현재 성장 산업에서 가장 큰 성장률이 기대되는 산업 군 중에서 자동 운전 산업을 공부해서 봅니다.CES마다 단골로 나오는 주제인 국내보다 해외에서 더 많은 실력자가 있지만 국내에서도 숨겨지고 있는 실력자를 발굴하고 보자는 취지로 산업에서 조사할 예정입니다.2024 CES 삼정KPMG 자료상기의 삼정 KPMG자료를 보면, 이동성 자체도 중요하지만 인포테인먼트 인프라와 연동, 코넥티비티도 중요하다고 했다.종래는 자동 운전 차 자체에 초점을 맞췄다면 지금은 그것을 넘는 사용자의 입장에서 나올 법한 산업 or기술이 나오고 있다.모 빌러티의 분은 이런 분위기에서 나온 지 오래 됐다.여하튼 이런 맥락에서 자동 운전 산업 전반을 조사하고 보고 더 실력 있는 국내 기업도 공부하려구.*산업 분석의 흐름*1. 자동 운전의 개념과 핵심 기술 2. 하드웨어(전 장품)3. 소프트웨어(플랫폼 포함)4. 가치 사슬 및 기업 자동 운전의 개념국제 자동차 공학회(SAE)는 주행 자동화 기술 수준을 0~5까지 구분했으며 그 중 3~5의 자동화 기술을 자동 운전 단계로 규정한다.특히, 제한적인 상황(고속 도로 출퇴근 시간)에서 자동차가 스스로 차선을 변경하고 속도를 조절하는 조건부 자동 운전 수준 3에서 자동 운전 차로 규정하고 있다.레벨 4에서 완전 자동 운전으로 정의한다.아래 표를 보면 쉽게 정리할 수 있지만, 자동 운전은 수준 2와 수준 3의 사이에 기술적 경계가 있음이 드러난다.IBK에서 만든 자료를 보면 더 직관적으로 쉽게 표현했다.이하의 내용을 보면 아는데 수준 0수준 1:다리의 스카우트 수준 2:손의 스카우트 수준 3:눈의 스카우트 레벨 4:신경을 껄 레벨 5:운전자가 불필요한 것으로 알아 두면, 수준에 의해서 어떤 수준인지 알기 쉽다고 생각한다.IBK투자증권IBK투자증권KB증권자율주행 지연의 원인수준 2의 자동 운전은 우리의 생활 속에 많이 들어 있는데 레벨 3의 자동 운전은 완성 차와 정부와의 의견의 차이, 기술적 문제점 등에 의한, 생각보다 늦어지고 있는 상황이다.자동 운전의 지연 원인(책임 영역)-레벨 2까지 사고의 책임:운전자-단계 3에서 사고의 책임:자동차 회사도 부담해야 하는 사고 책임에 대한 주체가 기업이 되면 자동 운전 기술 개발 때문에 걸린 막대한 비용+사고에 따른 책임 비용+수요 변동에 의한 성장성 급감 등 기업 입장에서는 견뎌야 하는 부분이 상당히 큰 것이다.자동 운전 개발 업체인 크루즈, 구글의 자동 운 전자 회사 웨이 모, 우 바, 테슬라의 사고 사례를 보면 책임에 대한 정확한 판단이 정립되지 않는 이상 자동 운전이 실생활에 적용되는데 문제가 있는 게 사실이다.https://www.newsis.com/view/?id=NISX20231218_0002561413&cID=10101&pID=10100테슬라”오토 파일럿”사용 중에 사고를 일으킨 미국 운전자에게 “유죄”[서울=뉴시스]이·동현 인턴 기자=미국 전기 자동차 업체 테슬라의 오토 파일럿(자동 운전 기능을 사용 중에 사망 사고를 낸 운전자에게 유죄 판결이 내려진 www.newsis.com그러나 기술적 문제점은 시간이 흐르면서 개선되고 현재 수준 3의 조건적인 자동 운전처럼 서서히 상황에 맞게 발전할 것으로 보인다.그래서 수많은 IT기업, 스타트 업이 발전시키는 자동 운전 기술과 산업은 많은 과제를 해결하면서 성장할 것이다.