글로벌 인사이트


모빌리티, 자율주행, 전동화 등 자동차 관련 글로벌 정보를 제공합니다


전동화 및 지능화 기술이 주도하는 미래 자동차 파워트레인 시스템의 진화

한국자동차공학회
2022-06-06
조회수 148

래 자동차의 진화 방향을 한마디로 축약하여 표현한다면, ‘동력과 지능’이 바뀌는 것이라고 할 수 있다. 이것은 기존 화석 연료 기반의 동력이 전기 또는 수소 에너지 등 친환경 동력으로 전환된다는 것을 의미하며, 자율 주행과 커넥티비티 기술이 주도하는 차량 소프트웨어의 혁신을 통해 자동차의 활용 방식에 있어서도 기존과는 다른 양상의 패러다임 시프트가 일어날 것임을 의미한다.


매년 1월 미국의 라스베이거스에서 개최되는 소비자 가전 전시회인 CES(Consumer Electronics Show)에 자동차가 주요 품목으로 전시되고 있는 것을 보아도 자동차는 이제 더 이상 기계 장치가 아닌 첨단 가전 제품의 장르로 취급되고 있다는 것을 알 수 있다.


최근의 CES 동향이나 많은 전문가들이 언급하는 표현을 종합해 볼 때, 미래 자동차 기술의 궁극적인 발전 방향을 ‘스마트 모빌리티(Smart Mobility)’라고 지목하는 것에는 보편적으로 이견이 없을 것이다. 스마트 모빌리티란 유해 배출 가스가 없고(Zero Emissions), 교통 사고가 발생하지 않으며(Zero Accidents), 더 이상의 소유가 필요 없는(Zero Ownership) 이동 수단을 의미한다. 이는 차세대 모빌리티의 핵심적 요소를 함축적으로 표현한 이른바 M.E.C.A.와도 그 궤를 함께하는 개념이다.


본 고에서는 M.E.C.A. 시대의 도래가 차세대 자동차의 파워트레인 진화 방향에 어떤 영향을 미칠 것인가를 전동화와 지능화 관점에서 천착하며 조망해 보고자 한다.


파워트레인 시스템의 전동화 방향

자동차의 전동화를 주도하는 가장 큰 요인은 무엇보다도 친환경, 저탄소 정책 로드맵을 강력히 추진하고 있는 각국 정부의 강화된 환경 규제이다. 유럽의 CO2 규제와 더불어 미국과 중국의 연비 규제는 2020년에 이르러 이전 단계 대비 약 30%에 가까운 큰 폭으로 강화되었으며, 이후 2025년까지도 엄혹한 수준의 대폭적 추가 규제가 예고되어 있는 상황이다.


따라서 파워트레인의 전동화를 고려하지 않으면 강화된 규제를 대응하기 어렵기 때문에 2020년을 기점으로 미래의 파워트레인 전동화 시장은 성장 모멘텀이 급속히 확대될 것으로 전망된다. <그림 1>은 대표적인 지역 별 연비 및 탄소 배출량의 규제 현황이다. 이 규제 수치를 전통적인 내연기관 차량만으로는 달성할 수 없으므로 자동차 메이커들은 각 OEM의 실정에 맞게 MHEV, (P)HEV, EV의 혼합 판매 비율을 적절히  조절하여 규제 수치의 총량에 대응하고 있다.


<그림 2>는 미국의 경영 컨설팅 전문 회사인 보스턴 컨설팅 그룹(BCG)에서 예측한 미래 파워트레인 전망이다. 그래프의 추이를 보면 알 수 있듯이, 강화된 환경 규제가 현실화되는 2020년 이후로 파워트레인 전동화가 급격히 증가할 것이 예상된다. 이외에도 많은 기관에서 다양한 전망을 내놓고 있기는 하지만, 정도의 차이가 있을 뿐 당분간 MHEV, (P)HEV 및 EV가 혼재된 양상으로 전동화 파워트레인의 점유율이 빠르게 증가될 것이라는 견해는 공통적으로 일치하고 있다.


상기 그래프의 전동화 구성 내용을 보면 내연기관의 전동화, 즉 하이브리드 동력 시스템이 순수 전기차의 완전 전동화 시대를 맞이할  마중물이자 기술적 교두보 역할을 담당하게 될 것임을 알 수 있다. 따라서 다양한 하이브리드 전용의 파워트레인(Dedicated Hybrid Powertrain) 기술이 비교적 긴 과도기 동안 폭 넓게 운용될 것임을 예상할 수 있다.


