오토폼엔지니어링이 올리비에 르퇴르트르(Olivier Leteurtre) CEO의 방한과 함께 한국 시장을 위한 기술 협력과 인재 양성 전략을 발표했다. 이번 전략은 국내 고객과의 디지털 협업을 확대하고, 지역 기반 산학협력을 통해 디지털 금형 생태계를 구축하는 데 중점을 두고 있다. 르퇴르트르 CEO는 “제조업의 미래는 디지털 협업 생태계 위에서 결정된다. 오토폼은 금형 산업의 복잡한 공정과 데이터를 정밀하게 연결해, 더 이상 ‘경험’이 아닌 ‘데이터’로 예측하고 판단하는 환경을 만들어가고 있다”면서, “특히 한국은 자동차 산업의 글로벌 중심지이자, 디지털 제조 혁신이 가장 빠르게 진화하는 시장으로, 이 전환의 최전선에 서 있다. 오토폼은 이곳에서 디지털 트윈과 시뮬레이션을 통해 제조 방식의 새로운 기준을 제시하고, 산업의 미래를 주도해 나가겠다”고 밝혔다.     오토폼은 국내 주요 자동차 및 전자 산업의 OEM 기업과 협력하며 금형 설계, 시뮬레이션, 공정 최적화 등 다양한 디지털 전환 프로젝트를 전개하고 있다고 소개했다. 특히 ‘디지털 프로세스 트윈’을 구현함으로써 설계 초기부터 품질을 예측하고 리스크 줄이는 시스템을 현실화해 불량률을 줄이며, 실제 제조 현장에서의 리드타임 단축과 생산성 향상에 기여하고 있다. 이 같은 기술은 ESG 경영 요구에 대응하는 스마트 제조 구현에도 핵심 역할을 하고 있다는 것이 오토폼의 설명이다. 또한 오토폼은 국내 제조업 밸류체인 전반의 디지털 역량 강화를 위해, 중소 협력업체 지원에도 적극 나서고 있다고 밝혔다. 경일대학교 내에 설립 예정인 ‘디지털 트라이아웃 랩(Digital Tryout Lab)’은 고가의 소프트웨어나 전문 인력 없이도 시뮬레이션 기반 공정 해석을 적용할 수 있도록 돕는 기술 거점으로, 기존에 디지털 전환에서 소외됐던 2차·3차 벤더의 실질적 변화와 기술 내재화를 지원한다. 이 센터는 아진산업 등과 연계해 실무 중심의 시범 프로젝트를 수행하고 있으며, 향후 다양한 협력사들이 활용할 수 있는 공동 인프라로 확대될 예정이다. 오토폼은 기술 지원과 더불어 인재 양성 측면에서도 산학 협력을 강화하고 있다. 오토폼은 경북기계공업고등학교와 디지털 금형 분야 인재 양성을 위한 업무협약(MOU)을 체결하고, 지역 기반의 실무형 교육 생태계 조성에 나선다고 전했다. 이번 협약은 교내 실습과 인턴십, 산업 현장과의 채용 연계를 포함한 통합형 프로그램으로 구성되며, 디지털 제조 환경에 특화된 현장 맞춤형 기술 인재를 체계적으로 육성하는 데 초점을 맞추고 있다. 이외에도 오토폼은 국립창원대학교에 600억 원 규모의 소프트웨어를 3년간 기증해 ‘글로컬 산업기술거점센터’를 설립하고, 지역 기업과 연계한 실무 교육 및 취업 연계 프로그램을 운영하고 있으며, 성균관대학교와는 복합재료 기반의 공동 연구와 실무형 교육을 통해 차세대 제조 인재를 양성하고 있다. 오토폼엔지니어링코리아의 조영빈 대표는 “디지털 전환은 더 이상 대기업만의 과제가 아니며, 금형 산업의 디지털화는 선택이 아닌 생존의 문제다. 오토폼은 중소 협력사를 포함한 밸류체인 전반을 디지털 협업 구조로 연결해, 제조 생태계 전체의 경쟁력을 함께 끌어올리고자 한다”면서, “기술은 나눌 때 그 가치가 배가되고, 사람은 연결될 때 성장한다고 믿는다. 특히 기술과 인재를 지역 현장에서 직접 연결하는 산학협력 모델을 통해, 지속 가능한 산업 성장의 토대를 함께 만들어가겠다”라고 전했다.