그 대신 과정은 반드시 확인해야 할 것 같다.잘 가고 있는가···자동 운전 자동차의 성장 전망KB증권시장 조사 기관 Navigant research에 따르면 글로벌 자동 운전 차 관련 시장 규모는 2020년 70.5억달러 수준에서 2035년 1.1조 달러까지 커졌고 연평균 40.2%씩 급성장이 전망된다.특히 레벨 4이상의 완전 자동 운전 차는 25년을 시작으로 연평균 35%씩 성장, 2035년에는 전체 자동 운전 차 시장의 56%를 차지할 것으로 기대하고 있다.KB증권은 레벨3 이상 자율주행차가 대중화되는 것은 2027년 이후가 될 것으로 예상하고 있다. 자율주행차 시장 선결 조건 3가지1. 전기 자동차의 확대 자동 운전 컴퓨팅에 많은 전기가 소모된다.메인 하드웨어는 1초당 수십회의 인지/판단/제어 단계를 반복하고 주변 감지 때문에 카메라/라이더/레이더/초음파 센서 등을 수시로 작동시키므로 상당량의 전기를 소모하는 것이다.특히 자동 운전 기술이 고도화할수록 필요한 부품의 중량도 크게 증가하기 때문에 더 많은 전기가 필요하다.일반의 내연 기관에서는 견딜 수 없는 전력이 필요한 것으로 자동 운전은 전기 자동차의 발전과 함께 발전할 것이다.2. 자동 운전 기술의 고도화, 현재 운행 중인 자동차에 탑재되는 대표적인 ADAS는 ACC, LKAS, ALC, AEB등이 있지만 일부분으로 인간 대신 업무를 처리하고 자율적으로 목적지까지 운전해서 주는 시스템인 자동 운전은 차이가 있다.카메라, 라이더, 레이더 등의 부품을 이용하고 주변의 사물을 인지한 뒤 적절한 판단과 제어를 통해서 목적지까지 스스로 이동하는 기술이 자동 운전이라, 기술의 발전이 꼭 필요한 것이다.거기에 판단의 영역인 자동 운전 SW, 제어의 영역인 구동품까지 발전이 동시에 이루어져야 한다.3) 낮은 사고율 자동 운전 차 수요 확대를 위한 가장 중요한 선결 변수는 자동 운전 차의 낮은 사고율이다.앞으로 자동 운전 차 관련 기술은 사고율 0%에 수렴할 때까지 발전하겠지만, 실질적으로는 사람이 운전했을 때보다 사고율이 낮아지는 시점부터 충분한 의미를 갖출 것으로 예상한다.kb증권테슬라는 분기마다 Autopilot안전성 테스트를 실시하고 이듬해 1월에 테스트 결과를 공표한다.22년 제4분기 테슬라 Autopilot의 안정성 측정 결과에서 자동 운전시에 485만마일 운전시에 1회 사고가 발생한 것으로 드러났다.sk증권미국에서는 평균 65.2만마일 운행인당 1회 사고가 발생(NHTSA, FHWA보고서) 하는 점과 비교하면 약 1/8수준이다.그런데 Autopilot을 쓰지 않을 때에는 140만마일 운전시에 평균적으로 1호의 사고가 일어났는데 이 결과를 비교하면 Autopilot의 사용이 사고를 줄이겠다고 볼 수 있다.23년 조사한 베타 테스터의 설문 조사인데, 전반적으로 좋은 결과가 나왔지만 이 부분은 베타 테스터에 대한 신뢰를 어떻게 줘야 할지 모르고 그저 참고 사항으로만 인지하다.실제로 테슬라도 FSD12버전을 발매하면서도 아직 베타라는 꼬리표를 떼지 않았지만 이것이 공식적으로 본인이 떼면 자동 운전으로 인식되고 책임의 영역으로 넘어가기 때문에 신중한 입장이다.그동안 자동 운전의 개념, 성장 전망 선결 조건까지 보았지만 이제 본격적으로 자동 운전의 핵심 기술에 대해서 알아보기로 한다.