---
title: 날아오르는 로드스터 말고, 테슬라의 진짜 무기 — 자율주행이 무엇을 보고 어떻게 판단하는지 시뮬레이터로 뜯어 봤다
url: https://oosioo.com/p/%EB%82%A0%EC%95%84%EC%98%A4%EB%A5%B4%EB%8A%94-%EB%A1%9C%EB%93%9C%EC%8A%A4%ED%84%B0-%EB%A7%90%EA%B3%A0-%ED%85%8C%EC%8A%AC%EB%9D%BC%EC%9D%98-%EC%A7%84%EC%A7%9C-%EB%AC%B4%EA%B8%B0
date: 2026-10-18T13:32:34+00:00
author: SYSOP
summary: 테슬라가 하늘을 나는 로드스터를 공개해 시끄럽지만, 테슬라를 유명하게 만든 건 FSD 같은 피지컬 AI다. 요즘은 공개 데이터와 오픈소스 시뮬레이터로 개인도 자율주행을 실험해 볼 수 있다. 무엇이 있는지 장비 수준별로 정리하고, 카메라와 레이더로 보고 규칙으로 판단해 핸들과 페달을 움직이는 아주 단순한 자율주행 시뮬레이터를 만들어 인지·판단·제어가 한 화면에서 같이 움직이게 했다.
---
# 날아오르는 로드스터 말고, 테슬라의 진짜 무기 — 자율주행이 무엇을 보고 어떻게 판단하는지 시뮬레이터로 뜯어 봤다

![자율주행 판단 해부기 화면. 왼쪽은 위에서 내려다본 2차로 도로와 흰 차, 초록 부채꼴은 카메라가 보는 범위, 가운데 좁은 띠는 레이더 범위다. 오른쪽은 앞 카메라 화면으로, 60 m 앞 트럭에 빨간 상자와 「트럭 0.76 · 60m」 표시가 붙어 있고, 옮겨 갈 왼쪽 차로 중앙을 하늘색 점선으로 그렸다. 아래 판단 칸에는 「왼쪽 차로 변경」이 떠 있다](/uploads/43f59eb4b2371f5a.webp)

10월 15일, 테슬라가 9년을 미뤄 온 2세대 로드스터를 공개했다. 그런데 화제가 된 건 성능표가 아니었다. 차가 거꾸로 세운 경사로를 타고 올라가 공중에서 돌고, 압축공기 추진기로 사이버캡과 세미 위를 넘어 내려앉았다. 일론 머스크는 안전이 주목표가 아니라고 했고, 유튜버 마르케스 브라운리는 장난이냐고 물었다. 차를 보러 갔다가 묘기를 보고 나온 셈이다.

테슬라를 지금의 테슬라로 만든 건 그런 묘기가 아니다. 카메라 여덟 대로 길을 보고 스스로 운전하는 FSD, 요즘 말로 **피지컬 AI**다. 화면 속 글자가 아니라 바퀴와 핸들을 움직이는 AI다.

이 연재는 한두 줄로 AI에게 일을 시켜 쓸 물건을 만드는 이야기를 모은다. 요즘은 AI 학습도 딸깍 몇 번이면 된다고들 한다. 그렇다면 자율주행처럼 거대한 문제도 공개 데이터와 오픈소스로 개인이 만져 볼 수 있지 않을까. 이번 회는 그걸 확인해 봤다.

## 무엇을 하려 했나

1. 개인이 내려받아 돌려 볼 수 있는 자율주행 시뮬레이터, 공개 모델, 데이터셋에 무엇이 있는지 찾는다. 장비가 얼마나 필요한지, 라이선스로 무엇을 할 수 있고 없는지까지.
2. 카메라와 센서로 보고 판단해 차를 움직이는 **아주 단순한** 자율주행을 하나 만든다. 그리고 그 안에서 센서가 본 것(인지), 규칙이 내린 결정(판단), 핸들과 페달의 움직임(제어)을 **한 화면에서 동시에** 보여 준다.
3. 웹에서 바로 눌러 볼 수 있게, 설치 없이 이 글 안에서 돌아가게 한다.

