실제 도로는 이미 어디에서 사고가 발생하는지를 보여주고 있습니다. 중요한 것은 그 데이터를 얼마나 효과적으로 테스트에 활용하느냐입니다.

1975년 이후 미국 공공도로에서 발생한 모든 사망 사고는 기록으로 남아 있습니다. 여기에는 사고 당시의 환경과 도로 유형, 주행 속도, 사고 관련자, 그리고 충돌 직전 몇 초 동안 어떤 일이 있었는지까지 모두 포함되어 있습니다.미국 도로교통안전국(The National Highway Traffic Safety Administration’s, NHTSA)의 교통사망사고 분석 시스템(Fatality Analysis Reporting System, FARS)은 지난 50년 동안 이러한 데이터를 묵묵히 추적해 왔습니다. 100만 건이 넘는 사고 데이터에서 누구나 활용할 수 있는 공개 데이터까지 축적되어 있지만 이러한 데이터들은 아직까지 자율주행차 산업에서는 충분히 활용되지 않고 있습니다.

이 데이터는 합성 데이터가 아닙니다. 바로 그 점이 중요합니다.

합성 시뮬레이션은 엣지 케이스를 발굴하고 테스트용 데이터셋을 생성하는 데 효과적인 툴입니다. 하지만 합성 데이터셋은 본질적으로 이를 설계한 엔지니어의 가정에 기반합니다. 그렇다면 실제 도로에서 발생한 사고 데이터를 함께 활용한다면 어떨까요?

이 사고 데이터베이스는 실제 도로에서 발생한 다양한 주행 환경을 고스란히 담고 있습니다. 한밤중의 지방 국도부터 하교 시간대의 도심 교차로, 비와 안개가 낀 고속도로 진입로까지 미국 전역에서 발생한 실제 주행 환경이 포함되어 있습니다. 이러한 다양성을 완벽하게 재현한 합성 데이터셋은 사실상 존재하지 않습니다.

각 사고 기록에는 자율주행 시스템 개발에 활용할 수 있는 다양한 정보가 담겨 있습니다. 도로 형상과 주행 속도, 조명 환경, 기상 및 노면 상태는 물론, 사고 유형과 보행자·자전거 이용자·동물의 존재 여부까지 상세하게 기록되어 있습니다. 각각의 기록은 실제 도로에서 발생한 하나의 실패 사례이며, 바로 이러한 실패 사례를 재현하고 검증하기 위해 시뮬레이션이 존재합니다.

요구사항을 기반으로 설계한 시나리오에 실제 사고에서 도출한 시나리오를 더하면, 자율주행 시스템의 검증 범위를 한층 넓힐 수 있습니다. 요구사항 기반 시나리오와 실제 사고 기반 시나리오를 함께 활용하는 것은 더욱 안전하고 신뢰할 수 있는 자율주행 시스템을 개발하기 위한 강력한 접근 방식입니다.

위험은 모든 상황에서 동일한 빈도로 발생하지 않습니다. 테스트 역시 이러한 현실을 반영해야 합니다.

데이터는 자율주행 시스템을 어떻게 테스트해야 하는지에 대한 중요한 시사점을 제공합니다.

후방 추돌은 다중 차량이 연루된 교통사망사고의 약 6건 중 1건을 차지하는 대표적인 사고 유형입니다. 동시에, 충분히 예방 가능한 사고이기도 합니다. 안전거리 유지와 감속 예측, 끼어들기 차량 인식은 이미 잘 알려진 기술 과제입니다. 그럼에도 사고는 계속 발생하고 있으며, 이는 이러한 문제가 아직 완전히 해결되지 않았음을 보여줍니다.

단독 차량 교통사망사고에서는 도로 이탈 사고의 비중이 가장 높습니다. 차선 유지 실패나 장애물을 피하는 과정에서 발생하는 조향 오류, 그리고 도로 가장자리 이탈은 특히 고속으로 주행하는 지방도로에서 치명적인 사고로 이어지는 경우가 많습니다.

교차 경로 사고는 흔히 ‘T자형(T-bone) 충돌’로 불리는 유형입니다. 교차 차량을 정확하게 인식하고 복잡한 교차로를 안전하게 통과하는 일은 지금도 도심 자율주행에서 가장 어려운 과제 중 하나입니다. 실제 교통사망사고 데이터 역시 이러한 현실을 그대로 보여줍니다.

우리는 이미 방대한 실제 사고 데이터와 이를 활용할 수 있는 기술을 갖추고 있습니다. 이제 중요한 것은 이 둘을 함께 활용하는 것입니다. 실제 사고 데이터를 기반으로 테스트 전략을 고도화하면 더 안전하고 신뢰할 수 있는 피지컬 AI 시스템을 개발할 수 있으며, 궁극적으로 더 많은 생명을 지킬 수 있습니다. FARS와 같은 교통사망사고 데이터베이스는 우리가 어떤 위험에 우선적으로 대응해야 하는지를 알려주는 중요한 기준이 됩니다.

교통약자(VRU): 데이터는 더 정밀한 대응을 가능하게 합니다.

모든 교통약자(Vulnerable Road Users, VRU) 가 동일한 위험에 노출되는 것은 아닙니다. 실제 사고 데이터는 위험이 특정 조건에 집중된다는 사실을 보여줍니다.

보행자와 자전거 이용자가 연루된 교통사망사고는 연령대와 시간대, 조명 환경 등 특정 조건에서 반복적으로 발생합니다. 이러한 패턴을 테스트에 반영하면 ADAS와 자율주행 시스템의 검증 범위를 실제 위험에 맞춰 더욱 정교하게 설계할 수 있습니다.

