기존 차량의 견인력 제어(트랙션 컨트롤) 시스템은 타이어가 노면과의 접지력 한계를 이미 넘어선 뒤에야 개입한다는 구조적 한계를 안고 있다. 최근 공개된 한 연구는 이런 사후 대응 방식 대신, 통계적으로 근거를 갖춘 사전 경보 신호를 만들 수 있는지를 실험적으로 검증했다. 연구진은 ‘롤링 분할 컨포멀 예측(Rolling Split Conformal Prediction)’이라는 불확실성 정량화 기법을 활용해, 운전자별로 학습된 랜덤 포레스트 모델이 예측한 미끄러짐 행동과 실제 관측값 사이의 오차, 즉 비순응성 잔차의 변동성을 실시간으로 관찰하는 방식을 제안했다. 이 잔차가 평소보다 크게 흔들리기 시작하는 시점을 포착하면, 타이어가 실제로 미끄러지기 전에 위험 신호를 미리 띄울 수 있다는 게 핵심 아이디어다.
컨포멀 예측은 머신러닝 모델의 출력에 통계적으로 보장된 신뢰구간을 씌우는 방법론으로, 최근 몇 년 사이 자율주행·의료 진단·금융 리스크 관리 등 오판의 대가가 큰 분야에서 주목받아 왔다. 일반적인 딥러닝 모델은 예측값 하나만 내놓을 뿐 그 예측이 얼마나 믿을 만한지는 알려주지 않는다. 반면 컨포멀 예측은 사전에 정한 신뢰수준(예: 95%)을 만족하는 범위를 함께 제시해, 모델이 확신하지 못하는 상황을 시스템이 스스로 인지하게 해준다. 롤링 방식은 이 신뢰구간 계산을 고정된 배치가 아니라 시간에 따라 흐르는 창(window) 단위로 갱신해, 노면 상태나 운전 패턴이 시시각각 바뀌는 실제 주행 환경에 대응하도록 설계됐다.
이번 연구는 연구팀이 밝힌 바에 따르면 이전에 내부적으로 진행했던 초기 버전의 평가에서 특정 교란 변수가 결과를 왜곡했던 문제를 바로잡아 다시 수행한 것으로 알려졌다. 즉 단순히 새로운 기법을 제안하는 데 그치지 않고, 같은 방법론을 재검증하는 과정에서 방법론적 엄밀성을 강화했다는 의미를 지닌다. 다만 공개된 자료에는 구체적인 정확도 수치나 실차 실험 규모까지는 상세히 나와 있지 않아, 추가 검증이 뒤따라야 할 것으로 보인다.
트랙션 손실은 자율주행차뿐 아니라 산업용 이동로봇, 물류 자동화 설비 등 바퀴나 다리로 이동하는 모든 기계 시스템에서 공통적으로 마주치는 위험 요소다. 특히 빗길이나 빙판, 비포장 노면처럼 마찰 계수가 급격히 변하는 환경에서는 사고 발생까지 걸리는 시간이 매우 짧아, 사후 개입만으로는 충돌이나 전복을 막기 어려운 경우가 많다. 이런 맥락에서 사고가 벌어지기 전 단계에서 위험을 통계적으로 정량화해 경고하는 접근은 자율주행 안전성 확보의 새로운 축으로 평가받을 가능성이 있다.
한국은 자율주행 셔틀, 물류 로봇, 도심항공모빌리티(UAM) 등 이동체 기반 산업을 국가 전략 과제로 육성하고 있어, 이런 사전 경보형 안전 기술의 활용 여지가 크다는 관측이 나온다. 특히 겨울철 결빙이 잦은 국내 도로 환경을 고려하면, 운전자별 데이터를 학습해 개인화된 위험 신호를 제공하는 방식은 국내 자율주행 실증 사업에도 응용될 수 있는 대목이다. 다만 이 연구가 다룬 모델과 데이터가 특정 조건에서 수집된 것인 만큼, 실제 양산차나 다양한 로봇 플랫폼에 적용하려면 별도의 현장 검증이 필요할 것으로 전망된다.
