증가하는 요구사항

자율주행이 일상적인 도로 교통의 일부가 될 시기는 아직 명확하지 않습니다. 도전 과제가 방대하고(그림 1) 이를 병행하여 해결해야 하기 때문에 더 길고 점진적인 과정이 될 가능성이 높습니다.

• 높은 소프트웨어 비중: 하드웨어 대비 소프트웨어 비용의 비중이 지속적으로 증가하고 있습니다. ADAS/AD 기능은 대부분 소프트웨어로 구현되며, 소프트웨어 정의 차량(SDV)에 통합되어 업데이트를 통해 고객에게 지속적인 개선을 신속하게 제공합니다.
• 인공지능의 중요성 증가: 소프트웨어 스택의 상당 부분이 AI 기반이 될 것입니다. AI 기반 인지 모듈을 포함하는 모듈형 AD 스택부터 엔드투엔드 비전-언어(VL) 블랙박스 모델, 더 나아가 멀티모달 및 탐색형 비전-언어-액션(VLA) 모델에 이르기까지 다양한 접근 방식이 존재합니다.
• Zonal, HPC 기반 아키텍처: SDV 및 AD 요구사항을 충족하기 위해 차량의 E/E 아키텍처는 특정 기능별로 차량 전반에 분산된 다수의 ECU 구조에서 벗어나, 소수의 강력한 중앙 고성능 컴퓨터(HPC)가 다양한 차량 핵심 기능을 병렬로 처리하고 안전 운행을 위한 이중화까지 보장하는 Zonal ECU 아키텍처로 혁신적으로 전환되고 있습니다.
• 센서 통합 요구 증가: AD 레벨에 따라 차량 센서의 통합 수준이 급격히 증가하며, 특히 카메라의 경우 다양한 전용 인터페이스가 포함됩니다. 레벨 3에서는 최대 30개(카메라 6~8개, 레이더 3~5개, 라이다 최소 1개, 초음파 최대 16개), 레벨 4에서는 40개 이상(카메라 12개, 레이더 10개, 라이다 4개, 초음파 20개)의 센서가 구성될 수 있습니다.

증가하는 검증 부담 관리

이러한 도전 과제의 증가로 인해 자동차 제조업체 및 공급업체의 ADAS/AD 기능 검증 비용은 기하급수적으로 증가할 것으로 예상되며, 향후 몇 년 내에는 많은 경우 전체 개발 비용의 최소 절반을 차지할 것으로 보입니다. 이러한 추세는 차량 제조업체가 점점 더 짧은 주기로 새로운 기능을 차량에 적용해야 한다는 압박으로 더욱 가속화되고 있습니다.

허용 가능한 시간 내에 방대한 테스트를 대응하기 위해서는 검증 및 차량 승인 프로세스에 대한 새로운 접근 방식이 필요합니다. 여기에는 다음과 같은 사항이 포함됩니다.

• Shift-left 테스트: Shift-left 접근 방식에서는 소프트웨어 개발 초기 단계에서 테스트 활동이 수행됩니다. 이는 전통적인 방식에서 디지털 검증 및 호몰로게이션으로의 중대한 전환을 의미합니다. 테스트의 상당 부분과 규정 준수 확보는 실제 주행 테스트에서 벗어나 보다 복잡하지만 훨씬 비용 효율적인 물리 기반 시뮬레이션 환경으로 이동하고 있습니다. ADAS/AD 검증 전략에는 SIL(Software-in-the-loop), HIL(Hardware-in-the-loop)/VIL(Vehicle-in-the-loop), 그리고 플릿 테스트가 포함되며 각각의 특성에 따라 병렬로 운용되고 의도적으로 중첩하여 적용됩니다.
• DevOps 기반 개발: 엔드투엔드 추적성, 지속적 소프트웨어 통합, 배포, 검증, 디지털 호몰로게이션, OTA(Over-The-Air) 업데이트를 포함하는 최적화된 DevOps 기반 개발 프로세스를 통해 소프트웨어를 더욱 빠르고 안정적이며 지속적으로 제공할 수 있습니다.
• 규범 및 ISO 표준 준수: ISO 26262에 따른 기능 안전과 사이버 보안(ISO/SAE 21434) 외에도 SOTIF(ISO 21448)에 따른 위험 기반 안전성 검증에 중점을 두고 있습니다. SOTIF(의도된 기능의 안전성)는 알려지지 않은 위험을 인지되고 제어 가능한 위험 또는 완전히 안전한 상태로 변환하여 허용 가능한 수준으로 낮추는 데 중점을 둡니다. 이는 시나리오 기반 테스트를 통해 수행되며 이러한 테스트는 점점 더 중요해지고 차량 플릿, SIL 및 HIL을 통해 검증 프로세스에 통합되고 있습니다.

ADAS/AD 테스트에서 SIL과 HIL의 역할 분담은 어떻게 이루어질까요?