자율 주행의 핵심 기술인지:센서를 통해서 도로 상황 및 물체의 정보를 전달하고 SW처리 과정을 통해서 도로 상황을 파악 판단:인식된 정보를 바탕으로 목적지까지 어떻게 갔는지, 어떤 상황에서 어떻게 대응할지를 판단 및 계획 위치 인식 및 비교:자동 운전 자동차의 절대적 상대적 위치를 추적 제어:인식된 정보와 프로그램을 통해서 차량을 제어 네트워크:차량의 센서만 믿지 말고 교통 환경 정보의 파악 자동 운전 차는 인지, 판단, 제어 과정에서 주행하게 되지만 인지 및 판단은 거의 Deep Learning 같은 SW처리된다.사람은 해당 과정을 교육과 경험을 통해서 본능적으로 수행하지만 컴퓨터가 같은 기능을 수행하려면 반복적인 학습을 통한 SW의 발전이 이를 가능하다.그래서 이런 SW알고리즘을 신속히 실행할 수 있는 컴퓨팅 파워의 높은 칩셋도 필요하다.자율주행 프로세스, DB금융투자1. 입력(인지의 첫 단계)사람이 눈으로 교통 상황을 파악하면 입력된 시각 정보를 바탕으로 복합적인 뇌 작용을 통해서 인식하게 된다.이 과정이 자동 운전 차량에 적용하면, 카메라, 레이더, 라이더, 초음파 센서 같은 센서는 시각 및 위치 정보를 뇌에 전달하는 눈 같은 역할을 한다.자동차용 센서는 주변 에너지를 흡수하는 Passive센서, 직접 에너지를 발산하고 반사되는 에너지를 수신하는 Active센서로 나뉜다.-Passive센서:카메라(주변에 빛이 전혀 없나 적은 경우에는 본래의 기능을 못하다.-Active센서:레이더, 라이더, 초음파 센서는 빛이 전혀 없는 상황에서도 작동한다.센서의 장단점, SK증권2. 인식(인지+판단의 영역)센서를 통해서 입력된 정보는 단순히 이미지 및 물체까지의 거리 같은 단순한 데이터에 불과하다.해당 데이터를 적절히 자동 운전 차가 이해할 수 있는 정보에 바꾸어 전달하는 모든 기술이 인식 기술에 속한다고 볼 수 있다.인식 기술은 큰 도로나 물체 등을 인식하는 Detection과 차량의 정확한 위치를 파악하는 Localization으로 나뉜다.Detection:도로 표지, 다른 차량이나 사람 등 차량을 둘러싼 모든 움직임과 정지하고 있는 물체를 인식하는 기술 인식 기술을 거쳐전에 센서를 통해서 입력된 정보는 단순한 이미지 정보에 불과하지만 액티브 센서인 라이더 나의 레이더의 값도 마찬가지다.아래를 보면 이해하기 쉬운 것에Raw DATA 수집이미지 정보+라이더 레이더를 통한 Raw DATA을 통해서 인식 과정을 거쳐야만 의미 있는 정보이다.해당 데이터를 자동 운전 차 제어 프로그램이 차량이나 사람 등으로 크기까지 명확히 인식하려면 SW처리 과정이 필수적이다.일반적으로 물체 인식하기 위해서 CNN(Convolutional Neural Network)알고리즘이 많이 이용된다.다층의 층을 통한 학습을 반복하고 학습 능력을 향상시키는 뉴럴 네트워크 이론은 알파 바둑 등으로 널리 알려지고 있다.그러나 일반적인 뉴럴 네트워크 알고리즘은 자동 운전 같은 고해상도의 이미지를 지체 없이 고속으로 처리하는 데 어려움이 있지만 CNN은 모양과 색깔, 모서리, 텍스처 등 간단한 형상을 재빨리 인식하기에 최적화되고 있다.각각의 히든 층은 입력 값을 받고 특정 패턴을 통해서 변환시킨 뒤 다음 층에 전달할 필터의 같은 역할을 할 것이다.기본적으로 많은 레이어를 거듭할수록 인식률은 정확하게 된다.