조사는 AI 에이전트에게 맡기고 수치마다 1차 출처를 붙이게 했다. 출처가 언론 보도뿐인 것은 본문에 그렇게 적었다.

## 테슬라는 지금 어디쯤 왔나

짧게 정리한다. 테슬라 수치는 회사 발표와 보도가 섞여 있어서 확정된 것만 적었다.

- **FSD는 카메라에서 핸들까지 하나의 신경망이다.** 2024년 v12부터 사람이 짠 규칙 코드를 걷어내고, 카메라 영상을 넣으면 조향과 가감속이 나오는 신경망으로 바꿨다고 밝혔다. 10월 초 배포된 최신판은 v14.3 계열이다([릴리스 노트](https://www.notateslaapp.com/software-updates/version/2026.38.5/release-notes)).
- **운전자 없는 로보택시는 아직 작다.** 2026년 1월 오스틴에서 일부 차량의 안전요원을 뺐다고 [공시](https://www.sec.gov/Archives/edgar/data/1318605/000162828026003837/exhibit991.htm)했지만, 3월 기준 무감독 차량은 손에 꼽을 정도였다([Electrek](https://electrek.co/2026/03/31/tesla-expands-unsupervised-robotaxi-service-area-still-only-handful-vehicles/)).
- **한국에서도 감독형 FSD가 돈다.** 2025년 11월 미국산 모델 S·X부터 들어왔다. 운전자가 늘 보고 있어야 하는 단계다.

비교하자면 웨이모는 2026년 9월 기준 약 4천 대로 일주일에 유료 탑승 50만 건쯤을 실어 나른다([TechCrunch](https://techcrunch.com/2026/09/24/waymo-is-scaling-fast-heres-what-the-fleet-data-shows/)). 웨이모는 라이다와 정밀지도를 쓰고, 테슬라는 카메라만 쓴다. 길은 달라도 둘 다 결국 같은 질문에 답한다. **지금 무엇이 보이고, 그래서 무엇을 할 것인가.**

## 개인이 손댈 수 있는 것들

찾아보니 생각보다 많았다. 장비 순으로 나눠 본다.

![개인이 내려받아 돌려 볼 수 있는 자율주행 오픈소스의 GitHub 별 수 막대그래프. openpilot 63,924, CARLA 14,505, Autoware 12,165, highway-env 3,330, Alpamayo 2,039, Bench2Drive 1,964, MetaDrive 1,261, NAVSIM 1,131. 실제 차에 올리는 것은 빨강, 시뮬레이터는 파랑, 공개 주행 모델은 노랑, 평가 도구는 초록](/uploads/0e2db8fa9c8b1b88.webp)

### 노트북만 있으면

- **[highway-env](https://github.com/Farama-Foundation/HighwayEnv)**: 고속도로·교차로·주차를 위에서 내려다본 2D 환경이다. 강화학습 입문용으로 많이 쓴다. GPU 없이 돈다. MIT 라이선스, 8월에 1.12.1이 나왔다.
- **[MetaDrive](https://github.com/metadriverse/metadrive)**: 도로를 절차적으로 만들어 내는 가벼운 3D 시뮬레이터다. 실제 주행 기록을 불러와 재생할 수도 있다. Apache 2.0.

