Otomobilgi.comOtomobilgi.com
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • 메인 페이지
  • 뉴스
    터키 자동차 산업 뉴스
    글로벌 자동차 산업 뉴스
    터키 모터스포츠 뉴스
    글로벌 모터스포츠 뉴스
  • 자동차
    내연기관
    • 내연 기관 모델
    • 내연기관 엔진 기술
    • 연료 및 소비
    • 배출과 환경
    • 내연기관 차량 소유
    • 내연기관 자동차의 역사
    전기차
    • 전기 모델
    • 전기 자동차 기술
    • 충전 및 인프라
    • 배터리 기술
    • 주행 거리와 전비
    • 전기차 오너십
    • 전기 자동차의 역사
    하이브리드
    • 하이브리드 모델
    • 하이브리드 시스템
    • 배터리 및 충전
    • 소비와 효율성
    • 하이브리드 소유권
    • 하이브리드 자동차의 역사
    슈퍼카
    하이퍼카
  • 기술
    운전자 지원 시스템
    안전 기술
    조명 및 시야 기술
    인포테인먼트 및 커넥티비티
    자율 주행과 인공지능
    미래 기술
  • 가이드
    구매 가이드
    판매 가이드
    유지보수 및 사용
    소유권 및 비용
    타이어 및 휠
    보험 및 검사
  • 역사 & 문화
    자동차의 역사
    아이코닉 모델
    클래식 및 컬렉션
    터키의 자동차 여정
    자동차 디자인
    자동차와 대중문화
  • 모터스포츠
    포뮬러 1
    랠리 (WRC)
    랠리크로스
    MotoGP
    포뮬러 2 & 포뮬러 3
    카팅
    Le Mans 24시간
    WEC
    NASCAR
    IndyCar
    DTM
    GT 레이스
    드리프트
    드래그 레이스
  • 저희를 소개합니다
    회사 소개
    연락처
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  1. 메인 페이지
  2. 기술
  3. 자율 주행과 인공지능
  4. 자율주행을 수년간 지연시켜온 엣지 케이스들

자율주행을 수년간 지연시켜온 엣지 케이스들

  • 자율 주행 및 인공지능
  • 작성자: Lütfi Mete Odabaşı
  • 생성: 1 11월 2026
자율주행차의 99.9%는 평범한 교통 상황으로 구성되며, 나머지 아주 작은 부분이야말로 수년간 기술의 도로 위 상용화를 막고 있는 진짜 시험이다.
자율주행차의 99.9%는 평범한 교통 상황으로 구성되며, 나머지 아주 작은 부분이야말로 수년간 기술의 도로 위 상용화를 막고 있는 진짜 시험이다.

자율주행차는 도로에 나오면 삶의 99.9%를 똑같은 일만 하며 보냅니다: 차선을 따라 주행하고, 빨간불에서 멈추고, 앞차와의 간격을 유지하는 것. 그런데 진짜 질문은 이것입니다: 남아 있는 아주 작은 부분, 즉 수백만 킬로미터에 한 번 겪는 그 이상한 순간들에는 무슨 일이 일어날까요? 바로 이 순간들이 자율주행의 "곧 완성된다"는 약속을 늦추는 원인입니다 - 이 글에서 왜 아직도 해결되지 않았는지 설명하겠습니다.

엣지 케이스란 무엇이고, 롱테일은 왜 다른 개념일까?

먼저 용어를 정리합시다. 이 두 개념은 자주 혼동되기 때문입니다. 엣지 케이스 (edge case)는 자율주행 시스템의 학습 데이터 범위를 벗어난 드문 시나리오입니다: 고속도로에 뒤집힌 사다리, 평소와 다른 교통경찰의 수신호, 이례적인 기상 조건 등이 있습니다. 이것들은 미리 정의할 수 있습니다. 적어도 이론상으로는요.

롱테일 (long tail)은 훨씬 더 소름 끼치는 개념입니다: 생각조차 하지 못했던 모든 것의 총합입니다. 밤새 바뀌는 공사 현장, 비 내리는 날 픽업트럭에서 굴러떨어지는 매트리스, 그리고 그 꼬리 끝의 시나리오 - 아무도 문제 목록에 적어두려고 생각하지 않았던 것들. 엣지 케이스가 퍼즐이라면, 롱테일은 조각이 몇 개인지조차 모르는 퍼즐 상자와 같습니다.

