자동차 소프트웨어 자동화를 위한 생성형 AI와 모델 기반 공학의 융합

초록

본 논문은 대형 언어 모델(LLM)을 활용해 자유 텍스트 요구사항을 이벤트 체인으로 변환하고, 플랫폼 독립적인 소프트웨어 컴포넌트를 자동 생성한다. 동시에 이벤트 체인 메타모델에 기반한 형식 모델을 생성해 초기 검증과 미들웨어 기반 통합 코드를 자동 생성한다. GPT‑4o 등 최신 LLM을 이용해 ROS2와 CARLA 시뮬레이터에서 자동 비상 제동(AEB) 시나리오를 구현·평가함으로써 개발 자동화와 형식 검증을 동시에 달성하는 방법론을 제시한다.

상세 분석

이 연구는 자동차 소프트웨어 개발의 두 가지 핵심 난제—복잡한 시스템 통합과 안전·실시간 보증—를 해결하기 위해 생성형 AI와 모델 기반 엔지니어링(MBSE)을 결합한 새로운 워크플로우를 제안한다. 첫 단계에서는 일반 목적 LLM이 요구사항을 파싱해 이벤트 체인(event chain)이라는 구조화된 JSON 형식으로 변환한다. 이벤트 체인은 각각의 서브컴포넌트를 입력·출력 신호와 구현 로직으로 명시하며, 기존 코드베이스와 재사용 가능한 신호 정보를 동시에 고려한다는 점에서 실무 적용성을 높인다.

다음으로, 코드 전용 LLM이 이벤트 체인에 정의된 각 서브컴포넌트에 대해 ROS2와 무관한 파이썬 클래스 형태의 플랫폼 독립 코드를 자동 생성한다. 이 과정에서 상태 관리, execute 메서드 설계, 메시지 포맷 정의 등 실질적인 구현 세부사항까지 포함한다. 동시에 모델 전용 LLM은 사전에 정의된 이벤트 체인 메타모델(Ecore)과 OCL 제약을 활용해 형식 모델 인스턴스를 생성한다. 형식 모델은 초기 단계에서 시뮬레이션 기반 검증, 제약 위반 탐지, 그리고 런타임 메트릭을 모델에 피드백하는 루프를 가능하게 하여, 순수 통계 기반 LLM 출력의 불확실성을 크게 감소시킨다.

통합 단계에서는 모델 기반 코드 생성기가 자동으로 미들웨어(Ros2) 연결 코드를 생성한다. 이는 각 서브컴포넌트 간 토픽 매핑, QoS 설정, 그리고 AUTOSAR‑유사 인터페이스를 자동화함으로써 전통적인 수작업 통합에서 발생하는 인터페이스 불일치와 타이밍 오류를 최소화한다.

평가에서는 GPT‑4o, Gemini 2.5 Pro, Llama 3.3 70B 등 세 종류의 LLM을 비교했으며, 특히 GPT‑4o가 요구사항 해석 정확도와 코드 품질 면에서 가장 우수한 결과를 보였다. 구현된 AEB 시나리오는 CARLA 시뮬레이터와 ROS2를 통해 실시간으로 테스트되었으며, 충돌 회피 성공률, 반응 시간, 그리고 코드 복잡도 측면에서 기존 수작업 구현 대비 30 % 이상의 효율 향상을 입증했다.

하지만 몇 가지 한계도 존재한다. 첫째, LLM이 생성한 코드와 모델에 대한 안전 인증 절차가 아직 미비하여, 실제 차량에 적용하기 위해서는 추가적인 정형 검증 및 회귀 테스트가 필요하다. 둘째, 이벤트 체인 메타모델이 현재는 AEB와 같은 단순 시나리오에 최적화돼 있어, 복합적인 ADAS 기능이나 V2X 통신을 포함한 대규모 시스템에는 확장성이 검증되지 않았다. 셋째, LLM 프롬프트 설계와 파라미터 튜닝이 결과 품질에 큰 영향을 미치므로, 비전문가가 직접 활용하기엔 아직 높은 진입 장벽이 존재한다.

향후 연구 방향으로는 (1) 안전 표준(ISO 26262, AUTOSAR Adaptive)과 연계된 자동 제약 생성 및 검증 파이프라인 구축, (2) 이벤트 체인 메타모델의 계층적 확장 및 V2X, OTA 업데이트 등 최신 차량 기능 통합, (3) 프롬프트 자동 최적화와 인간‑LLM 협업 인터페이스 개발을 통해 비전문가도 손쉽게 활용할 수 있는 툴 체인 구현이 제시된다.