### 게임용 그래픽카드가 있으면

- **[CARLA](https://github.com/carla-simulator/carla)**: 자율주행 연구의 표준 도시 시뮬레이터다. 카메라·라이다·레이더를 달고 도심을 달린다. 2024년 말 0.10에서 언리얼 엔진 5로 옮기면서 VRAM 16GB 이상을 권한다. 그 위에서 짧은 시나리오 220개로 점수를 매기는 [Bench2Drive](https://arxiv.org/html/2406.03877v3)가 있다.
- **[NVIDIA Alpamayo](https://nvidianews.nvidia.com/news/alpamayo-autonomous-vehicle-development)**: 올해 1월 CES에서 공개된 100억 파라미터 주행 모델이다. 카메라 영상을 넣으면 앞으로 6.4초의 궤적과 함께 **왜 그렇게 가는지 문장으로 된 이유**를 내놓는다. 시뮬레이터 AlpaSim과 1,700시간 분량 주행 데이터도 같이 풀었다. 돌리려면 VRAM 24GB급(RTX 3090·4090)이 필요하다. 첫 판 가중치는 비상업용으로만 풀렸다.
- **[NAVSIM](https://arxiv.org/pdf/2510.04333)**: 실제 주행 기록 위에서 모델의 계획을 채점한다. 시뮬레이터 그래픽이 아니라 실제 센서 기록을 쓰는 게 장점이다.

### 진짜 차나 모형 차가 있으면

- **[openpilot](https://github.com/commaai/openpilot)**: comma.ai가 만든 오픈소스 운전보조다. 전용 장치를 차에 달면 차로 유지와 가감속을 맡는다. 지원 차종은 [350종이 넘고](https://comma.ai/vehicles) 현대·기아·제네시스가 많다. 10월 14일 나온 0.11.2는 8억 8천만 파라미터짜리 주행 모델을 넣었다. 올해 3월 0.11.0의 주행 모델은 **실제 도로가 아니라 학습된 시뮬레이터 안에서만** 훈련했다([릴리스 노트](https://github.com/commaai/openpilot/blob/master/RELEASES.md)). 진짜 차에 올리는 물건이니 공도 사용은 각 나라 법과 보험을 따로 확인해야 한다.
- **[Donkeycar](https://docs.donkeycar.com/)**: 라즈베리파이와 RC카로 만드는 자율주행 모형이다. 사람이 몇 바퀴 몰아서 카메라 영상과 조향을 모으고, 그걸 학습시켜 혼자 돌게 한다. 딸깍 학습을 몸으로 겪어 보기 가장 좋은 길이다.
- **RoboRacer(옛 F1TENTH)**: 1/10 크기 경주차에 라이다를 달고 겨룬다. 학회 대회에 해마다 80개 넘는 연구실이 나온다.
- 한때 입문용으로 유명했던 **AWS DeepRacer**는 2025년 12월 콘솔 서비스와 기기 판매를 [끝냈다](https://aws.amazon.com/deepracer/faqs/). 지금은 자기 계정에 직접 까는 오픈소스로만 남았다.

### 데이터

| 데이터셋 | 무엇이 들었나 | 쓸 수 있는 범위 |
|---|---|---|
| [comma2k19](https://github.com/commaai/comma2k19) | 캘리포니아 고속도로 33시간, 카메라·GPS·CAN | 리포는 MIT, 데이터 자체 라이선스는 명시 없음 |
| [KITTI](https://www.cvlibs.net/datasets/kitti/) | 2012년 독일 카를스루에, 카메라·라이다 | 비상업(CC BY-NC-SA 3.0) |
| [nuScenes](https://www.nuscenes.org/terms-of-use) | 보스턴·싱가포르 1,000장면, 360도 센서 | 가입 후 비상업 |
| [Waymo Open Dataset](https://waymo.com/open/terms/) | 미국 여러 도시, 카메라·라이다, 장꼬리 시나리오 | 비상업, 학습한 모델을 실제 운행에 못 씀 |
| [Argoverse 2](https://www.argoverse.org/about.html) | 미국 6개 도시, 궤적 예측용 | 비상업(CC BY-NC-SA 4.0) |
| [NVIDIA PhysicalAI-AV](https://huggingface.co/datasets/nvidia/PhysicalAI-Autonomous-Vehicles) | 25개국 1,700시간, 7카메라·라이다, 133 TB | 전용 약관, 재배포 금지 |
| [AI Hub 자율주행](https://aihub.or.kr/aihubdata/data/view.do?dataSetSn=71590) | 국내 자동차전용도로 영상·라이다, 악천후·주차 등 | 내국인 신청 후 승인 |

공부하고 실험하는 데는 넉넉하다. 다만 거의 다 **비상업**이다. 이걸로 만든 모델을 팔거나 실제 차에 올리려면 약관부터 다시 읽어야 한다. 한국 도로가 필요하면 AI Hub가 거의 유일한 창구다.