스노우플레이크는 자사의 ‘제조 산업을 위한 AI 데이터 클라우드(AI Data Cloud for Manufacturing)’가 자동차 산업에 특화된 설루션을 중심으로 확장하며 높은 성장세를 보이고 있다고 발표했다. 스노우플레이크에 따르면, 2023년 4월을 기준으로 2년간 전 세계 제조 산업군에서 데이터 애플리케이션 및 협업을 위해 스노우플레이크의 플랫폼을 도입한 비율은 416% 증가했고, 데이터 분석을 위해서는 185%, 고급 예측 모델링 및 AI 앱과 같은 데이터 사이언스 목적으로는 188% 늘었다.  이와 같은 제조업체의 데이터 기반 비즈니스 인사이트 확보에 대한 높은 수요에 따라, 스노우플레이크는 AI 데이터 클라우드를 자동차 산업의 특수한 요구사항을 충족할 수 있도록 정밀하게 조정하며 글로벌 제조업체의 디지털 전환 및 AI 혁신을 뒷받침하고 있다고 전했다. 커넥티드 및 소프트웨어 정의 차량(Software Defined Vehicle : SDV), 자율주행, 전기차, 인더스트리 4.0 등 자동차 산업 트렌드에 맞춰 스노우플레이크는 데이터 공유 및 AI 지원 기능으로 완성차 제조업체(OEM), 부품업체, 유통 및 서비스업체 전반의 협업과 생산 공정을 최적화하고 있다.     특히 스노우플레이크를 활용하는 자동차 관련 기업은 차량 설계부터 생산, 서비스, 보증에 이르는 전체 라이프사이클 데이터를 통합하고 사일로를 제거할 수 있게 된다. 이를 통해 운영 효율을 높이고 고객 경험을 향상시킨다. 또한 스노우플레이크 아키텍처로 SDV와 자율주행차에서 생성되는 방대한 커넥티드 데이터를 안정적으로 활용하고 확장할 수도 있다. 누적된 데이터는 스노우플레이크 마켓플레이스에서 판매할 수 있어 신규 수익원이 되기도 한다. 스노우플레이크 데이터 플랫폼은 조직 전반에서 AI·ML 기능을 손쉽게 활용할 수 있도록 해, 예측 모델 개발시간을 단축하고 차량 설계 및 유지보수의 새로운 패러다임을 주도할 수 있다. 공급망 전반의 실시간 가시성도 제공한다. 수요 예측의 정확도를 높이고 재고 관리와 비용 효율성을 높여 데이터 기반의 의사결정을 현실화할 수 있다. 스노우플레이크의 팀 롱(Tim Long) 제조 산업 부문 글로벌 총괄은 “커넥티드 및 자율주행 등 최신 차량은 방대한 데이터를 생성하고 있으며, 자동차 업계는 이를 효과적으로 처리하면서도 신뢰할 수 있는 AI 설루션이 필요해졌다”면서, “스노우플레이크의 자동차 산업 설루션은 제조 전문성을 바탕으로 자동차 기업이 데이터를 통합하고 커넥티드 차량 개발 계획을 확장하며, 시장 변화에 빠르게 대응할 수 있도록 지원한다”고 말했다. 지멘스와 같은 글로벌 기술 및 제조 기업은 스노우플레이크를 활용해 AI와 고급 분석으로 전사적 운영을 혁신하는 동시에 엄격한 보안 및 거버넌스 기준을 유지하고 있다. 전 세계 주요 완성차 제조업체(OEM)의 약 80%가 스노우플레이크 플랫폼을 활용 중이며, 닛산, 카맥스(CarMax), 콕스 오토모티브(Cox Automotive), 펜스케 로지스틱스(Penske Logistics) 등은 실시간 커넥티드 차량의 인사이트와 안전한 데이터 협업으로 운영 효율을 높이고 있다. 스노우플레이크는 이외에도 액센츄어, 아마존웹서비스, 딜로이트, EY 등 글로벌 파트너와 함께 자동차 산업에 특화된 AI 및 데이터 설루션을 확장하고 있으며, 지멘스 디지털 인더스트리 소프트웨어, 블루욘더(Blue Yonder), 랜딩AI(LandingAI), 멘딕스(Mendix), 시그마(Sigma) 등 다양한 파트너사가 스노우플레이크 플랫폼에서 SDV 개발, AI 기반 품질 관리, 공급망 최적화 등 전문 설루션을 개발하며 생태계를 확장하고 있다고 밝혔다.

