학습 기반 주행 플래너, AI를 안전하게 실제 차량에 적용하다 (2026)

연구진은 학습 기반 행동 플래너를 자율주행 소프트웨어 스택에 통합하고, 제안된 주행 지시가 실제로 주행 가능한지와 안전 제약을 충족하는지를 점검하는 최적화 기반 감독 계층을 결합했다. 실제 도심 주행 데이터로 먼저 검증한 뒤 연구 차량 karl.에서 시험한 결과, 이 시스템은 머신러닝 구성요소 주변에 결정론적 제어를 유지하면서도 데이터로 주행 행동을 개선할 수 있는 실용적인 경로를 보여준다.

연구진은 무엇을 만들었나?

이 프로젝트는 자율주행 차량을 위한 하이브리드 플래닝 아키텍처를 구현했다. 핵심 구성요소는 행동 플래닝을 담당하는 머신러닝 모델이다. 즉, 정해진 규칙의 순서를 단순히 따르는 대신 주변 교통 상황에 맞춰 차량이 어떻게 대응해야 하는지를 결정한다. 최적화 기반 계층은 학습 모델의 출력을 감독하고, 주행 가능성과 제약 조건, 안전성을 만족하는 주행 지시로 변환하도록 돕는다.

이러한 역할 분담은 기존 방식과 엔드투엔드 방식이 각각 안고 있는 실질적인 약점을 보완한다. 탐색·샘플링·최적화 기반 플래너는 제약 조건이 명확하고 동작을 예측하기 쉽지만, 도심에서 상호작용이 늘어날수록 규칙 집합을 유지하기가 어려워진다. 반면 완전 학습 기반 시스템은 주행 데이터로부터 더 쉽게 적응할 수 있지만, 안전 제어와 설명 가능성, 책임성, 교통법규 준수 문제를 여전히 해결해야 한다.

연구진은 모델만 따로 시험하는 데 그치지 않고, 실제 운용 가능한 자율주행 소프트웨어 스택 안에 이 아키텍처를 구현했다. 연구 범위에는 학습 모델과 훈련 파이프라인, 주변 플래닝 모듈, 실제 센서 및 차량 구동계와의 연동, 시스템 타이밍이 포함된다. 일부 플래닝 구성요소는 오픈소스 OpenADS 생태계를 통해 공개되어 다른 로보틱스 및 자율주행 연구팀도 재사용할 수 있도록 했다.

핵심 결과는 무엇이었나?

평가는 두 단계로 진행됐다. 먼저 학습 모델을 독립적으로 평가해 차량 통합에 적합한 후보를 선별했다. 이 오픈루프 평가에서는 실제 도심 주행 데이터를 사용해 예측 정확도, 상호작용 행동, 도메인 전이 성능을 살폈다. 오픈루프 테스트란 평가 중 모델의 결정이 차량을 직접 제어하도록 하지 않고, 기록된 주행 데이터와 비교하는 방식을 뜻한다.

두 번째 단계에서는 선정된 모델을 전체 하이브리드 아키텍처에 연결하고 연구 차량 karl.에서 시연했다. 시험 트랙 실험은 실제 센서와 구동계, 시스템 타이밍 조건에서 모듈들이 작동할 수 있음을 정성적으로 입증했다. 이는 오프라인 모델 점수만 확인하는 것보다 중요한 진전이다. 실제 배포 환경에서는 지연, 측정 잡음, 소프트웨어 인터페이스, 차량의 물리적 거동까지 고려해야 하기 때문이다.

논문에서 제공된 본문은 정량 평가의 범주는 제시하지만, 수치 점수나 데이터셋 규모, 명시된 기준선 대비 개선 폭은 제공하지 않는다. 따라서 현재 가장 확실하게 뒷받침되는 결과는 아키텍처 차원의 성과다. 학습 기반 행동 플래닝이 안전장치를 갖춘 차량 스택 안에서 작동했고, 결정론적 최적화 계층이 출력의 실행 가능성과 제약 조건을 유지하는 역할을 맡았다는 점이다. 더 폭넓은 정량 평가는 향후 과제로 남아 있다.

하이브리드 플래너는 어떻게 작동하나?

이 아키텍처는 차량 주행 지시 문제를 시험과 제어가 더 쉬운 역할로 나눈다. 내비게이션은 차량이 어디로 가야 하는지를 결정한다. 행동 플래닝은 다른 도로 이용자에 대응해 어떤 주행 행동을 선택할지 등 교통 흐름 속에서 차량이 어떻게 상호작용해야 하는지를 판단한다. 이후 궤적 플래닝과 차량 안정화 계층이 이 행동을 차량이 실행할 수 있는 움직임으로 바꾼다.

학습 모듈은 도심 교통에서 가능한 상호작용의 수가 빠르게 늘어나는 행동 플래닝 단계에서 작동한다. 모든 상호작용을 사람이 설계한 규칙으로 일일이 표현하는 대신, 모델은 주행 사례로부터 행동을 학습하며 배포 소프트웨어와 함께 개발된 훈련 파이프라인을 사용한다. 통합할 모델은 실제 주행 기록을 기준으로 평가한 뒤 선정한다.

최적화 기반 감독기는 ML 구성요소를 둘러싼 결정론적 계층을 제공한다. 학습된 행동이 주행 가능성과 안전성에 관한 제약을 만족하는지 확인하고, 나머지 스택이 실행할 수 있는 차량 주행 지시를 생성하도록 지원한다. 핵심적인 엔지니어링 원칙은 머신러닝이 플래너를 대체한다는 것이 아니다. 데이터 기반 행동을 시스템 수준의 요구사항을 강제할 수 있는 구조 안에서 운용한다는 데 있다.