특히, 초기에는 각국의 정부 기관에 의한 ‘규제 주도’의(Regulation-driven) 전동화 보급이 유지되다가 어느 시점부터는 소비자의 ‘사용 경험’이 시장을 주도하는(Customerdriven) 형태로 예상보다 급격한 전동화 전환이 발현될 가능성도 농후하다.


미래 자동차의 동력원이 전동화로 이행하는데 있어서 가장 큰 걸림돌인 배터리 가격의 경우 최근 10년간의 배터리 가격 하락 추이를 볼 때, 머지 않은 미래에 전기차는 정부의 보조금 없이도 내연 기관에 근접한 수준의 가격 경쟁력을 확보할 수 있을 것으로 보인다.


따라서 이미 시장은 전동화 차량이 충분히 보급될 수 있는 탄력을 받았으며, 향후 배터리의 에너지 밀도 향상, 급속 충전 기술의 발전과 함께 공공 충전 인프라의 저변 확대 및 국가적 발전 시설 확충 등이 수반된다면 순수 전기차로의 전환은 더욱 급속도로 이루어질 것으로 전망된다.


파워트레인 시스템의 지능화 방향

● 변화의 동인

미래의 파워트레인이 지능화될 수 있는 요인은 차량 전기전자 아키텍처의 고도화된 시스템 환경 체제하에서 운영되는 소프트웨어 기술의 비약적인 발전에 힘입어 파워트레인의 제어 환경도 함께 고도화될 수 있다는데 기인한다.


소프트웨어 기술이 주도하는 차량의 진화는 최근 급 부상되고 있는 SDV 개념에서 근거를 찾을 수 있다. SDV란 의미 그대로 소프트웨어에 의해 정의된 차량(Software Defined Vehicle)으로서, 자동차 산업의 주요 제조사 및 부품사들이 최근 제시한 AUTOSAR Adaptive 플랫폼에 충실한 중앙 집중식 제어 아키텍처를 따르며 무선 데이터 전송으로 차량의 핵심 기능이 능동적으로 수정될 수 있는 OTA(Over the Air) 기능을 지원하는 특징을 지닌다.


또 하나의 요인은 첨단 운전자 보조 시스템인 ADAS (Advanced Driver Assistance Systems)의 폭넓은 보급에 따라, 차량의 유용한 내/외부 정보들이 파워트레인 제어의 지능화를 위해 활용될 수 있는 환경이 도래했다는 점이다. 즉, ADAS를 통한 커넥티비티 관련 정보의 확보, 그리고 제어기 고도화와 통신 고속화에 따른 유효 정보의 대량 전송을 통해 파워트레인이 더 많은 내/외부 정보를 활용함으로써 에너지 효율뿐만 아니라 주행 성능의 향상이 가능한 융합 제어를 구현할 수 있게 된 것이다.


세번째 요인은 자율주행 기술의 보급이 가져오는 시너지이다. 자율주행 차량의 경우, 차량의 주행 경로와 속도를 자율주행 제어 시스템이 능동적으로 변화시킬 수 있다는 중요한 특징 덕분에 에너지 효율을 극대화하는 방향으로 적극적인 파워트레인 제어의 전략을 적용할 수 있다.


● 커넥티비티 연계 파워트레인 제어

일반적으로 주행 제어의 3대 요소는 도로 관점, 교통 관점, 그리고 운전자 관점으로 정의할 수 있다. 이 3대 요소를 만족하기 위해서는 전방의 도로 및 교통 상황에 최적으로 부합하는 예측 제어(Predictive Control) 적용이 필요하며, 운전자 관점을 만족하기 위해서는 운전자의 습관과 실시간 의지를 반영한 토크 특성의 개인화 및 차별화 전략이 요구된다.


기존의 전통적인 파워트레인 제어는 차량 내 센서 및 가용 정보 활용상의 한계로 주행 제어의 3대 요소를 온전하게 충족하는 통합 제어의 구성이 어려웠기 때문에 주로 부품 단위의 효율성을 극대화하는 방향으로 개발되어 왔다.