희귀성에도 여러 종류가 있습니다. 첫째는 희귀 클래스입니다: 당나귀, 구급차처럼 도로에서 좀처럼 볼 수 없는 사물들. 둘째이자 더 교황한 것은 희귀 시나리오입니다: 사물 자체는 아주 평범하지만 배치가 기괴한 경우 - 트럭 뒤에서 갑자기 나타나는 보행자나 사다리를 싣고 달리는 자전거 타인 같은 것입니다. 두 번째 유형을 찾는 것이 훨씬 어렵습니다. 시스템에서 모든 구성 요소는 이미 정의되어 있기 때문입니다; 문제는 그것들이 결합되는 방식에 있습니다.

전문가들은 엣지 케이스를 네 가지 주요 범주로 나눕니다: 환경적(날씨, 조명 조건), 사물 기반(희귀 사물), 행동적(예측 불가능한 도로 사용자), 센서 고유(하드웨어 고장, 사각지대)입니다. 각 범주는 그 자체로 골칫거리입니다; 모두 합쳐지면 꼬리가 왜 그렇게 긴지 설명해 줍니다.

핵심 요약

  • 99%의 정확도로 작동하는 시스템은 약 10,000마일 주행마다 한 번씩 자신이 해결하지 못하는 위험한 시나리오와 마주칠 수 있습니다.
  • 일반적인 데이터 세트에서 자동차 관련 493,322 개의 주석이 있는 반면, 구급차 주석은 49개에 불과합니다.
  • 가장 희귀한 30개 사물 클래스는 공개된 344,966프레임의 라벨링 데이터에서 각각 250회 미만 등장합니다.
  • 자율 시스템이 사람처럼 운전한다면 전체 사고의 약 3분의 1만 예방할 수 있습니다.

숫자로 보는 희귀성: 이 꼬리는 왜 이렇게 길까?

423.798 karelik veride bile uç durumlar tükenmiyor; tam otonominin eşiği milyon kilometrelerce nadir senaryo gerektiriyor.

희귀성의 규모를 이해하려면 약간의 수학이 필요합니다. 99% 정확도는 들리기에 멋지게 느껴지죠, 그렇지 않나요? 하지만 계산해 보면: 이 정확도의 시스템은 10,000마일 주행당 약 한 번, 자신이 해결하지 못하는 위험한 시나리오에 직면하게 됩니다. 일상적인 사용에도 이 숫자는 너무 큽니다 - 완전 자율주행에게는 재난 수준입니다. 안전 기준이 초저오류율을 요구하기 때문입니다.

데이터 쪽의 상황은 더욱 극적입니다. Mercedes-Benz와 Esslingen 대학의 공동 연구인 SearchAD 벤치마크는 11개 주행 데이터 세트에서 423,798개 프레임을 검토했습니다: 희귀 카테고리 90개, 수동 라벨 513,265개. 그 결과는? 가장 희귀한 30개 클래스는 각각 344,966개 프레임 규모의 공개 라벨링 데이터에서 250회 미만으로 나타납니다. 이런 희귀 사례를 수작업으로 찾으려던 한 전문 회사에서는 작업에 8개월이 걸렸고, 프레임당 평균 1분 이상이 소요되었으며 각 프레임은 최소 두 번 검토되었습니다.

객체 클래스예시 데이터 세트의 어노테이션 수
승용차493,322
유모차1,072
구급차49

이 표는 세계 그 자체의 왜곡을 보여줍니다: 승용차는 어디에나 있지만, 구급차는 거의 어디에도 없습니다. 그리고 문제는 발견만이 아닙니다; 라벨 기반 검색은 사전에 정의된 클래스만 반환합니다. 비 속에서 쓰레기봉투를 뒤집어쓴 보행자를 아무도 라벨링하지 않았다면, 그 데이터를 찾는 어떤 쿼리도 그를 찾을 수 없습니다. 집계 성능 지표도 희귀 클래스의 부진을 강력한 전체 점수 안에 숨길 수 있습니다.

