격차 해소: 자율주행차 안전을 위한 더 스마트한 ODD 적용 범위

운행 설계 영역(ODD)은 자율주행차가 안전하게 주행할 수 있는 정확한 조건 집합을 정의합니다. 여기에는 기상 조건, 조명, 도로 유형, 속도 제한 등이 포함됩니다. ODD는 자율주행차 기술 검증 및 확인의 핵심 개념으로, 엔지니어에게 시스템 성능과 안전 보증을 위한 명확한 경계를 제공합니다.

이전 블로그 글에서 Applied Intuition은 ASAM OpenODD 및 Pegasus와 같은 표준 인사이트를 활용하고 실제 테스트에서 얻은 교훈을 통해 팀이 ODD를 생성하고 개선하는 방법을 설명했습니다. 해당 블로그에서는 ODD가 정적이지 않으며, 새로운 데이터가 수집되고 예상치 못한 사건이 발생함에 따라 ODD는 현실 세계의 변화에 발맞춰 진화해야 한다고 강조했습니다. 각 업데이트는 일상 주행의 복잡성과 자율주행차가 마주할 운영 현실을 포착하는 데 한 걸음 더 다가서게 합니다.

그러나 ODD 정의는 시작에 불과합니다. 자율주행차 테스트 과정에서는 중요한 과제가 발생합니다: ODD 내 모든 핵심 시나리오가 실제로 포괄되었는지 확인하고, 테스트가 충분한 시점을 파악하는 것입니다. 이는 두 가지 중요한 질문을 제기합니다:

• “어디를 더 테스트해야 할까?”
• “언제 테스트가 충분한가?”

이러한 질문들은 ODD 커버리지 분석의 핵심이며, 이번 블로그에서 좀 더 자세하게 다룰 될 것입니다.

ODD 커버리지 분석 이해

ODD 커버리지 분석은 자율주행차 테스트가 ODD에 정의된 조건과 상황을 얼마나 철저하게 탐색했는지 평가하는 프로세스입니다. 단순히 차량의 작동 위치를 나열하는 것을 넘어, 시스템이 모든 상황에서 실제로 검증되었는지 확인합니다. 이 분석은 안전에 매우 중요합니다. 일반적인 상황뿐만 아니라 ODD의 경계 조건 및 코너 조건에서도 차량이 예상대로 작동하는지 확인하는 데 도움이 됩니다.

효과적인 ODD 커버리지 분석은 일회적인 수행이 아닌 순환적인 과정입니다. 엔지니어는 실제 주행, 시뮬레이션 또는 폐쇄 트랙 테스트의 각 라운드에서 생성되는 데이터를 검토하여 커버리지 갭이나 테스트되지 않은 속성 및 조건의 조합을 파악합니다. ODD가 발전함에 따라 커버리지 분석의 초점도 변화하여 새로운 테스트 캠페인과 개선이 필요합니다. 이러한 지속적인 순환을 통해 팀은 환경, 규정 또는 시스템 기능의 변화에 ​​따라 적응할 수 있습니다.

이 프로세스의 핵심은 실제 주행에 대한 디지털 기록인 주행 기록과 시뮬레이션 주행입니다. 이러한 기록에 날씨, 조명, 도로 형상, 주변 환경 등의 ODD 속성을 태그함으로써 팀은 ODD의 어떤 부분이 검토되었고 어떤 부분이 검토되지 않았는지 파악할 수 있습니다. 이러한 데이터 기반 접근 방식은 향후 테스트 및 분석의 우선순위를 정하는 데 있어 현명하고 집중적인 의사 결정을 내릴 수 있는 기반을 제공하여 포괄적이고 방어 가능한 안전 사례를 보장합니다.

ODD 커버리지 확장

커버리지 갭 파악

ODD 커버리지 분석이 시작되면 가장 먼저 해야 할 일은 테스트의 부족한 부분을 파악하는 것입니다. ODD 속성의 "조합 공간", 즉 비 오는 날 밤의 도시 교차로나 맑은 날의 시골 고속도로와 트럭 교통량이 많은 지역과 같은 조합에서 갭이 발생합니다. 이러한 갭은 태그가 지정된 주행 로그와 시뮬레이션 결과를 전체 ODD 정의와 교차 참조하면 확인할 수 있습니다. 대시보드 툴과 사용자 정의 가능한 보고서를 통해 ODD의 어떤 부분에 데이터가 누락되었거나 사례가 희소한지 쉽게 파악할 수 있습니다.

‍

‍

통계 및 데이터 기반 검토는 매우 중요합니다. 주행 데이터가 드물거나 특이한 조합을 포괄하지 못하는 경우, 팀은 테스트 커버리지의 "갭"을 의도적으로 메우도록 설계된 시뮬레이션 상황인 합성 시나리오를 사용할 수 있습니다. 이러한 접근 방식은 일반적인 상황뿐만 아니라 드문 이벤트의 '롱테일'에서도 시스템의 견고성을 보장합니다. 분석되는 일반적인 ODD 속성에는 날씨, 시간대, 행위자 유형(예: 트럭, 자전거 운전자, 보행자)이 포함되지만, 많은 프로그램에서는 도로 형상, 교통량, 공사와 같은 일시적인 이벤트도 추적합니다.

적용 범위 확장을 위한 통계적 방법

차량 속도, 조도, 온도와 같이 연속적인 속성의 경우 모든 값을 테스트하는 것은 불가능합니다. 대신, 값을 대표적인 그룹으로 분류합니다. 예를 들어, 차량 속도를 저속, 중속, 고속으로 이산화할 수 있습니다. 그런 다음 팀은 통계적 신뢰 구간을 사용할 수 있습니다. 이는 테스트된 사례의 샘플링을 기반으로 전반적인 안전성과 성능을 추정하는 수학적 도구입니다. 이를 통해 엔지니어는 제한된 테스트 데이터를 사용하여 테스트되지 않았지만 유사한 시나리오에서 시스템이 어떻게 동작할지 추론하고, 유한한 시간 내에 무한히 많은 시나리오를 다룰 수 있습니다.

