자율주행 시스템(ADS)이 보편화되면서, 차량에 어떤 자율주행 시스템이 활성화되어 있는지 독립적으로 검증하는 기술의 중요성이 커지고 있습니다. 이는 안전 모니터링, 규제 준수, 보험 평가, 그리고 이상 탐지에 필수적입니다. 최근 발표된 한 연구는 GRU(Gated Recurrent Units), LSTM(Long Short-Term Memory) 네트워크, 그리고 트랜스포머(Transformer) 인코더 모델이라는 세 가지 시퀀스 기반 분류 모델이 차량 텔레매틱스 데이터만을 이용해 레벨 2 자율주행 시스템(테슬라 오토파일럿, 캐딜락 슈퍼 크루즈, 콤마.ai 오픈파일럿)과 수동 운전을 식별하는 데 얼마나 효과적인지 평가했습니다.
연구 결과, 세 모델 모두 깨끗한 데이터 환경에서는 매우 높은 성능을 보였습니다. GRU는 0.92, LSTM은 0.90, 트랜스포머 인코더 모델은 0.93의 매크로 F1-점수를 기록하며, 자율주행 시스템을 정확히 분류해냈습니다. 그러나 연구팀은 현실적인 텔레매틱스 데이터 손상을 시뮬레이션하는 모듈형 견고성 평가 프레임워크를 도입하여 모델의 민감도를 분석했습니다. 이 프레임워크는 5가지 유형의 손상(예: 가산 백색 가우시안 노이즈, 채널 간 상관 노이즈, 시간적 지터, 버스트 손실 등)을 5단계 심각도로 적용했습니다.
평가 결과는 흥미로운 실패 모드를 드러냈습니다. 이벤트 수준의 데이터 손상(예: 버스트 손실)은 모델의 매크로 F1-점수를 약간만 감소시켰지만(최저 0.87), 시간적 지터(temporal jitter)는 모든 모델의 성능을 0.44~0.50 수준으로 급격히 떨어뜨렸습니다. 이는 텔레매틱스 데이터의 미세한 시간 왜곡이 자율주행 시스템 식별에 치명적인 영향을 미칠 수 있음을 시사합니다. 미래 소프트웨어 정의 차량(SDV)은 여러 자율주행 시스템을 동시에 운용할 수 있으므로, 이러한 모니터링 시스템의 견고성 확보는 더욱 중요해질 것입니다. 이번 연구는 자율주행 시스템의 안전성과 신뢰성을 높이기 위한 데이터 처리 및 모델 설계에 있어 중요한 고려 사항을 제시합니다.