그러나 최근의 차량에서는 전술한 바와 같이 ADAS의 폭 넓은 보급에 힘입어, 파워트레인 제어 장치가 전방의 주행 상황을 인지할 수 있는 양질의 도로 및 교통 정보를 활용하는 것이 가능해졌다. 이것은 차량이 근 미래의 주행 시나리오를 예측함으로써 혁신적인 주행 성능을 구현할 수 있는 ICT 융합 제어 환경이 도래하였음을 의미한다. <그림 4>는 커넥티드 파워트레인을 구현하기 위한 차량의 가용 정보 자원의 사례이다.


여기서 주목해야 할 요소 중의 하나가 바로 디지털 지도 정보의 진화이다. 과거의 아날로그 지도가 스마트폰 등에서 사용되는 2D 디지털 지도 정보로 진화된 이후로, 현재는 도로의 고도(Altitude) 정보를 포함하는 3차원 지도로 발전되었으며, 자율주행 기술의 고도화를 위해 최근에는 HD급의 초정밀 지도 역시 보급의 추세에 있다.


3차원 지도는 도로의 구배 정보를 제공하므로 전방의 주행 저항 변화를 미리 인식하여 미래의 소요 동력을 추정하는데 활용될 수 있어서 예측형 커넥티드 파워트레인 제어 구성에 매우 중요한 정보가 된다. 특히 지도 정보에는 전방 도로의 곡률, 교차로, 과속 방지턱 위치, 도로 제한 속도, 그리고 목적지까지의 예상 주행 경로 등 전방 도로 상황을 파악할 수 있는 핵심적인 정보가 다수 포함되어 있으므로 주행의 종합적 맥락을 판단하기 위한 양질의 입력 데이터로 활용될 수 있다.


특히 자율주행차에 있어서는 더욱 다양한 센서 정보의 활용이 가능하므로 동력 소모를 최소화하는 능동적인 차량 속도 제어 또는 주행 경로 선택 등 적극적인 에너지 절감형 주행 제어 전략을 구현할 수 있다. 뿐만 아니라, 5G 등의 고속 무선 통신을 기반으로 하는 V2I 연결 장치를 활용하여 교통 신호등의 점등 상태 및 변화 주기를 입력받음으로써 제동시의 전기 에너지 회수를 극대화하거나, 교차로 통과시 주행 속도를 적절히 조절하여 차량이 정지하지 않고 녹색 신호등이 켜진 상태로 교차로를 연속적으로 통과함으로써 에너지 소모를 절감하는 기술도 연구되고 있다.


내연 기관 자율 주행 차량의 경우, 자율 주행 제어기와 파워트레인 제어기 간의 유기적인 협조 제어를 통해 코스팅 중립 주행 기반의 적극적인 펄스 앤 글라이딩(Pulse & Gliding) 제어를 적용하여 에너지 효율을 극대화할 수도 있다. 이와 같이 미래에는 자율주행 협조 제어 기반의 능동형 커넥티드 파워트레인 기술이 주행 에너지 절감에 크게 기여할 것으로 예상된다.


커넥티비티와 파워트레인 시스템이 연계된 지능화 제어 사례로서 현대차와 기아의 전방 예측 변속 시스템(PGS: Predictive Gear-shift System)을 들 수 있다. 전방 예측 변속 시스템은 3D 내비게이션 정보와 전방 레이더, 그리고 카메라 신호를 활용해 전방의 가·감속 상황을 예측하고 미리 최적의 기어로 변속하는 기술로서 운전의 편의성과 주행 안정성을 제공한다.


이 기술은 전방 도로의 커브 곡률과 경사, 교차로나 고속도로 합류점 등 다양한 도로 이벤트 및 전방의 교통 흐름을 판단한 뒤 자동차의 속도가 앞으로 어떻게 변해야 하는 지를 예측함으로써 목표 속도에 맞춘 최적의 기어를 미리 결정하는 원리이다.


향후, 이와 같은 전방 예측형 파워트레인 제어 기술은 배터리 소모 에너지를 최소화해야 하는 전기차에서 더욱 큰 효용성과 시너지가 있을 것으로 기대된다. 따라서 파워트레인의 전동화와 지능화는 서로 독립적인 진화 개념이 아니라, 서로 연계되어 시너지 효과를 극대화하는 방향으로 함께 성장할 것이다.