지속적인 개선은 이러한 차이를 정기적으로 재검토하고 개선하는 것을 의미합니다. 새로운 도로 데이터와 테스트 결과가 유입됨에 따라 분석 루프가 반복되어 ODD의 모든 관련 영역이 검토되었다는 확신을 점진적으로 강화합니다.

언제 테스트가 충분한지 판단하기

언제 테스트가 충분한지 판단하는 것은 기술적, 전략적 과제입니다. 시간, 비용, 자원에 대한 현실적인 제약을 고려할 때, ODD를 100% 커버하는 것은 거의 불가능하거나 필수적인 경우가 아닙니다. 따라서 팀은 위험 평가 및 다양한 ODD 세그먼트의 중요성을 고려하여 테스트의 완전성과 실질적인 실행 가능성 간의 균형을 유지합니다.

NCAP 표준 및 시나리오 기반 안전 프레임워크와 같은 규제 벤치마크는 "충분함"의 기준을 형성하는 데 중요한 역할을 합니다. 이러한 벤치마크는 커버리지 및 성능에 대한 최소 기대치를 정의하고, 내부 안전 사례 및 규제 승인을 위한 체계를 제공합니다. 그러나 진정한 완전성은 단순히 체크박스를 확인하는 것 이상의 의미를 지닙니다. 커버리지 결정이 실제 위험 및 운영 요구 사항에 어떻게 부합하는지에 대한 신중한 근거를 요구합니다.

업계 관행 vs. 표준

업계 관행과 공식 표준 사이에는 실질적인 차이가 있습니다. 페가수스와 같은 프레임워크는 ODD 정의 및 시나리오 선택을 위한 체계적인 계층을 제공하지만, 특정 변수를 얼마나 심층적으로 분석해야 하는지, 보행자 이동 방식과 같은 행동을 ODD 자체에 포함해야 하는지 여부는 명시하지 않는 경우가 많습니다. 실제로 많은 조직이 표준을 조정하여 비즈니스 모델, 지역 또는 차량 설계에 맞는 속성과 행동 고려 사항을 추가합니다. 예를 들어, 어떤 프로젝트는 행위자 행동을 핵심 ODD 속성으로 취급하는 반면, 다른 프로젝트는 주로 정적인 환경 조건에 초점을 맞춥니다.

이러한 단절은 유연한 도구와 워크플로의 필요성을 강조합니다. 업계는 여전히 모범 사례를 향해 발전하고 있으며, 안전은 고정된 체크리스트가 아니라 상황에 따라 유연하게 대처할 수 있는 목표입니다.

Applied Intuition의 접근 방식

Applied Intuition의 솔루션은 이러한 다양성과 변화의 환경에 맞춰 설계되었습니다. 검증 툴셋 모듈은 팀에게 ODD를 임의적으로 세부적으로 정의하고, ODD 분류법을 가져오거나 업데이트하고, 사용자 친화적인 대시보드와 고급 데이터 과학 노트북을 사용하여 커버리지를 분석할 수 있는 기능을 제공합니다.

주행 데이터 및 시뮬레이션 아티팩트에는 환경 세부 정보, 도로 특징, 심지어 프로그램에서 요구하는 경우 액터 행동까지 포함한 정확한 ODD 속성으로 자동 또는 수동으로 태그를 지정할 수 있습니다. 커버리지 분석은 사용자 정의가 가능합니다. 팀은 간단한 매트릭스 검사, 심층 통계 분석 또는 고위험 조합에 대한 맞춤형 보고서를 실행할 수 있습니다.

Applied Intuition은 광범위한 업계 경험을 바탕으로 몇 가지 모범 사례를 권장합니다.

• 날씨, 조명, 취약한 도로 사용자와 같이 안전에 가장 중요한 속성부터 시작하기
• 시스템 및 ODD 정의가 발전함에 따라 정기적으로 커버리지를 재분석하고 확장하기
• 가능한 경우, 차량 로그에 나타나지 않을 가능성이 높은 드문 조합이나 극단적인 사례를 보완하기 위해 합성 시나리오를 활용하기
• 투명성을 최우선으로 고려하십시오. 커버리지 결정 과정을 문서화하고 이를 규제 또는 비즈니스 요구 사항과 직접 연결하기
• 신뢰 구간과 통계적 표본 추출을 현명하게 사용하고, 가장 위험하거나 규제 감시가 필요한 영역에 대한 세부적인 탐색을 남겨두기

ODD 커버리지 분석은 안전하고 신뢰할 수 있는 자율주행차 개발의 핵심입니다. 격차를 파악하고, 통계적 및 합성적 방법을 활용하며, 테스트 프로그램을 지속적으로 개선함으로써 팀은 실제 복잡성과 규제 요구 사항을 충족하는 견고한 안전 사례를 구축할 수 있습니다. Applied Intuition 툴은는 이 여정의 모든 단계를 지원하도록 설계되어 팀이 "테스트를 완료했는가?"뿐만 아니라 "시스템이 진정으로 준비되었는가?"라는 질문에 대한 답을 찾을 수 있도록 지원합니다.

ODD 커버리지 분석에 대한 더욱 스마트하고 명확한 접근 방식을 위한 검증 툴 세트 및 인사이트 모듈을 살펴보세요. 

‍