더 많은 데이터를 수집하면 안 될까?

답은 압도적으로 "아니오"이고, 그 이유는 한 문장짜리 사실입니다: 데이터의 왜곡은 세계의 왜곡이다. 도로에서 수집된 주행 데이터의 압도적 대부분은 평범한 행위로 가득합니다 - 차선 유지, 신호 준수, 막힘없는 도로. 데이터 세트를 두 배로 늘리면 대체로 평범한 예시가 두 배 추가되는 것입니다; 희귀 사례는 행렬 속 더 깊이 파묻힙니다. 이것이 바로 전형적인 수확 체감 문제입니다: 연산 능력과 데이터를 확장해도 초저오류율 영역에서는 충분한 성과를 내지 못합니다.

그렇다면 희귀 시나리오를 세트장에서 재현하면 어떨까? 여기에 두 번째 벽이 있습니다: 희귀 사례 대부분은 위험하거나 불가능합니다. 트럭 뒤에서 뛰쳐나올 보행자를 연출로 만들어내는 것은 시도조차 할 수 없습니다. 게다가 행렬은 열려 있습니다 - 끝점이 없으므로, "전부 완료했다"고 말할 순간은 결코 오지 않습니다.

그렇기에 시뮬레이션은 훌륭한 조력자이지만 구원자는 아닙니다. 실제 도로에서는 어떤 테스트 횟수도 안전을 단독으로 보장할 수 없습니다; 게다가 인위적으로 희귀 사건을 생성하는 것 자체도 어려운 엔지니어링 문제입니다. Waymo의 접근 방식은 여기서 주목할 만합니다: 팀은 실제 세계에서 치명적으로 끝난 충돌 시나리오를 재구성하고 Waymo Driver를 충돌을 일으킨 차량의 위치에 놓습니다. 시뮬레이션에서, 모든 충돌을 피했습니다. 인상적입니다 - 하지만 이는 정의된 시나리오에서 성공한 것이지, 행렬 전체를 소진했다는 뜻은 아닙니다.

제조사들은 같은 문제에 어떻게 접근하고 있을까?

Mobileye: 실패를 사냥하는 인공지능

Mobileye가 2026년에 소개한 두 가지 도구는 이 문제에 체계적인 해법을 제시합니다. Meteor 이라 불리는 다중 에이전트 인공지능 데이터 분석가는 시각-언어 모델 임베딩과 자동 추론을 활용해 수백만 시간의 주행 영상을 훑습니다. 그리고 그것이 찾는 것은 흥미롭습니다: "검은 백조"라고 불리는 일회성 기적이 아니라, 반복 가능한 실패들 - 부분적으로 가려진 보행자, 불분명한 도로 사용자처럼 반복되는 패턴들. 탐색, 가설, 시나리오 조회, 검증 및 학습 데이터 체인을 자동으로 처리합니다. Genario 라는 동반자 시스템은 검증된 모든 실패를 포토리얼리스틱한 합성 시나리오로 변환하고 밤/낮, 비, 눈, 얼음, 안개 변형으로 복제합니다. 이 모든 것의 배경에는 25년이 넘는 경험, 2억 3천만 대가 넘는 차량, 그리고 매일 800만 대의 차량에서 오는 데이터 업로드가 있습니다.