AutoForm Car Body Planner   개발 : AutoForm, www.autoform.com 자료 제공 : AutoForm, 02-6332-1150, www.autoform.com/kr   AutoForm(오토폼)은 제품 설계부터 차체 조립에 이르기까지 전체 개발 프로세스 체인의 디지털화를 지원하는 통합 플랫폼을 제공한다. 특히, 디지털화 노력이 상대적으로 미진했던 차체 구매 부문의 견적 및 비용 산출 프로세스의 투명성을 확보하기 위해 ‘AutoForm CarBody Planner’를 도입하여 구매 프로세스의 디지털화를 추진하고 있다. 이는 ESG 경영과 맞물려 고객사로부터 큰 주목을 받고 있다. 또한, ESG 경영을 위한 디지털 트랜스포메이션을 통해 지속 가능한 경영을 실현하고, 환경적, 사회적, 거버넌스 측면에서의 책임을 다하기 위해 노력하고 있다. 1. 주요 특징  자동차 차체 개발 프로세스에서 초기 제품 설계 후, OEM 협력사의 구매 부서가 CBP를 통해 자동으로 수율을 검토한다. 이를 통해 빠른 대응과 OEM의 입찰 원가인 수율 보고서 작성이 간소화된다. 또한, OEM 구매 부서는 차종별 수율 이력 관리를 통해 효율성을 높이고, 협력사의 작업 시간을 단축하며, 입찰 정보 계산의 디지털화를 통해 경험에 의한 편차를 줄일 수 있다. 2. 주요 기능 ■ 웹사이트 기반에서 차체 전체 입력 및 각 제품의3D확인 가능 ■ 제품의 소제 및 정보를 차제 제품 입력과 동시에 적용 가능 ■ AutoForm Simulation 기반의 전체 제품 자동 수율 계산   3. 도입 효과 OEM 구매팀의 입찰 결정 시 정합성 확보로 신뢰성이 높아지며, 자동 수율 검토 덕분에 빠르고 효율적인 대응이 가능하다. 입찰 정보 계산의 디지털화로 경험에 의한 편차가 제거되고, 협력사의 업무 효율성 증대와 작업 시간 단축으로 생산성이 향상된다. 마지막으로, 클라우드 기반의 협업 공간 제공으로 부서 간 원활한 협업이 가능하다. 이러한 특징과 효과를 통해 AutoForm의 디지털 트랜스포메이션은 구매 프로세스의 혁신을 이끌고, ESG 경영을 실현하는데 큰 기여를 하고 있다. 4. 주요 고객 사이트 오토폼은 전 세계 50여 개국, 1,000여 개 회사에서 3,500명 이상의 사용자가 주요 엔지니어링 및 제조 공정을 위해 신뢰하고 있다. 주요 고객은 자동차 및 기타 OEM, 금형 및 스탬핑 업체, 철강 및 알루미늄 공급업체이며, 항공 우주 산업뿐만 아니라 의료, 가전 및 백색 가전 산업으로도 점점 더 진출하고 있다.     상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

주요 디지털 트윈 소프트웨어 디지털 트윈 모델 생성 및 배포 솔루션, Ansys Twin Builder 개발 : Ansys, www.ansys.com 자료 제공 : Ansys Korea, 02-6009-0500, www.ansys.com   Ansys Twin Builder는 디지털 트윈(Digital Twin) 기술을 활용하여 실제 물리 시스템을 가상 환경에서 시뮬레이션하고 최적화할 수 있는 솔루션이다. 멀티피직스 시뮬레이션 기술을 기반으로 물리 모델과 실시간 센서 데이터를 결합하여 예측 유지보수 및 성능 최적화를 지원한다. 제조, 자동차, 항공우주, 전자, 에너지, 의료 등 다양한 산업에서 활용된다.   1. 주요 특징 (1) Physics 기반의 디지털 트윈 구축 IoT 데이터 및 시뮬레이션 모델을 결합하여 정밀한 디지털 트윈 모델 생성 (2) 실시간 시뮬레이션 및 예측 유지보수 지원  센서 데이터를 활용하여 장비의 고장 가능성 예측 및 유지보수 최적화 (3) 멀티피직스 통합 분석  전자기, 유체, 구조, 열 해석을 통합하여 복잡한 시스템 성능 분석 가능 (4) AI 및 머신러닝 연계 가능  OptiSLang을 활용한 AI 기반 최적화 및 데이터 분석 지원 (5) IoT 및 클라우드 플랫폼과 연계  AWS, Microsoft Azure, PTC ThingWorx 등 다양한 IoT 플랫폼과의 호환성 제공 2. 