이처럼 SW처리 과정을 거친 뒤 SW는 자동차 도로 표지판 및 보행자 같은 도로 상의 정보를 인식하는 것이다.즉, 간단하게 표현하면 인식된 여러가지 값에 대해서 연산을 통해서 가중치를 걸어 필터를 통해서 분류를 할 것이다.더 간단히 말하면 디지털화한 값을 조건으로 분류하고 그 값에 대해서 판별을 하는 것이다.위의 그림처럼 여러 조건에 해당하는 필터를 거치면 자동차 도로 차선 등이 검출되는 것이다.여기 CNN알고리즘은 이하의 블로그를 통해서 보면 더 자세히 알 수 있다.https://blog.naver.com/dorergiverny/223294815751[머신 러닝/딥 러닝]22.CNN을 알Convolutional Neural Network합성니 뉴럴 네트워크 필터링 convolution연산 지역 특성 정보 압축 filter우리는 지난번 Python에서 간단한 뉴럴 네트워크를 구성하면서 학습하는 원리를 직접 구현했습니다.https.blog.naver.com[머신러닝/딥러닝] 22.CNNを知るConvolutional Neural Network 합성곡 신경망 필터링 convolution 연산 지역 특성 정보 압축 filter 우리는 지난 번 Python에서 간단한 신경망을 구성해보고 학습하는 원리를 직접 구현해 보았습니다. https…blog.naver.com3. 인식+판단(위치파악)Localization은 자동 운전 차의 정확한 위치를 최소한의 오차로 정확히 파악하는 기술이다.차량의 정확한 위치를 자동 운전 SW가 인식하지 못하면 해당 자동 운전 차는 원하는 목적지에 주행하지 못할뿐더러, 안전 문제를 일으킬 수 있으므로 중요한 기술이다.GPS를 활용할 수도 있지만, 이는 작게는 수십센티미터에서 크게는 몇미터까지 오차가 발생한다.인공 위성의 마이크로파를 수신할 수 없는 땅굴과 지하 등에서는 작동하지 않고 고가 도로에서는 정확한 위치 정보를 파악하기 어려운 단점이 있다.그래서 자동 운전 업체는 HD Map과 SLAM(Simultaneous Localization And Mapping)에 근거한 알고리즘을 사용하고 있다.HD Map을 이용하는 방법은 지도상에 위치한 랜드 마크 정보를 센서를 통해서 인식된 정보에 근거하여 매칭 작업을 진행하고 이를 통해서 정확한 차량의 위치를 확인하는 방법이다.가장 정확한 방법이지만, HD Map가 없으면 기능할 수 없는 단점이 있다.SLAM기법은 자동 운전 차가 주변 환경을 인식하고 그 공간의 지도를 작성하는 동시에 차량의 위치를 파악하는 방식으로 로봇 청소기 등에서 많이 이용된다.최대 장점은 Map이 없는 상황에서도 자동 운전 차량이 통행 가능하다는 점이다.테슬라의 FSD도 SLAM기법을 이용하고 있다.4. 제어(구동)주행의 마지막 남은 절차는 제어이지만 이곳은 목적지까지 어떻게 가는지를 결정하는 부분과 결정된 경로를 따라서 차량을 제어하는 것이 있다.즉, Planning이라는 부분에서는 알고리즘을 사용하여 센서 및 차량 제어 장치로부터 피드백을 받고 경로를 재설정하는 것이다.경로 설정이 끝났다면, 차량을 제어하는 것은 쉽지만 대부분의 자동차 부품이 전자 제어되기 때문이다.전통적인 부품 업체들은 제어 분야를 공급했지만 자동 운전 자동차에는 핵심 제어 부품의 변화가 요구된다.