[세스 딜랜드 매스웍스 데이터 분석 제품 마케팅 매니저]자동차 산업은 역사적으로 수많은 혁신을 이뤘다. 차별화된 제품을 만들기 위해 자동차는 점점 더 복잡해져왔고 효율적인 생산을 위한 툴과 기법들이 도입됐다. 이런 가운데 요즘 자동차 엔지니어들은 인공지능(AI)을 차량 시스템과 R&D 워크플로에 통합하는 데 있어 새로운 어려움을 겪고 있다. AI는 독립적인 구성요소로 보기 어렵고 인접 시스템에 미치는 영향을 고려해 통합해야 한다. 따라서 AI 알고리즘을 차량에 적용하기 전에 다른 구성요소와 함께 시뮬레이션해 해당 알고리즘의 영향을 이해하는 것이 필요하다.

AI와 시뮬레이션은 자동차 산업에서 크게 세 가지 부분에서 활용할 수 있다. 첫째는 불충분한 데이터 문제를 해결하는 것이다. 수집하기 어렵거나 비용이 많이 드는 데이터를 시뮬레이션 모델을 통해 합성할 수 있다. 두 번째는 AI 모델을 복잡하고 비용이 많이 드는 고충실도 시뮬레이션의 근사치로 사용하는 것이다. 이를 차수 축소 모델링이라고 말한다. 세 번째는 제어, 신호 처리, 임베디드 비전처럼 시뮬레이션이 설계 공정의 핵심 요소가 된 응용 사례를 위한 임베디드 시스템에서 AI 모델을 사용하는 것이다.

더 효과적인 AI 모델을 개발할 새로운 방법을 찾는 자동차 엔지니어들을 위해 시뮬레이션과 AI의 결합을 통해 시간, 모델 안정성, 데이터 품질과 관련한 과제를 해결하는 방법에 대해 알아보겠다.

AI 모델의 훈련과 검증을 위한 데이터 

실제 데이터를 수집하고 정리해 양질의 데이터로 바꾸는 과정은 어렵고 많은 시간이 소요된다. 특히 자동차 산업에서 이는 큰 문제이다. 또한 대부분의 AI 모델이 고정된 파라미터 값으로 구동되는 반면 지속적으로 새로운 데이터에 노출되고, 이러한 신규 데이터가 훈련 데이터 세트에 포함되지 않을 수 있다는 점을 엔지니어들이 유념해야 한다.

모델 훈련을 위한 견고한 데이터가 준비되어 있지 않으면 프로젝트는 실패할 가능성이 크다. 그래서 데이터 준비는 AI 워크플로에서 핵심적인 단계로 꼽힌다. “불량한” 데이터가 있으면 모델이 제대로 작동하지 않는 이유를 파악하느라 많은 시간을 허비하게 될 수 있으며, 이를 통해 유의미한 결과를 얻기도 어렵다.

시뮬레이션이 이러한 문제의 해결책이 될 수 있다. 최근 데이터 중심 AI 트렌드로 인해 AI 커뮤니티는 훈련 데이터의 중요성에 주목했다. AI 모델의 아키텍처와 파라미터를 조정하는 것보다 훈련 데이터의 개선에 집중하는 것이 정확성 측면에서 더 큰 성과로 이어지는 경우가 많은 것으로 나타났다. 기존 훈련 데이터의 개선을 위해 시뮬레이션을 사용할 경우 다음과 같은 이점을 얻을 수 있다.