주요 기능 (1) 디지털 트윈 생성 및 실행  시뮬레이션 모델을 물리 데이터와 연결하여 실시간 가상 시뮬레이션 수행 (2) Model-Based Systems Engineering(MBSE) 지원  시스템 레벨 설계를 위한 MBSE 기반 시뮬레이션 제공 (3) 고급 시뮬레이션 및 자동화  MATLAB, Simulink, FMI 모델과 통합 가능하여 복잡한 시스템 해석 (4) PLM 및 데이터 관리 통합  Siemens Teamcenter, PTC Windchill 등 주요 PLM 시스템과 연계하여 제품 수명주기 관리 지원 (5) Predictive Maintenance 기능 내장  실시간 데이터 분석을 통해 유지보수 전략 개선 3. 도입 효과 ■ 설비 가동률 향상: 디지털 트윈을 활용한 사전 예측 유지보수로 시스템 다운타임 감소 ■ 제품 개발 기간 단축: 프로토타입 제작 없이 가상 환경에서 제품 설계 검증 가능 ■ 운영 비용 절감: 최적화된 유지보수 전략을 통해 운영 및 유지보수 비용 절감 ■ 설계 품질 향상: 실제 운영 데이터를 기반으로 제품 설계 개선 및 성능 최적화 4. 주요 고객 사이트 ■ 제조업: 두산 그룹, POSCO  ■ 자동차: 현대자동차그룹, LS Automotive Technologies, HL Mando ■ 항공우주: Korea Aerospace Industries (KAI), Hanwha Aerospace ■ 반도체/전자: Samsung Electronics, SK Hynix, LG Electronics, Samsung Electro-Mechanics, Samsung Display, LG Display, LG Innotek, LX Semicon ■ 에너지: LG Energy Solution, SK On, Samsung SDI, Hyundai Electric & Energy Systems, Doosan Enerbility, Hanwha Solutions   상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (21)   이번 호에서는 다양한 유형의 난류 모델과 사용 시기, 그리고 복잡한 형상을 위한 고충실도 난류 모델링에 있어 케이던스 밀레니엄 M1(Cadence Millennium M1) CFD 슈퍼컴퓨터가 어떻게 혁신을 가져오는지에 대해 설명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   자동차 산업은 거의 매일 새로운 혁신과 개발이 등장하며 끊임없이 발전하고 있다. 자동차 업계는 전기 구동 차량과 대량 생산이 증가하는 추세에 발맞춰 보다 지속 가능한 미래를 만들기 위해 노력하고 있다. 자동차 생산량은 꾸준히 늘고 있지만, 업계는 여러 디자인 또는 새로운 헤드라이트, 스플리터, 사이드 스커트 추가와 같은 아주 작은 디자인 변경에 대해서도 풍동 테스트 또는 프로토타입 테스트를 수용하면서 연비 기준을 충족해야 하는 과제에 직면해 있다. 그 결과, 항력 계수 등 관심 있는 유동장 정보와 성능 관련 수치를 예측하여 필요한 실험 횟수를 크게 줄일 수 있는 시뮬레이션 기반 접근 방식이 점점 더 인기를 얻고 있다.   그림 1   유체 흐름의 난류를 이해하고 전산 유체 역학(CFD) 시뮬레이션을 통해 동일한 난류를 재현하려면 다양한 난류 모델을 사용해야 한다. 자동차 애플리케이션과 리소스 가용성에 따라 적합한 난류 모델을 선택하면 설계 주기를 단축하는 데 도움이 될 수 있다.    난류의 모델링 기법 ‘난류’는 압력과 속도의 혼란스러운 변화를 특징으로 하는 불규칙한 흐름을 일컫는 용어이다. 우리는 일상 생활에서 난류를 경험하며 공기 역학, 연소, 혼합, 열 전달 등과 같은 다양한 엔지니어링 응용 분야에서 중요한 역할을 한다. 하지만 유체 역학을 지배하는 나비에-스토크스 방정식은 매우 비선형적인 편미분 방정식이며 난류에 대한 이론적 해법은 존재하지 않는다. 