자동 운전 제어는 사람이 하는 방식이 아니라 중앙 서버에서 전달된 신호를 바탕으로 사실상 컴퓨터가 하는 제어이라 판단과 제어를 통합적으로 설계할 능력이 필요하다.자동 운전 차 시대에 모든 기업이 혜택을 입는 것이 아니라 제어 기술이 필요 없어 차체 디자인 부품은 자동 운전 차 시대에도 큰 차이는 없겠지만, ECU을 통하여 제어가 필요한 자동차 부품의 경제적 결함은 오히려 낮아질 가능성이 높다.완성 차 업체들도 최종적으로 내부 부품을 조절하는 제동, 조향 장치 같은 HW를 제어하는 SW도 직접 설계하는 방향으로 변화하는 것으로 예상된다.OTA을 통한 차량의 HW를 제어하는 SW의 지속적인 업데이트가 자동 운전 기술을 완성시키는데 필수 요소이기 때문이다.기하 급수적으로 증가하는 데이터를 바탕으로 Deep Learning베이스의 인식/주행 SW의 업데이트도 계속해야 한다.HW를 최종적으로 관리하는 SW의 업데이트도 자동 운전 차를 판매하고 운영하는 회사가 담당하는 수밖에 없다.그리고 현재 차량에 60~100개까지 들ECU는 자동 운전 차와 전기 자동차의 도입 확대로 1~3개의 DCU(Domain Control Unit)에 통합될 전망이다.맥킨지는 자동차 DCU시장이 2030년에 약 120조 원대까지 성장할 것으로 보이지만 이때 DCU의 비중이 과반수를 넘게 된다.DCU비율이 올라간다는 것은 기존의 자동차 부품 업체 가운데 ECU기준으로 HW를 제어하는 부품 업체들은 자동 운전 차 시장이 성장해도 혜택은 미미한 것임을 의미한다.전 세계의 주요 OE의 영츠바사률은 나이가 지날수록 좋아질 것으로 예상되는 것에 대한 주요 부품 회사의 영츠바사률은 절대적인 물량 감소 및 경쟁 강도 강화로 수익성의 양극화를 더욱 부추기전망이다.5. 네트워크(인프라, V2X)자동 운전 수준 3의 안전성 확보뿐만 아니라 레벨 4이상으로 발전하기 위해서 C-ITS(Cooperative-Intelligent Transport System)의 필요성이 대두되고 있다.테슬라의 같은 경우 차량 자체의 SW파워가 워낙 세고 주행하면서 주변에 대한 인지, 판단, 제어가 잘하지만 가끔 사고로 이어질 경우도 있는 게 사실이다.그러나 네트워크를 통해서 전방의 교통 상황, 지형, 도로 상태 등을 차량에 알릴 수 있다면 좀 더 효율적인 주행이 가능한 것이다.그래서 V2X통신이 꼭 필요한 것이며, 미국, 중국 등도 급하게 도입하고 있는 것이다.자율주행 레벨3의 안전성 확보뿐만 아니라 레벨4 이상으로 발전하기 위해 C-ITS(Cooperative-Intelligent Transport System)의 필요성이 대두되고 있다. 테슬라 같은 경우 차량 자체의 SW 파워가 워낙 강력해 주행하면서 주변에 대한 인지, 판단, 제어가 잘 되지만 간혹 사고로 이어지는 경우도 있는 게 사실이다. 그러나 네트워크를 통해 전방의 교통상황, 지형, 도로상태 등을 차량에 알릴 수 있다면 보다 효율적인 주행이 가능한 것이다. 그래서 V2X 통신이 꼭 필요한 것이고 미국, 중국 등도 서둘러 도입하고 있는 것이다.자동 운전 산업을 조사하면서 처음으로 자동 운전의 개념과 핵심 기술 등을 조사하고 다음에서는 위에서 말한 핵심 기술이 적용된 자동 운전 차의 HW에 해당하는 부품 등을 공부하고 볼 예정이다.1. 자동 운전의 개념과 핵심 기술 2. 하드웨어(전 장품)3. 소프트웨어(플랫폼 포함)4. 가치 사슬 및 기업