Waymo: 제한된 영역, 엄격한 규칙

Waymo의 전략은 대기열을 줄이는 대신 대기열이 진입할 수 있는 영역을 줄이는 것입니다. Operational Design Domain 이라고 부르는 운영 설계 영역(ODD)은 지리, 도로 유형, 속도 범위, 날씨 및 시간대로 정의됩니다. 회사의 규제 문서에 따르면 목표 영역은 시속 65mph까지의 속도 제한이 있는 도로를 포함합니다. 차량은 완전 자율 주행을 하며, 원격에 있는 인간 운영자는 조이스틱으로 차를 운전하지 않고 최상위 수준의 안내만 제공합니다. 2026년 10월에는 예상치 못한 상황에 대비하기 위한 사건 관리 훈련에 관한 새로운 프레임워크도 발표했습니다. 경영 측면의 메시지는 분명합니다. 자율 주행 차량은 사고를 극적으로 줄일 수 있지만 100%에 도달할 수는 없으며, 이에 대해 열리고 정직하게 이야기할 필요가 있습니다. 회사 데이터는 로보택시의 백만 마일당 사고 횟수가 이전 몇 년에 비해 훨씬 낮다는 것을 보여줍니다. 또 다른 관찰은 ODD 정의와 안전 개념이 여러 도시에서 재사용될 수 있다는 점인데, 이러한 유연성은 분야의 경계에 대한 의문도 불러일으킵니다.

Tesla와 NVIDIA: 두 가지 다른 도박

Tesla는 수백만 대의 차량과 수십억 마일의 실세계 데이터가 시간이 지나면 대기열을 밝혀줄 것이라는 도박을 하고 있습니다. Full Self-Driving (Supervised) 버전에서 사용자들은 더 적은 개입을 보고하고 있으며, 회사에 따르면 FSD는 인간 실수로 인한 충돌 가능성을 80% 이상 줄입니다 - 하지만 이는 회사 자체 데이터이고 독립적인 검증 문제는 논쟁적입니다. Tesla는 어떠한 공식 분리(disengagement) 데이터도 발표하지 않았습니다. 사용자 보고서도 일화 수준이지만 단서로 가득합니다: 차선을 변경하는 트럭 앞에서 시스템에서 분리해야 하는 상황이나, 좌측 차선에 서 있는 공사 트럭에 고속으로 접근하는 시스템.

NVIDIA는 반대 방향을 보고 있습니다: 시뮬레이션과 일반화 가능한 지능으로 미지의 상황에 대해 추론하는 것입니다. Alpamayo-R1 프로젝트는 추론 데이터로 학습된 모델이 어려운 사례에서 계획 정확도를 최대 12%까지 개선하고 근접 충돌을 35% 줄였음을 보여주었습니다. 두 철학 모두 - Mobileye의 가설 기반 데이터 마이닝과 Wayve의 엔드투엔드 인공지능 접근법처럼 - 아직 확실한 해결책으로 입증되지 않았습니다. 아무도 대기열의 끝을 보지 못했습니다.

원격 인간 개입: 안전망인가, 취약점인가?

로보택시 회사들의 실용적인 보장은 원격 조작(teleoperation)입니다: 시스템에 과부하가 걸리거나 고장 났을 때 원격 인간 운영자가 개입하는 것. 미국 상원 청문회는 로보택시 회사들이 정확히 이것에 의존하고 있음을 드러냈다. Cruise 로보택시가 원격 운영자의 잦은 개입을 필요로 한다는 업계 내부의 인식도 이미 있었다.

하지만 이 안전망에는 사다리가 하나 있다. Waymo 모델에서 원격 운영자는 상위 수준의 안내만 제공하며, 조향대를 잡지는 않는다. 반면 Tesla의 오스틴 로보택시 출시에서는 원격 지원 직원이 시속 2마일 이하의 속도에서 일시적으로 제어권을 가져와 차량을 원격으로 운전할 수 있는 것으로 알려졌으며, 한 주 교통 당국의 2025년 보고서는 Tesla가 드문 극단 사례와 까다로운 환경을 위해 원격 운영을 채택했음을 문서화하고 있다. 저지연 5G 및 6G 연결이 이러한 모델을 기술적으로 가능하게 만든다. 질문은 이것이다: 시스템이 해결하지 못하는 시나리오를 인간이 해결하는 것이 진정한 해결책인가, 아니면 문제를 보이지 않는 대기열로 옮기고 있는 것인가?

약속과 현실 사이에서 법은 무엇을 말하는가?

