AI가 만든 포괄적 테스트 시나리오: 자동운전 시스템 시나리오 생성 방법 종합 리뷰

초록

본 리뷰는 2015‑2025년 사이 발표된 31편의 핵심 논문과 10편의 기존 설문조사를 체계적으로 분석한다. 전통적 규칙·데이터 기반 방법과 최신 AI‑지원 생성 모델(LLM, GAN, Diffusion, RL 등)을 비교하고, 평가 지표 부재·윤리·인간요소 통합 부족·ODD‑특화 시나리오 미비라는 세 가지 주요 격차를 도출한다. 이를 해소하기 위해 다중모달 확장 taxonomy, 윤리·안전 체크리스트, ODD 커버리지·난이도 매핑을 제안한다.

상세 분석

이 논문은 자동운전 시스템(ADS)의 안전 검증을 위한 시나리오 기반 테스트(SBT)의 최신 동향을 종합적으로 정리한다. 먼저 2015년부터 2025년까지의 문헌을 4대 데이터베이스에서 검색해 1,300여 편을 추출하고, 중복·제외 기준을 적용해 최종 31편의 핵심 연구와 10편의 설문조사를 선정하였다. 전통적 접근은 규칙 기반(전문가 지식·온톨로지·교통법규)과 데이터 기반(자연주행 데이터·사고 데이터)으로 구분되며, 시나리오의 현실성 확보와 재현성을 강조한다. 그러나 이러한 방법은 희귀한 엣지 케이스와 다중모달(영상·LiDAR·HD맵) 통합에 한계가 있다.

최근 2023‑2025년 사이에 급부상한 AI‑지원 생성 기법은 크게 네 가지 패러다임으로 나뉜다. ① 대형 언어 모델(LLM)을 이용한 텍스트‑투‑시나리오(Txt2Sce 등)로 인간 의도를 자연어로 표현하고 자동으로 구문 트리를 생성한다. ② 생성적 적대 신경망(GAN)과 변분 오토인코더(VAE) 기반 모델은 교통 참여자 행동을 확률적으로 모델링해 다양한 충돌·회피 상황을 합성한다. ③ 확산 모델(Diffusion)과 멀티모달 프레임워크(예: GAIA‑1, Genesis)는 텍스트, RGB 영상, LiDAR 포인트 클라우드 간의 일관성을 유지하며 포토리얼리스틱 시뮬레이션을 제공한다. ④ 강화학습(RL) 기반 프레임워크(SEAL, TrafficGen 등)는 안전 임계값을 보상 함수에 포함해 위험 상황을 목표로 시나리오를 탐색한다.

이러한 AI‑기반 방법은 시나리오 다양성, 희귀 사건 생성, 그리고 자동화된 대규모 테스트 파이프라인 구축에 강점을 보이지만, 평가 체계가 부재한 것이 가장 큰 약점이다. 논문은 세 축 메트릭(AII, RAS, OCS)을 제안한다. AII는 학술적 영향(인용·학회 발표 등)을 정량화하고, RAS는 재현성(코드·데이터 공개·실험 재현 가능성)을 평가하며, OCS는 시나리오 커버리지(ODD·모달리티·난이도)를 측정한다. 이를 통해 서로 다른 프레임워크를 공정하게 비교할 수 있다.

윤리·안전 체크리스트는 편향 완화, 개인정보 보호, 국제 표준(SOTIF, UN/ECE R157) 부합 여부, 취약 도로 이용자(VRU) 보호 등을 구체적인 검증 항목으로 제시한다. 또한 ODD 커버리지 맵과 시나리오 난이도 스키마를 도입해 각 시나리오가 어느 ODD(도시·고속도로·날씨·조명 등)와 위험 수준(충돌 가능성·복잡도)에서 위치하는지를 시각화한다. 이는 산업 현장에서 요구되는 투명한 벤치마크와 규제 대응에 실질적인 도움을 준다.

전체적으로 논문은 기존 설문조사들이 제시한 분류 체계가 다중모달 통합과 최신 생성 모델을 반영하지 못한다는 점을 지적하고, 제안된 taxonomy와 메트릭 체계가 향후 연구와 산업 적용에 표준화된 기반을 제공할 것이라고 주장한다.