한편, 파워트레인과 샤시 시스템의 거동 역시 상호 유기적인 영향을 받으므로 전방 도로의 정보를 활용하는 예측 제어를 파워트레인과 샤시 시스템이 통합된 형태로 구성하는 것 또한 새로운 발전 방향이 될 것이다. 이에 따라 더욱 복잡해진 통합 제어 시스템의 다양한 주행 시나리오를 촘촘하게 검증하고 효율적으로 평가하기 위해 가상의 도로 및 교통 상황을 실사 수준으로 모사할 수 있는 디지털 트윈 기반의 메타버스 검증 환경 역시 매우 중요하게 활용될 것으로 전망된다.


● 커넥티드 파워트레인의 과제 - 보안 취약점

대부분의 파워트레인 제어 장치(VCU, ECU, TCU 등)는 임베디드 시스템 자원의 제약으로 인해 보안 설계가 미흡하여 외부의 불법 접근, 인증 우회, 펌웨어 변조, 위장 ECU 등을 통한 다양한 공격에 취약하다.


커넥티드 파워트레인의 경우, 차량 내/외부의 다양한 연결을 통해 장점을 얻는 반대 급부로 ‘연결’ 자체가 위협이 되는 상황에 놓이게 된다. 특히, GPS 재밍(Jamming) 또는 연결 센서 데이터의 교란을 통한 오작동 유도라든가 클라우드 연결 상황을 악용한 자동차 내부 시스템으로의 불법 접근 등의 해킹 공격이 발생할 경우, 파워트레인의 성능 저하는 물론이고 동력/구동 장치에 대한 의도적 오동작으로 인해 자칫 차량과 탑승객의 안전이 심각하게 위협받을 수도 있다.


이와 같은 보안 위협의 가능성에 효과적으로 대처하기 위하여 오래전부터 SAE J3061, ISO 21434 등의 자동차 보안 안전을 진단하기 위한 기준들이 마련되었으며, 특히 새로 제정된 UNECE WP. 29의 보안 규정에 따라 앞으로 사이버 보안은 인증을 통한 규제 대상이 될 예정이다. 결국 미래에는 ‘자동차 안전’의 개념이 차량 하드웨어의 안전성을 넘어서서 ‘소프트웨어의 안전’으로 이행될 것임은 자명하며, 외부와 연결된 커넥티드 파워트레인의 경우에는 매우 높은 단계의 보안 기준으로 취급될 수도 있다. <그림 7>은 사이버 보안을 위한 시스템 전략으로서 다중 보안 레이어(Multiple Security Layer) 개념의 방어 전략을 도시한 것이다.


● 인공지능 기술과 파워트레인의 융합 시너지

인공 지능(Artificial Intelligence)이란, 경험(Data)으로부터 스스로 규칙(Rule)을 습득하여 인간처럼 추론하고 판단하는 학습 알고리즘을 말한다. 데이터 최적화 성능이 탁월한 AI 기술은 수 많은 데이터 매핑을 통해 복잡한 운전 조건의 최적 제어량을 결정하는 파워트레인 시스템에 접목될 경우 큰 효과가 기대된다. 통상적인 파워트레인 제어는 개발 엔지니어가 제어의 규칙(Rule)을 만들고 이 규칙이 분기되는 조건과 각 조건의 적정값을 매핑 테이블의 형태로 튜닝함으로써 달성된다. 그러나 사람이 모든 분기 조건을 규칙으로 정하기 어렵고, 엄청난 양의 매핑 테이블을 튜닝하고 검증하는 데에도 상당한 공수와 개발 기간이 소요될 뿐만 아니라 사람의 오류(Human Error)가 개입될 가능성 또한 크다.


따라서 다차원적인 결정 경계(Decision boundary)를 정하기 위해 딥 러닝 기법을 적용할 경우, 학습을 통해 무수히 많은 선형 함수의 조합으로 결정 경계를 구분할 수 있으므로 기존의 맵 테이블이 갖는 물리적 표현력의 한계를 극복할 수 있으며, 특히 매핑 테이터의 최적치를 결정하는 과정에 강화학습(Reinforcement Learning) 등의 알고리즘을 적용하면 데이터 기반의 최적 제어 솔루션을 구현할 수도 있다.


앞으로 커넥티비티 정보 연결에 따라 더욱 증가될 입출력 신호들을 제어에 활용하기 위해서는 기존의 규칙 기반 알고리즘과 휴먼 매핑만으로 감당하기란 매우 어렵다. 따라서 AI 기술은 설계 및 매핑 방법론과 제어 알고리즘 모두에 혁신을 가져올 것으로 예상된다.