난류는 광범위한 공간적, 시간적 규모를 포함하기 때문에 모델링과 시뮬레이션이 어려울 수 있다. 일반적으로 큰 와류는 난기류에 의해 생성된 에너지의 대부분을 전달하고 작은 와류는 이 에너지를 열로 발산한다. 이 현상을 ‘에너지 캐스케이드’라고 한다. 몇 년에 걸쳐 다양한 난기류 모델링 접근법이 개발되었으며, 가장 일반적인 세 가지 접근법을 간략히 설명한다. Direct Numerical Simulation(DNS) : DNS에서는 모델이나 근사치 없이 미세한 그리드와 매우 작은 시간 단계를 사용하여 모든 규모에서 난기류를 해결한다. DNS의 계산 비용은 엄청나게 높지만 결과는 가장 정확하다. DNS 시뮬레이션은 난류장에 대한 포괄적인 정보를 제공하기 위한 ‘수치 실험’으로 사용된다. Large-Eddy Simulation(LES) : 이름에서 알 수 있듯이 이 난류 모델링 기법은 큰 소용돌이를 해결하고 보편적인 특성을 가진 작은 소용돌이를 모델링한다. LES 시뮬레이션은 최소 길이 스케일을 건너뛰어 계산 비용을 줄이면서도 시간에 따라 변화하는 난기류의 변동 요소를 자세히 보여준다. Reynolds-Averaged Navier-Stokes Model(RANS) : RANS 방정식은 나비에-스토크스 방정식의 시간 평균을 취하여 도출되었다. 난기류 효과는 미지의 레이놀즈 응력 항을 추가로 모델링하여 시뮬레이션한다. RANS 시뮬레이션은 평균 흐름을 해결하고 난류 변동을 평균화하므로 다른 두 가지 접근 방식보다 훨씬 비용 효율적이다.   올바른 선택 : DNS, LES 또는 RANS 올바른 난류 모델을 선택하는 것은 모든 시뮬레이션의 중요한 측면이며, 이는 주로 시뮬레이션의 목적, 흐름의 레이놀즈 수, 기하학적 구조 및 사용 가능한 계산 리소스에 따라 달라진다. 학술 연구의 경우 DNS 시뮬레이션은 난류의 근본적인 메커니즘과 구조를 이해하는 데 가장 적합한 결과를 제공한다. DNS는 레이놀즈 수가 낮은 경우에 적합하지만, 막대한 시간과 리소스가 필요하기 때문에 대부분의 산업 분야에서는 실용적인 선택이 아니다. 반면에 LES는 일반적으로 레이놀즈 수가 높은 복잡한 형상을 포함하는 산업용 사례를 처리하는 데 적합한 옵션이다. LES가 생성하는 고충실도 결과물은 경쟁이 치열한 자동차 시장에서 중요한 한 차원 높은 성능 개선이 가능한 설계를 가능하게 한다.   그림 2    RANS 시뮬레이션은 LES에 비해 근사치의 범위가 넓기 때문에 정확도가 떨어진다. 그러나 정확도와 계산 비용 간의 균형으로 인해 RANS는 계산 리소스와 시뮬레이션 시간이 제한된 업계 사용자에게 일반적인 설루션이다. 이 방법은 또한 짧은 시간 내에 여러 사례를 분석해야 할 때 널리 사용된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (2)   이번 호에서는 VMU(가상 목업)의 개념과 기술적 특성, 주요 산업 사례, 그리고 VMU의 혁신적 가치와 향후 확장 가능성에 대해 살펴본다.    ■ 최윤정 다쏘시스템의 기술 컨설턴트로 디자인&엔지니어링 팀에서 3DEXPERIENCE CATIA 제품을 담당하고 있다. 자동차 산업을 위한 고급 서피스 모델링 및 가상 검증 영역을 전문으로 하고 있으며, 제조업의 VMU 도입 효과성 관련 학술연구 또한 수행 중에 있다. 홈페이지 | www.3ds.com/ko   가상 시뮬레이션 기술이 점차 고도화됨에 따라, 제품 개발 전 과정에서 디지털 모델을 활용하여 제품 품질과 개발 효율성을 높이려는 시도가 활발하게 이루어지고 있다. VMU(Virtual Mock-Up, 가상 목업) 기술은 3D익스피리언스 카티아(3DEXPERIENCE CATIA)에 기반한 가상 검증 프로세스로, 설계 오류와 품질 상의 문제점을 조기에 식별·개선하고 개발 비용과 시간을 절감하는 혁신적 방식으로 주목받고 있다. 