고령 보행자(65세 이상)는 낮 시간대, 차량이 중간 속도로 주행하는 도로 횡단 상황에서 발생하는 사고에서 높은 비중을 차지합니다. 이는 센서의 감지 범위 한계에서 비롯된 인식 문제가 아닙니다. 충분한 조명 환경에서 보행자의 양보 여부와 이동 의도를 예측하는 문제입니다.

어린이는 늦은 오후 시간대의 주택가에서 발생하는 사고에서 높은 비중을 차지합니다. 낮은 신체 높이, 예측하기 어려운 움직임, 그리고 주변 환경의 다양한 장애물은 차량 속도가 낮더라도 이 상황을 매우 까다로운 객체 인식 시나리오로 만듭니다.

자전거 이용자는 차량이 뒤에서 추월하는 상황에서 가장 큰 위험에 노출됩니다. 이는 자전거 이용자가 사망한 사고 유형 가운데 가장 큰 비중을 차지하며, 측면 충돌과 교차 충돌이 그 뒤를 잇습니다. 이러한 사고는 낮과 밤 모두 발생하지만, 주로 제한속도가 높은 간선도로에서 집중됩니다. 두 유형 모두 충분히 감지 가능한 상황이지만, 이를 놓칠 경우 치명적인 결과로 이어질 수 있음이 이미 입증되었습니다.

사고 기록에서 요구사항까지: 파라미터 기반 재구성

각 사고 기록에는 하나의 시뮬레이션 시나리오를 재현하는 데 필요한 정보가 담겨 있습니다. 자차의 주행 속도와 도로 유형, 조명 환경, 기상 조건, 그리고 사고에 관련된 차량과 보행자 등 주변 객체의 구성까지 상세하게 기록되어 있습니다.

이러한 정보를 기반으로 사고를 파라미터화하면 실제 사고를 시뮬레이션 시나리오로 재구성할 수 있습니다. 여기에 AI와 자동화 기술을 적용하면 이 과정을 대규모로 확장해 방대한 테스트 시나리오를 효율적으로 생성할 수 있습니다.

실제 사고 메타데이터를 활용하면 테스트의 기준도 달라집니다. 이제는 ‘가상의 상황에 대응할 수 있는가?’를 넘어, ‘실제로 발생했던 사고를 안전하게 회피할 수 있는가?’를 검증할 수 있습니다.

중요한 것은 시스템이 이상적인 환경에서 얼마나 잘 작동하는지가 아닙니다. 실제 사고를 재구성한 시나리오에서 당시 운전자와는 다른 결과, 즉 사고를 예방하거나 피해를 줄일 수 있었는지를 평가하는 것입니다.

또한 하나의 실제 사고는 수천 개의 변형 시나리오를 생성하는 출발점이 될 수 있습니다. 차량의 속도를 조금 높이거나 낮추고, 보행자의 이동 속도를 바꾸거나, 기상 조건과 조명 환경을 변경하는 등 다양한 변수를 조합해 시스템의 성능을 폭넓게 검증할 수 있습니다.

검증 체계의 완성: 데이터 기반 검증

Applied Intuition은 이러한 접근 방식을 바탕으로 플랫폼을 구축했습니다. 우리는 교통사망사고 데이터베이스를 단순히 과거를 기록한 자료가 아니라, 미래를 설계하기 위한 청사진으로 활용합니다. 실제 사고에서 확인된 실패 사례를 플랫폼에 반영함으로써, 엔지니어는 경험이나 가정에 의존한 합성 시나리오를 넘어 보다 현실적인 테스트를 수행할 수 있습니다.

궁극적인 목표는 실제 사고 데이터를 활용해 위험이 집중되는 영역과 기존 테스트 라이브러리에서 충분히 다뤄지지 않은 실패 사례를 식별하는 것입니다. 이를 통해 시뮬레이션 프로그램이 실제 도로에서 나타나는 위험 분포를 충실히 반영하는 동시에, 파라미터 기반 시뮬레이션으로 드물게 발생하는 ‘롱테일(Long Tail)’ 시나리오까지 효과적으로 확장할 수 있도록 지원합니다.

문제는 ‘혹시’가 아니라 ‘언제’입니다.

미국에서 운행되는 자율주행차는 언젠가 늦은 오후 주택가 도로를 건너는 어린이를 만나게 될 것입니다. 조명이 없는 간선도로에서 자전거 이용자를 만나게 될 것이고, 어두운 고속도로에서는 정차한 차량과 마주하게 될 것입니다. 교통사망사고 데이터베이스는 이러한 상황을 단순히 예측하는 데 그치지 않습니다. 이러한 사고는 이미 수천 차례 발생했으며, 그 당시의 조건까지도 정확하게 기록하고 있습니다.

도로는 이미 우리에게 답을 알려주고 있습니다. 패턴은 분명하며, 데이터는 이미 준비되어 있습니다. 과거의 교통사망사고를 외면한 채 자율주행의 미래를 만들어 간다면, 더 많은 생명을 지킬 수 있는 기회를 놓치는 것입니다. 이제는 무엇이 위험한지 추측하는 데서 벗어나, 지난 50년 동안 도로가 우리에게 전해 온 이야기에 귀 기울여야 할 때입니다.

Applied Intuition의 사명은 업계가 안전하고 지능적인 기계를 세상에 선보일 수 있도록 지원하는 것입니다. 이러한 접근 방식은 Applied Intuition의 자율주행 프로그램뿐만 아니라 모든 고객을 위해 구축되었습니다. Applied Intuition과 고객 모두가 더 안전한 도로와 더 나은 미래를 만든다는 하나의 목표를 공유하고 있기 때문입니다.