여기서 일이 심각해진다. 드문 극단 사례에서 일어난 사고는 기술적 문제일 뿐만 아니라 법적 문제를 낳기 때문이다. 미국에서 NHTSA는 2026년 4월 자율주행 시스템 규정의 업데이트를 발표했다. 법적 측면에서는 흥미로운 구분이 있다: 차량이 안전 기준을 준수한다고 해서 완벽해지는 것은 아니다. 과실 주장은 완전히 다른 법적 경로이며, 원고 측 변호사들은 바로 이 지점에서 움직인다. 텍사스에서 작성된 한 법률 가이드에 따르면 소송에서 사용되는 논거는 회사의 약속과 자동차가 실제로 하는 일 사이의 차이다. Brookings이 지적한 기술적 위험도 같은 지점에 연결된다: 인식 및 예측 시스템에서의 예측 불가능한 오류는 차량이 잘못된 시간에 잘못된 행동을 하게 만들 수 있다.

SAE의 J3016 표준의 수준들도 약속의 현실을 수면 위로 끌어올린다. 레벨 0에서 레벨 5에 이르는 척도에서 도로 위 차량의 압도적 다수는 아직도 레벨 1 또는 레벨 2에 머물러 있다. 레벨 3은 책임을 운전자에서 제조사로 넘기는 큰 부담 변화를 만들어낸다. 레벨 5에 대해서는 일부 전문가들처럼 생각된다: 인간이 운전할 수 있는 모든 곳에서 작동하는 차량은 결코 존재하지 않을 것이다. 2026년의 한 학술 논문조차 기존 수준들이 실제 세계의 능력을 반영하지 않는다고 주장하며 상황과 환경에 기반한 추가 분류를 제안하고 있다.

대기열은 소비될 수 있는가? 정직한 답변

가장 명확한 형태로 말해주겠다: 극단 사례란 자율주행이 약속된 완전 자율주행에 도달하는 것을 지연시키는, 통계적으로 극히 드물지만 예측 불가능한 시나리오이다. 무한한 데이터 수집도 시뮬레이션도 이 열린 대기열을 혼자서는 소비할 수 없다. 낙관적 측면의 손에는 실제 사고 데이터가 있다: Waymo 데이터는 마일당 사고 건수가 실제로 감소했음을 보여주며, Mobileye의 합성 시나리오 생성은 대기열을 체계적으로 줄여나가고 있다. 비관적 측면의 손에도 사실이 있다: 사람처럼 운전한다면 사고의 약 3분의 1만 예방할 수 있습니다; 일부 안전 기관에 따르면 운전자 없는 주행은 아직 멀었고, 기본적인 과제에서도 여전히 정기적으로 실패가 발생합니다. 그리고 다음 논쟁은 이미 문 앞에 있습니다: 극한 상황을 어떻게든 해결한다면, 이번에는 범용 인공지능 모델의 정확성을 어떻게 보장할 것인가?

제가 보는 바는 이렇습니다: 자율 주행은 경주가 아니라 컨베이어 벨트 탈락 작업입니다. 매일 수천 킬로미터를 문제없이 주행해도 아무도 감동하지 않습니다; 차이를 만드는 것은 백만 마일에 한 번 찾아오는 그 이상한 순간에 어떻게 대응하느냐입니다. 그리고 그 순간에 어떻게 할지는, 그 시나리오를 상상한 그날부터 이미 정해져 있지 않습니다. 로보택시가 이 대기열을 극복할 수 있을 것 같으신가요, 아니면 항상 한 발 앞서 도망칠까요? 댓글로 여러분의 생각을 궁금해합니다.

참고 자료

  • Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
  • Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
  • Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
  • Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
  • Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
  • Full Self-Driving (Supervised) Vehicle Safety Report (Tesla)
  • Solving the long-tail with e2e AI (Wayve)
  • SAE Levels of Driving Automation (SAE International)
  • Self-driving vehicles could struggle to eliminate most crashes (IIHS)
  • STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)

이 페이지 공유하기

카테고리 편집자

Lütfi Mete Odabaşı

Lütfi Mete Odabaşı

젊고 역동적이며 탐구와 배움을 사랑하는 자동차 및 모터스포츠 애호가입니다. Mete는 젊은 시각으로 우리 자동차 뉴스, 정보 및 문화 플랫폼에 가치를 더하고 있습니다. 자동차 기술의 혁신과 모터스포츠의 동향을 면밀히 팔로우하며, 배운 내용을 otomobilgi.com을 위한 유용하고 알찬 콘텐츠로 만들어냅니다.