제품의 실물을 제작하지 않고도 고품질 렌더링을 통해 시각적·감성적 요소를 평가할 수 있기 때문에, 다양한 산업 분야에서 VMU의 필요성이 커지고 있다.   그림 1. 카티아 설계 데이터 화면   그림 2. 카티아에서 재질을 적용한 설계 데이터 화면   VMU의 개념과 기술적 특징 VMU는 고품질 렌더링 기술을 활용해 설계 데이터를 가상 환경에서 실물과 유사하게 재현하여, 설계 오류와 품질 상의 문제점을 조기에 식별·개선하는 기술이다. 이 프로세스는 실물 목업을 제작하지 않고도 제품 외관을 정확히 시뮬레이션함으로써 제품 개발 시간과 비용을 단축한다. 기존의 DMU(Digital Mock-up, 디지털 목업)는 주로 설계 과정에서 형상과 구조 검증에 초점을 둔다. 즉, 3D 설계 데이터 상에서 간섭 검사, 조립 순서·공정 시뮬레이션, 각 부품의 형상 적합성 등을 확인하는 용도로 사용된다. 한편, VMU는 DMU에서 한발 더 나아가, 광학 특성(반사·굴절), 질감, 점등 이미지 등 외관 품질을 실사 수준으로 구현하며, 인체공학 기반의 휴먼 모델(human model)을 연계해 실제 사용 환경에서의 조작성, 시야 확보성 등을 종합적으로 검토할 수 있다. XR(확장현실) 기술과의 융합을 통해 몰입형 품평 환경도 제공된다. 자동차 외장 램프처럼 미세한 빛의 반사·굴절을 예측 및 검증해야 하는 제품은 VMU를 활용할 경우 실물 목업 없이 외관 이미지를 높은 정확도로 검토함으로써 개발 리스크를 크게 줄일 수 있다. 기존에 카티아를 기반으로 제품 설계를 하고 있는 다양한 산업군에서 VMU는 이미 필수 프로세스로 자리매김하고 있다. 설계, 렌더링, 검증 및 품평을 하나의 일관된 프로세스로 결합함으로써 제품 개발 방식에 혁신적인 변화를 가져올 수 있다. 데이터 변환이나 별도 인터페이스가 필요 없이 동일 플랫폼에서 모든 단계가 이뤄지므로, 데이터 손실이나 형상 왜곡을 최소화하고 기존에 없던 빠르고 유연한 협업 환경을 구축할 수 있다. 이를 통해 제품의 완성도와 품질을 높이는 긍정적 효과가 입증되었다.    표 1. 실물 목업 및 기존 렌더링 툴과의 비교   3D익스피리언스 카티아 기반의 VMU 프로세스 적용 사례 자동차 외장 램프 품질 검증 사례 자동차 외장 램프는 외관과 점등 이미지가 모두 중요하여, 시각적 품질 검증이 설계 단계에서 핵심 과제로 부각된다. 기존에는 정확도를 높이기 위해 실물 금형과 목업을 제작했으나, 이 방식은 과도한 시간과 비용 투자를 요구했다. 대체 방법으로 3D 프린팅 등의 기술을 이용하기도 했지만, 정밀도가 부족하다는 한계가 있었다. 이 문제를 해결하기 위해 최근 카티아 기반 VMU 프로세스를 적용한 디지털 선행 검증이 주목을 받고 있다. 미세 광학 요소와 복잡한 반사·굴절 특성을 지닌 램프를 고정밀 시뮬레이션할 수 있어, 점등·비점등 시의 실제 이미지를 실물 목업 수준으로 재현한다. 특히 스캔을 통해 확보한 시편 데이터의 정확한 물성을 설계 데이터에 적용함으로써 곡률에 따른 왜곡이나 광원으로 인한 반사를 사실적으로 재현하고, 실차에 장착했을 때 예상되는 품질 이슈까지 가상 환경에서 검토할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

실시간 3D 엔진을 활용해 더욱 현실적인 시뮬레이션 구축   시뮬레이션은 어느새 산업에서 반드시 거쳐야 하는 단계로 자리잡았다. 이번 호에서는 자율주행 시뮬레이터 기술을 개발하는 모라이(MORAI)의 모라이 시뮬레이션 플랫폼(MORAI Simulation Platform)을 소개한다. ■ 자료 제공 : 유니티 코리아     모라이 시뮬레이션 플랫폼 모라이는 주로 ‘디지털 트윈’, ‘개발 도구’, ‘검증 도구’로 불리는 시뮬레이션 툴을 통해 자율주행 기술의 안전성과 신뢰성을 검증한다. 실제 도로에서 발생할 수 있는 다양한 돌발 상황을 가상화한 환경에서 테스트하고 개발함으로써, 실제 도로에서의 복잡하고 위험한 테스트를 대신할 수 있다. 이를 통해 개발자는 안전하고 효율적으로 자율주행 시스템을 검증하고 개선할 수 있다. 