•    일반적으로 차량에서의 물리적 실험보다 시뮬레이션을 활용할 때 더 적은 비용이 든다
•    환경을 완전히 제어할 수 있어 자율주행 차량의 빙판길 긴급 제동이나 근접 충돌 내비게이션 등 실제 환경에서 진행하기 어렵거나 너무 위험한 시나리오를 시뮬레이션할 수 있다
•    실험 환경에서는 측정되지 않을 수도 있는 내부 상태에 액세스할 수 있다. 이를 통해 NOx 배출량과 같은 비선형적 값을 예측하는 모델의 실현 가능성 테스트 등 AI 모델이 제대로 작동하지 않는 특정 상황에서 그 원인을 찾을 때 매우 유용하다

훈련에 사용되는 데이터의 품질이 모델의 성능을 크게 좌우하기 때문에 자동차 엔지니어는 데이터를 시뮬레이션하고 AI 모델을 업데이트해야 한다. 또한, 모델이 제대로 예측하지 못하는 조건을 관찰하고, 반복 시행을 통해 이러한 조건에 대해 시뮬레이션 된 데이터를 더 많이 수집함으로써 결과를 개선할 수 있다.

자동차 엔지니어는 시뮬링크(Simulink)나 심스케이프(Simscape)와 같은 산업 툴을 사용해 실제 시나리오를 반영하는 시뮬레이션 된 데이터를 생성할 수 있다. 시뮬링크와 매트랩(MATLAB)의 조합을 통해 AI 모델을 구축한 환경과 동일한 환경에서 데이터를 시뮬레이션할 수 있고, 따라서 더 많은 공정을 자동화할 수 있어 툴체인 전환에 대해 걱정할 필요가 없다.

AI를 활용한 복잡한 시스템 근사

유압 밸브 제어 알고리즘처럼 물리 시스템과 상호작용하는 알고리즘을 설계할 때, 알고리즘의 빠른 설계 반복을 실현하기 위한 핵심 요소는 시스템의 시뮬레이션 기반 모델이다. 제어 분야에서는 이를 “플랜트 모델”이라고 하며, 무선 차량 통신 분야에서는 “채널 모델”이라고 한다. 또한, 강화 학습 분야에서는 이를 “환경 모델”이라고 부른다. 분야마다 그 명칭은 상이하지만, 알고리즘이 상호작용하는 물리 시스템을 재현하기 위해 필요한 정확성을 제공할 수 있는 시뮬레이션 기반 모델을 만든다는 개념은 동일하다.

하지만 이 접근법에는 한 가지 문제가 있다. “필요한 정확성”의 달성을 위해 고충실도 모델을 구축해 왔더라도 복잡한 시스템의 경우에는 설계 및 시뮬레이션에 오랜 시간이 걸릴 수 있다는 점이다. 시뮬레이션이 장시간 실행된다는 것은 설계 반복 가능 횟수가 그만큼 적다는 것을 의미하고, 이로 인해 잠재적으로 더 우수한 설계 대안을 평가할 시간이 부족해질 수 있다.

이 지점에서 AI가 중요한 역할을 한다. 구축한 고충실도 물리 시스템 모델을 AI 모델(차수 축소 모델)로 근사할 수 있기 때문이다. 물리 기반 모델 생성을 생략하고 실험 데이터를 통해 AI 모델을 훈련시키는 것도 가능하다. 이점은 차수 축소 모델의 계산 비용이 고충실도 모델보다 훨씬 적기 때문에 설계 공간을 더 탐색할 수 있다는 것이다. 또한, 시스템의 물리 기반 모델이 존재하는 경우 언제든 이 모델을 공정 중간에 사용해 AI 모델을 토대로 결정된 설계를 검증할 수 있다. 사용자는 전체 시스템을 근사할 필요 없이 속도와 정확성 간의 절충점을 평가해 시스템의 어느 부분이 AI 근사에 가장 적합한지 결정하고 우선순위를 정할 수 있다.

차수 축소 모델링에 AI 기반 접근법을 사용하는 것의 또 다른 이점은 시스템 시뮬레이션을 위해 결합해야 하는 소프트웨어 툴의 수가 줄어든다는 것이다. 예를 들어 시스템에 세부적인 제어를 추가하거나 시뮬링크에서 서브시스템으로 더 큰 모델로 구성할 때, 다른 소프트웨어 종속성, FMU/FMI 통합, 기타 다양한 자동차 엔지니어링 툴의 연동 시뮬레이션과 관련된 장애물을 줄이는 데 유용할 수 있다.