따라서 개발 과정은 다음과 같은 단계로 진행된다.

주행 데이터를 사용해 행동 모델을 훈련한다.
차량을 제어하지 않는 오프라인 환경에서 후보 모델을 평가한다.
자율주행 스택에 통합할 모델을 선정한다.
모델을 최적화 기반 감독 계층에 연결한다.
실제 센서와 구동계, 시스템 타이밍을 포함한 전체 시스템을 시험한다.

이 접근법은 도심 의사결정에서 가장 복잡하고 변동성이 큰 부분은 유연하게 유지하면서, 제약 조건과 안전장치를 담당하는 계층은 예측 가능하게 보존한다. 또한 테스트 경계를 더 명확히 만든다. 모델 자체의 품질과 통합 품질을 따로 측정할 수 있고, 전체 스택의 타이밍과 물리적 실행 성능도 별도로 검증할 수 있다.

이 연구가 로보틱스에 중요한 이유는 무엇인가?

가장 중요한 교훈은 실제 환경에서 작동하는 로봇이 경직된 규칙과 통제되지 않은 머신러닝 중 하나만 선택할 필요는 없다는 점이다. 하이브리드 아키텍처를 사용하면 유연성이 가장 중요한 부분에는 학습 기반 구성요소를 배치하고, 안전성과 인증, 예측 가능한 동작이 중요한 부분에는 결정론적 감독을 유지할 수 있다.

자율주행 차량에서 이러한 설계가 특히 중요한 이유는 도심 교통에 사람이 일일이 규칙으로 표현하기 어려운 드문 상호작용이 많기 때문이다. 데이터 기반 개선은 규칙을 설계할 때 예상하지 못했던 패턴에도 행동 플래너가 대응하도록 도울 수 있다. 동시에 주변의 최적화 계층은 엔지니어가 제약 조건을 강제하고 오류를 분석할 수 있는 명확한 지점을 제공한다.

이와 같은 방식은 도로 차량을 넘어 다양한 분야에 적용된다. 창고 로봇을 도입하는 팀은 복잡한 교통 협상에는 학습 정책을 활용하면서도 속도와 이격 거리, 보호 구역에는 엄격한 제한을 유지할 수 있다. 중고 산업용 로봇을 검토하는 운영자도 비슷한 시스템 설계 문제를 마주한다. 어떤 의사결정을 데이터에 따라 적응하게 할 것인지, 어떤 의사결정은 명시적인 안전 로직으로 통제할 것인지 정해야 하기 때문이다.

OpenADS 공개도 중요하다. 통합 작업은 배포를 가로막는 가장 큰 장벽이면서도 흔히 가장 눈에 띄지 않는 부분이기 때문이다. 노트북 환경에서 성능이 좋은 모델이라도 로봇에서 실제로 유용하게 쓰이려면 인터페이스, 타이밍 보장, 차량 제어 호환성, 반복 가능한 테스트가 필요하다.

어떤 한계와 미해결 과제가 남아 있나?

현재 평가만으로는 복잡한 공공도로 상황 전반에서 완성된 시스템이 어떻게 작동하는지 입증하기 어렵다. 통합 시연은 정성적 수준에 머물러 있고, 본문에서 설명한 모델의 정량 결과에도 수치 지표가 포함되어 있지 않다. 따라서 기존 플래너와 정밀하게 비교하거나 안전성이 얼마나 향상됐는지 명확히 판단할 수 없다.

또한 오픈루프 평가는 피드백 효과를 온전히 포착하지 못한다. 차량의 행동은 주변 교통을 변화시키고, 다른 도로 이용자들은 차량의 행동에 반응한다. 따라서 폐루프 교통 환경에서 플래너를 시험하는 일이 필수적이다.

이 시스템은 아직 공공도로 평가 승인을 받아야 한다. 향후에는 더 다양하고 어려운 시나리오, 폭넓은 정량 평가, 시험 트랙을 넘어선 배포를 중심으로 연구가 진행될 예정이다. 이 밖에도 희귀 사건과 교통 문화의 변화, 센서 고장, 훈련 데이터와 새로운 운용 환경 사이의 분포 변화에 모델이 어떻게 대응할지 역시 해결해야 할 과제다.

자주 묻는 질문

학습 기반 행동 플래너는 어떤 문제를 해결하나? 사람이 작성한 규칙만으로는 모두 다루기 어려운 변동성 높은 도심 주행 상호작용을 처리한다.

이 시스템이 기존 자율주행 플래닝을 대체하나? 아니다. 학습 기반 행동 모듈은 최적화 기반 감독과 안전장치를 포함한 하이브리드 스택 안에서 작동한다.

실제 차량에서 시스템을 시험했나? 그렇다. 통합 모듈은 시험 트랙에서 실제 센서와 구동계, 시스템 타이밍 조건으로 연구 차량 karl.에 시연됐다.

정확도가 얼마나 향상됐는지 수치로 보고됐나? 제공된 본문은 예측 정확도와 상호작용 행동, 도메인 전이에 대한 평가를 언급하지만, 수치 점수나 기준선과의 비교 결과는 제시하지 않는다.

결론은 무엇인가?

이 연구는 학습 기반 자율주행을 실제 환경에 적용하는 실용적인 방식을 보여준다. 머신러닝으로 행동 플래닝을 개선한 뒤, 결정론적 최적화와 안전 중심의 시스템 아키텍처로 이를 둘러싸는 방식이다. 차량 통합 실험은 이 접근법이 오프라인 데이터 평가를 넘어 실제 센서와 소프트웨어 타이밍, 구동계를 활용한 운용 단계로 나아갈 수 있음을 보여준다.