모라이에서 개발한 모라이 시뮬레이션 플랫폼은 자율주행, 자율 비행 등 자율 이동체를 테스트하고 개발할 수 있는 종합적인 미래 모빌리티 시뮬레이터이다. 이 솔루션은 자율주행 자동차, UAM(도심 항공 모빌리티), 무인 로봇, 무인 선박 등 다양한 차세대 모빌리티 산업에 적용되며, 자율주행 상용화를 가속화하는 핵심 가상 검증 플랫폼으로 주목받고 있다.   유니티를 도입하게 된 이유 유니티의 강력한 기능과 사용자 친화적인 인터페이스 덕분에, 짧은 시간 내에 모라이가 원하는 가상 환경 및 시뮬레이터를 개발할 수 있었다. 이는 특히 프로젝트의 초기 단계에서 도움이 되었다. 유니티를 통해 현실적이고 정교한 3D 시뮬레이션 환경을 구현함으로써, 자율주행 기술의 테스트와 검증 과정을 더욱 효율적이고 안전하게 수행할 수 있는 기능을 개발할 수 있었다. 이와 함께, 유니티의 커뮤니티와 풍부한 리소스는 문제 해결과 기술 향상에 도움이 되었다. 다양한 예제와 튜토리얼을 통해 개발자들이 빠르게 학습하고, 프로젝트에 필요한 기능을 구현할 수 있었다. 결과적으로, 유니티 도입 이후 모라이는 프로젝트의 개발 속도와 품질을 높였으며, 더 나은 자율주행 시뮬레이션 환경을 제공할 수 있게 되었다.   플랫폼 구성 요소 기본적으로 가상 환경을 렌더링하고 사용자 인터페이스를 제공하는 베이스 플랫폼(Base Platform)이 중심을 이룬다. 이 베이스 플랫폼 위에 다양한 모듈이 결합되어, 정밀하고 현실적인 시뮬레이션 환경을 구현한다. 첫 번째로 정밀 지도 도로 모듈이 있다. 이 모듈은 실제 도로와 동일한 환경을 가상으로 재현하며, 자율주행 차량이 운행할 수 있는 도로 네트워크를 제공한다. 이를 통해 현실적인 도로 상황에서의 테스트와 검증이 가능하다.  두 번째로 차량 동역학(Vehicle Dynamics) 모듈이 있다. 이 모듈은 차량의 물리적 특성과 동역학을 시뮬레이션하여, 다양한 운전 조건에서 차량의 반응을 정확하게 모델링한다. 이를 통해 차량의 주행 성능과 안전성을 평가할 수 있다. 세 번째로 센서 모델(Sensor Model) 모듈이 있다. 이 모듈은 자율주행 차량에 장착된 다양한 센서의 데이터를 시뮬레이션한다. 카메라, 라이다, 레이더 등의 센서가 실제 환경에서 어떻게 작동하는지를 가상으로 재현하여, 센서의 정확도와 신뢰성을 검증할 수 있다. 네 번째로 교통 모델(Traffic Model) 모듈이 있다. 이 모듈은 다양한 교통 상황을 시뮬레이션하여, 자율주행 차량이 실제 도로에서 마주할 수 있는 다양한 교통 상황을 가상으로 재현한다. 이를 통해 교통 혼잡, 돌발 상황, 보행자와의 상호작용 등을 테스트할 수 있다. 마지막으로 인터페이스(Interface) 모듈이 있다. 이 모듈은 외부 시스템과의 연동을 가능하게 하여, 다양한 테스트 시나리오와 데이터를 효율적으로 관리하고 분석할 수 있게 한다. 이를 통해 개발자가 자율주행 시스템을 더 효과적으로 개발하고 검증할 수 있다. 이 모든 구성 요소가 결합되어, 모라이 시뮬레이션 플랫폼은 자율주행 시스템의 개발, 테스트, 검증을 위한 강력한 도구로서의 역할을 수행한다.     가상환경과 현실의 차이를 최소화하기 위한 노력 모라이가 시뮬레이션 플랫폼을 구축하면서 가장 신경 썼던 부분은 현실과의 차이를 최소화하는 것이었다. 이를 위해 고충실도 시뮬레이션 환경을 제공하고, 실제 지도 데이터, 교통 데이터, 센서 데이터를 기반으로 가상과 실제 환경의 갭을 최소화하는 데 집중했다. 이를 위해 자율주행차가 실제 도로에서 맞닥뜨릴 수 있는 거의 모든 상황을 가상 환경에서 묘사할 수 있도록 다양한 요소 기술을 개발하고 있다. 이는 사람이 실제 도로에 나가지 않더라도 최대한 많은 테스트를 할 수 있도록 하기 위한 것이다. 예를 들어, 보행자 충돌 위험성 등 실제 도로에서 검증하기 어려운 시나리오를 수만 번 반복하여 테스트할 수 있다. 이를 통해 자율주행 개발 기업과 연구원들은 더욱 신뢰성과 안전성을 갖춘 검증을 할 수 있다. 