아울러 신경(neural) ODE(상미분 방정식) 등 AI 계의 최근 발전을 통해 AI 훈련 기법을 물리 기반 원리가 내장된 모델과 결합할 수 있다. 이러한 모델은 물리 시스템의 특정 측면을 보존하는 동시에 더욱 데이터 중심적인 접근법으로 시스템의 나머지 부분을 근사하려고 할 때 유용할 수 있다.

AI를 사용한 알고리즘 개발
제어 시스템과 같은 응용 분야의 자동차 엔지니어가 알고리즘을 설계할 때 시뮬레이션에 대한 의존도가 점점 더 높아지고 있다. 이들은 가상 센서, 즉 사용 가능한 센서에서 실제로 측정되지 않는 값을 계산할 수 있는 측정기를 개발하는 경우가 많으며, 이때 사용하는 접근법은 선형 모델, 칼만 필터 등 매우 다양하다.

그러나 이러한 방법은 많은 실제 시스템에 존재하는 비선형적 거동을 수집하는 데 한계가 있다. 때문에 복잡성을 모델링할 수 있는 유연성을 갖춘 AI 기반 접근법으로 전환하는 추세다. 이들 엔지니어는 관측한 상태를 기반으로 관측되지 않는 상태를 예측할 수 있는 AI 모델을 측정되거나 시뮬레이션 데이터로 훈련시킨 뒤 시스템에 통합한다.

이 경우 AI 모델은 성능이나 메모리 제약이 있는 ECU에 탑재될 제어 알고리즘의 일부에 포함되며, 일반적으로 C와 같은 언어로 프로그래밍해야 한다. 이로 인해 해당 응용 사례에 적합한 머신러닝 모델의 유형이 제한될 수 있으므로 여러 모델을 시도해 보면서 정확성과 차량 내 성능의 장단점을 비교해야 한다.

가장 최근의 연구에서는 이 접근법이 강화 학습을 통해 한 단계 더 발전된다. 강화 학습은 단순히 추정기를 학습하는 데 그치지 않고 제어 전략 전체를 학습한다. 이는 로보틱스와 자율 시스템 등 몇몇 까다로운 응용 분야에서 매우 효과적인 기법임이 입증됐지만, 이러한 모델을 구축하기 위해서는 정확한 환경 모델과 반복적인 시뮬레이션을 실행할 연산력이 요구된다.

AI 알고리즘은 가상 센서와 강화 학습 외에도 임베디드 비전, 오디오 및 신호 처리, 무선 응용 분야 등에서 점점 더 많이 사용되고 있다. 예를 들어, 자율주행 기능을 갖춘 자동차에서 차량을 차선 중앙에 유지시키거나, 차량 음성 비서의 소리를 개선하고 잡음을 억제하는 데 활용된다. 이처럼 AI 알고리즘은 더 큰 시스템의 일부를 구성하며, 시뮬레이션은 전체적 설계가 요구사항을 충족할 수 있도록 통합 테스트에 사용된다.

AI를 사용한 시뮬레이션의 미래

자동차 산업에서의 점점 더 복잡한 응용 사례를 지원하기 위해 모델의 크기와 복잡성이 증가하고 있는 만큼, 자동차 엔지니어에게 AI와 시뮬레이션은 앞으로 더욱 필수적인 툴이 될 것이다. 시뮬링크와 매트랩과 같은 산업 툴은 제어, 신호 처리, 임베디드 비전, 무선 응용 분야를 위한 합성 데이터 생성, 차수 축소 모델링, 임베디드 AI 알고리즘 등의 기법을 통합해 워크플로를 최적화하고 개발 시간을 단축한다.

이와 같은 방법론은 하드웨어 배포 전에 모델을 정확하고 경제적인 방법으로 개발, 테스트, 검증하는 데 활용될 수 있으며, 그 쓰임새는 앞으로도 지속적으로 높아질 것이다.