밝히고 있습니다. 그들은 "허브" 영역에 더 많은 연구가 필요하며, 충분히 테스트했는지 측정하는 방법도 여전히 찾아내야 한다는 점을 인정합니다. 하지만 공통된 언어와 명확한 기술 목록을 제공함으로써, 이 논문은 자율주행 안전이라는 혼란스러운 퍼즐을 한 번에 하나의 동작씩 해결 가능한 문제로 바꾸기를 희망하고 있습니다.