<그림 8>은 파워트레인의 구동 효율을 향상시키기 위해 차량이 소모할 운동 에너지를 추정하고 미래의 차량 거동에 선제적으로 대응하는 예측 제어를 수행하기 위하여 근 미래의 차량 속도를 예측하는 딥 러닝 모델의 아키텍처를 구성한 사례이다.1


이는 과거에 수집된 차량 주행 데이터와 현재의 운전자 조작, 그리고 미래에 주행될 전방 도로 및 교통 정보를 입력으로 하는 생성 딥 러닝 신경망을 통해 특정 시간 동안의 미래 차량 속도를 연속 추론하는 개념이다. 기존의 결정론적인 접근 방법으로는 불확실성이 높은 미래 차량 거동을 예측하기가 매우 어렵지만, 다양한 딥 러닝 아키텍처 중에서도 CVAE와 같이 데이터의 분포 확률을 기반으로 미래를 예측하는 생성 모델(Generative model)을 적용할 경우 불확실한 미래 거동의 예측에서 우수한 성능을 얻을 수 있다.


인공지능 알고리즘을 파워트레인과 같은 기계 시스템의 제어에 활용하는 경우, 수 많은 파라미터를 빠르게 연산하여 낮은 레이턴시(Latency)로 실시간 추론할 수 있어야 하고 통신 지연이 발생하는 클라우드 서버에는 의존할 수 없으므로 자동차에 탑재된 제어기 연산 성능의 제약을 받게 된다. 따라서 미래에는 파워트레인 등 차량 제어기에 적용되는 프로세서에 고속 병렬 연산이 가능한 AI 가속 기능이 요구되는 바, 자동차용 시스템 반도체 분야의 발전도 기대된다.


한편, 인공지능 알고리즘을 적용함에 있어서 일반적으로 범용의 인공 신경망 구조를 그대로 사용할 수는 없으며, 기존의 핵심 AI 모델(Core AI)을 목적에 맞도록 적절히 변형 또는 조합하여 새로운 응용 모델의 구조를 설계하는 과정이 매우 중요하다. 그리고 데이터 기반 모델의 특성상, AI 아키텍처의 선정 못지 않게 학습을 위한 빅 데이터의 고도화된 분석을 기반으로 편향성 없고 희소 상황(Rare case)에도 대응할 수 있는 강건한 학습 데이터 수집과 선정 역시 매우 중요하다는 점을 간과해서는 안된다.


이와 같은 AI 기술의 응용에 대해 David Wolpert는 “가능한 모든 시나리오에 가장 잘 부합하는 단일한 분류기는 존재하지 않는다”라는 그 유명한 <“No Free Lunch” Theorem>을 천명한 바 있듯이, 활용 목적에 정확히 부합하는 AI 모델의 구성과 최적 데이터 셋을 결정하는 일은 도메인 지식과 AI 기술을 모두 요구하는 지난하고 복잡한 엔지니어링 과정을 필요로 한다.


최근 AI 분야에서는 수백억개의 파라미터가 사용되는 초거대 모델 등이 중요한 진화 방향의 하나이겠지만, 파워트레인과 같은 기계 부품의 성능을 극대화하기 위해서는 모빌리티에 내장된 저전력 제어 장치에서 효율적으로 작동하는 실시간 학습 제어와 AI 경량화 기술이 더욱 중요하다. 이와 같이 자동차에 탑재된 온디바이스 인공지능(On-device AI) 기술을 통해 고객의 일상에 인공지능의 혜택이 널리 보급될 수 있고, 파워트레인 성능의 향상뿐만 아니라 모빌리티의 새로운 사용자 경험을 창출하는 데에도 크게 일조할 수 있을 것으로 전망된다.


<참고문헌>

1. D. H. Jeong and B. W. Jeon, “Development of a Near-Future Vehicle Speed Prediction Technology Using Generative Deep Learning Model,” Transactions of KSAE, Vol.29, No.7, pp.629-637, 2021.


주소: (03157) 서울특별시 종로구 종로 19, 9층 914호(종로1가, 르메이에르 종로타운)
이메일: kaja@kaja.org 
Copyright 2019 KAJA(한국자동차기자협회). All rights reserved