관련 콘텐츠

Waymo의 2억 7,100만 킬로미터 무인 주행 기록은 로보택시가 인간보다 68% 더 적은 사고를 낸다는 것을 보여주지만, 안전성은 여전히 어디서 그리고 어떻게라는 질문에 달려 있습니다.
자율 주행 및 인공지능자율주행차는 정말 안전할까? 사고 데이터가 말해주는 것은?
오스틴 거리에서 운전자 없는 Model Y가 달리는 모습은 이제 공상 과학이 아니라, 앱으로 호출하면 문 앞으로 오는 실제 서비스입니다.
자율 주행 및 인공지능테슬라 로보택시 서비스, 운전자 없이 어떻게 작동할까?
차선이 흐려져 불분명해질 때 핸들을 잡는 것은 사실 인공지능이 아니라, 수 킬로미터 떨어진 곳에서 화면을 보고 있는 한 사람이다.
자율 주행 및 인공지능로봇택시 뒤의 원격 운전자들
Waymo의 로보택시는 샌프란시스코에서는 당신의 집 앞까지 오지만, 몇 킬로미터 떨어진 평범한 소도시에서는 앱이 그저 빈 화면으로 응답할 뿐입니다.
자율 주행 및 인공지능왜 웨이모의 지도는 특정 도시에서만 사용 가능한가?
폭설 속에서는 라이다의 감지 성능이 50% 이상 떨어지고, 인공지능이 어떤 센서를 신뢰해야 할지 판단하지 못해 로보택시들이 멈춰 서 있습니다.
자율 주행 및 인공지능자율주행차는 왜 눈과 비 앞에서 '시력'을 잃을까요?
Tesla의 99달러 FSD 구독은 이름 그대로 완전 자율주행을 약속하지만, 돈값을 하는지는 하루에 얼마나 많은 킬로미터를 운전하느냐에 달려 있습니다.
자율 주행 및 인공지능자율 주행에 월 구독료를 내는 것이 합리적일까?
10년 동안 매년 발표되던 완전 자율주행 도입 시기는 하나둘씩 지나갔고, 오늘날 도로에서 여전히 만져볼 수 있는 것은 Level 2 운전자 지원 기술이다.
자율 주행 및 인공지능자율주행이 2015년 이후 계속 미뤄온 약속들
서비스는 실제로 작동하고 승객들도 만족하지만, 안전 상황은 기업들이 말하는 것만큼 낙관적이지 않으며 시스템이 다운되면 차 안에 갇힐 수도 있습니다.
자율 주행 및 인공지능로보택시를 타면 어떤 일이 벌어질까? 실제 경험과 안전
Waymo는 극히 일부 지역에서만 무인 주행을 하고, Tesla는 모든 곳에서 감독 하에 운영됩니다. 이 차이는 우연이 아니라 두 회사 비즈니스 모델의 본질 그 자체입니다.
자율 주행 및 인공지능웨이모는 도시에서 혼자 다니는데 테슬라는 왜 아직도 운전자가 필요할까?
핸들이 비어 있는 상태에서 사고가 발생하면 책임은 이제 더 이상 운전자에게 있지 않고, 시스템을 개발한 회사의 몫이 됩니다.
자율 주행 및 인공지능운전석에 아무도 없는데 사고가 나면 누가 책임자일까요?

태그

  • 자율 주행
  • 자율주행차 안전성
  • 테슬라
  • 웨이모
  • 로보택시
  • 완전 자율 주행
  • sae 등급
  • 운영 설계 영역
  • 자율주행 해제 데이터
  • 엣지 케이스
  • 긴 꼬리 문제
  • 텔레오퍼레이션(원격 조종 운전)

소셜 미디어에서 저희를 팔로우하세요

  • 회사 소개
  • KVKK 개인정보 보호 안내문
  • 개인정보 보호정책
  • 연락처
Otomobilgi.com
독립 자동차 문화 플랫폼
Virgo CMS로 구동됨