또한, 가상과 실제 환경이 직접적으로 연계될 수 있도록 설계했다. 시뮬레이션이 실제 환경의 데이터와 상호작용할 수 있도록 하여, 개발자들이 현실적인 조건에서 자율주행 시스템을 테스트하고 개선할 수 있게 했다. 이와 같은 접근 방식은 실제 도로에서 발생할 수 있는 다양한 상황을 사전에 예측하고 대응하는 데 도움이 된다.   모라이 시뮬레이션 플랫폼에 대한 고객의 니즈 우선 고객사들은 현실적인 그래픽과 정밀한 도로 환경을 원했다. 자율주행 차량은 다양한 도로 상황과 환경에서 운행되므로, 시뮬레이터가 실제 도로와 유사한 환경을 재현해야 한다. 이를 통해 개발자는 도시, 고속도로, 교외 지역 등 다양한 도로 상황에서 자율주행 시스템의 성능을 테스트할 수 있다. 또한 다양한 교통 상황과 돌발 상황을 시뮬레이션할 수 있어야 했다. 교통 혼잡, 보행자와의 상호작용, 돌발적인 장애물 등 실제 도로에서 발생할 수 있는 모든 상황을 가상 환경에서 재현하여, 자율주행 시스템이 어떻게 대응하는지 평가할 수 있어야 한다. 아울러, 고객사들은 다양한 센서 데이터를 필요로 했다. 자율주행 차량은 카메라, 라이다, 레이더 등의 센서를 통해 주변 환경을 인식하기 때문에, 시뮬레이터는 이러한 센서의 데이터를 정확하게 생성하고, 실제 환경에서의 센서 성능을 재현할 수 있어야 한다.   개발 시 어려웠던 점과 해결 방법 자율주행 시뮬레이터를 개발하는 것은 다양한 기술을 통합해야 하기 때문에 많은 어려움이 따른다. 기본적으로 3D 엔진에 대한 이해도가 필요하며, 그 위에 올라가는 센서, 차량 동역학, 통신 등 각각의 모듈에 대한 깊은 이해와 적절한 통합 과정이 필요하다. 이 과정에서 각 개발자의 이해도와 전문 분야가 다르기 때문에, 이를 하나의 시뮬레이터로 통합하는 것이 가장 어려운 부분이었다. 다행히, 유니티는 이러한 다양한 요소들을 모두 통합할 수 있는 개발 환경을 제공했다. 각 모듈 개발자들이 개발할 때마다 바로 결과를 확인할 수 있었고, 다른 모듈에 대한 이해도를 높일 수 있었다. 이를 통해 각 모듈이 전체 시스템에 어떤 영향을 미치는지 파악할 수 있었고, 빠르게 개발을 진행할 수 있었다. 또한, SDV(Software Defined Vehicle : 소프트웨어 정의 차량)와 UAM 등의 복잡한 시뮬레이션 환경을 구축하는 데 있어서도 유니티의 유연한 개발 환경이 도움이 되었다. 유니티의 그래픽 엔진과 실시간 데이터 처리 능력을 활용하여 현실과 유사한 고충실도의 시뮬레이션 환경을 구현할 수 있었고, 이를 통해 다양한 테스트와 검증을 효율적으로 수행할 수 있었다.     모라이의 목표 모라이는 자율주행 시뮬레이션 시장에서 개발뿐만 아니라 검증과 인증까지 가능한 시뮬레이터를 제공하고자 한다. 앞서 설명한 대로 개발자들이 손쉽게 사용할 수 있는 가상 공간과 시뮬레이션 도구를 공급하여, 이 툴을 기반으로 빠르게 기술을 개발하고 정량적으로 시험 평가할 수 있도록 하는 것이 모라이의 목표이다. 또한, 모라이는 고객이 많은 노력을 들이지 않아도 바로 이해하고 현업에 적용할 수 있는 개발 도구를 제공하는 것을 중요하게 생각하고 있다. 이를 통해 고객은 복잡한 설정이나 학습 없이도 자율주행 기술을 개발하고 테스트할 수 있게 된다.  궁극적으로는 자율주행 자동차, UAM, 무인 로봇, 무인 선박 등 모든 무인 이동체의 기술 개발 및 통합 검증에 사용되는 도구가 되는 것이 모라이의 목표이다.  모라이의 공동설립자인 홍준 CTO는 “이 과정에서 유니티는 핵심 개발 도구로서 중요한 역할을 하고 있다. 유니티의 강력한 3D 엔진과 사용자 친화적인 인터페이스 덕분에 우리는 고품질의 시뮬레이션 환경을 빠르게 개발할 수 있다. 또한, 유니티의 지속적인 기술 지원과 업데이트는 우리가 최신 기술을 빠르게 도입하고, 고객의 요구에 맞는 기능을 신속하게 제공하는 데 큰 도움이 된다”고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.