실제 주행 테스트 대비 높은 확장성과 재현성을 바탕으로 SIL과 HIL은 순차적으로 ADAS/AD 검증의 핵심 구성 요소를 이룹입니다. 클라우드 환경에서 실행되는 SIL 테스트는 최대의 확장성을 제공하며 인지부터 궤적 계획까지의 ADAS/AD 기능 체인 전반의 기능 테스트에 활용됩니다. 테스트 실행은 쉽게 병렬화 및 매개변수화할 수 있어 클라우드 자원의 가용성에 따라 짧은 시간 내에 많은 시나리오를 검증할 수 있습니다.

그러나 실제 조건 기반 시간 특성 모델링 및 실제 하드웨어 에뮬레이션 측면에서는 SIL이 한계에 직면할 수 있습니다. 하드웨어 특성 모델링은 시간이 많이 소요되고 전문 지식이 필요하며, 복잡한 모델을 생성하여 실행 시 테스트 속도를 저하시켜 SIL의 장점을 저해할 수 있습니다. 실제 ECU를 사용하는 HIL 테스트는 이러한 문제를 해결합니다. 또한 HIL 테스트는 ADAS 기능의 Real Time 검증 신뢰성과 시스템 성능 보장 등 여러 가지 장점을 제공합니다(자세한 내용은 그림 3 참조).

따라서 HIL 테스트는 SIL 대비 높은 비용과 복잡성에도 불구하고 ADAS/AD 통합 검증 전략의 핵심 요소로서 앞으로도 중요한 역할을 할 것입니다.

HIL 기반 ADAS/AD 검증의 주요 테스트 접근 방식은 무엇인가요?

HIL 시뮬레이터에서 ADAS/AD를 검증하기 위한 두 가지 대표적인 상호보완적 테스트 접근 방식은 데이터 리플레이(하드웨어 재처리 또는 Open-loop HIL)와 Closed-loop HIL(일반적으로 ADAS HIL 또는 Raw data HIL)입니다. 두 접근 방식 모두 동일한 소스 데이터를 활용하지만 활용 정도는 다릅니다. 소스 데이터는 다음과 같습니다.

• 차량 플릿을 통해 수집된 실제 시나리오
• 예를 들어 비나 눈과 같은 기상 조건 변화를 반영하는 AI 기반 증강 기법 등으로 증강된 실제 시나리오
• 실제 이미지에서 파생되거나 처음부터 생성된 합성 시나리오

이러한 Raw 데이터는 이후 차량에서 사용될 센서 인터페이스(카메라, 레이더, 라이다, 초음파)를 통해 테스트 대상 시스템(SUT)에 전달됩니다. 또한 개발 단계에서는 객체 목록과 같은 부분적으로 해석되거나 추상화된 데이터를 제공하기 위해 임시 DfT(Design for Test) 인터페이스가 자주 사용됩니다. 이는 테스트 작업을 보다 체계적으로 구조화하고 단순화하는 데 기여하며, 인지·센서 융합·계획 알고리즘이 서로 독립적으로 실행되는 모듈형 AD 스택에서 활용됩니다.

데이터 리플레이와 Closed-loop HIL은 각각의 장점과 ADAS/AD 스택 유형에 따라 서로 다른 초점으로 사용됩니다. 데이터 리플레이는 실제 기록 데이터를 활용하는 데 중점을 두기 때문에 주로 인지부터 기능 활성화 단계까지 활용됩니다. 반면 Closed-loop HIL은 계획 및 전통적인 제어 알고리즘에 중점을 두고 전체 기능 체인을 검증할 수 있습니다.

균일한 평가는 어떻게 보장됩니까?

테스트 대상의 성숙도 평가 및 ADAS/AD 기능의 호몰로게이션을 위해서는 테스트 접근 방식(SIL, HIL 또는 플릿 기반 실제 주행)과 테스트 방법(데이터 리플레이, Closed-loop 테스트)에 관계없이 결과를 일관된 방식으로 평가하고 비교할 수 있어야 합니다. 이는 주로 핵심 성과 지표(KPI)를 기반으로 이루어집니다. 이러한 KPI는 기능 책임자가 사전에 정의한 SUT 별 기준으로, SUT의 성능과 견고성 등에 대해 객관적인 평가를 가능하게 합니다.

dSPACE를 통한 효율적인 테스트

HIL 환경에서 ADAS/AD를 검증하기 위해 dSPACE는 센서 데이터의 동기화된 입력 또는 Real Time 물리 기반 센서 시뮬레이션과 같은 요구사항을 충족하는 포괄적인 솔루션을 제공합니다(그림 5). 위에서 소개한 테스트 접근 방식에 대한 보다 자세한 설명과 ADAS/AD 맥락에서의 HIL 검증의 향후 과제에 대한 전망은 본 글의 파트2에서 이어질 예정입니다.