## 두 갈래: 나눠 짜기와 통째로 배우기

자율주행을 만드는 방식은 크게 둘이다.

**나눠 짜기(모듈형).** 인지·판단·제어를 따로 만든다. 카메라 영상에서 차선과 차를 찾고, 규칙이나 계획 알고리즘으로 무엇을 할지 정하고, 제어기가 그걸 핸들 각과 페달 양으로 바꾼다. 단계마다 무엇을 봤고 왜 그랬는지가 남는다. 대신 규칙이 늘어날수록 서로 부딪힌다.

**통째로 배우기(엔드투엔드).** 영상을 넣으면 조향과 가감속이 바로 나오는 신경망 하나를 사람의 운전 기록으로 학습시킨다. 테슬라 FSD v12 이후와 openpilot이 이 길이다. 사람이 미처 규칙으로 못 적은 장면도 데이터에 있으면 배운다. 대신 **왜 그렇게 했는지**가 숫자 덩어리 속에 숨는다. Alpamayo가 궤적과 함께 이유를 문장으로 내놓게 만든 것도 이 빈틈 때문이다.

이번에 만든 건 일부러 첫째 길이다. 둘째 길이 무엇을 대신하고 있는지 보려면 첫째 길의 판단을 먼저 눈으로 봐야 한다.

## 그래서 만든 것: 자율주행 판단 해부기

아래가 만든 시뮬레이터다. 바로 달리기 시작한다. 아래쪽 빨간 버튼으로 상황을 집어넣을 수 있다.

```map /embed/av-pipeline-2026.html 9:10
자율주행 판단 해부기. 한 바퀴 1,028 m인 일방통행 2차로를 흰 차가 스스로 달린다. 왼쪽은 위에서 본 도로와 카메라·레이더 범위, 오른쪽은 앞 카메라 화면과 인식 결과다. 아래 세 칸이 인지(센서가 본 값), 판단(위에서부터 먼저 걸리는 규칙과 지금의 결정), 제어(핸들 각과 가속·제동 페달)다. 그래프는 최근 20초의 속도와 핸들 명령·실제 값이고, 바탕색이 그 순간의 판단이다. 「앞차 급정거」「보행자 뛰어듦」「옆차 끼어들기」「카메라 가림」 버튼으로 상황을 넣을 수 있다.
```

도로는 직선과 굽은 길을 이어 붙인 한 바퀴 1,028 m짜리 일방통행 2차로다. 신호등 하나, 횡단보도 하나가 있고, 시속 40 km로 가는 트럭 한 대와 승용차 세 대가 같이 달린다. 제한속도는 60 km/h다.

**① 인지: 센서 두 개.** 앞 카메라는 좌우 35도, 70 m까지 본다. 차선 위치를 읽고 차·사람·신호등을 찾는다. 멀수록 확신이 떨어진다. 레이더는 좌우 9도로 좁지만 120 m까지 보고 거리와 속도를 정확히 잰다. 그래서 멀리 있는 트럭은 「레이더만」으로 먼저 잡히고, 가까워지면 「카메라+레이더」가 된다. 카메라가 읽는 차선 위치에는 일부러 잡음을 섞었다. 그래프의 핸들 선이 자잘하게 떨리는 게 그 때문이다.

**② 판단: 규칙 표.** 판단 칸의 규칙 일곱 개를 위에서부터 훑는다. 위쪽 규칙일수록 안전과 가깝다.

1. 카메라를 믿을 만한가. 신뢰도가 0.6 아래면 30 km/h로 줄이고 운전자에게 넘긴다.
2. 부딪히기까지 1.6초가 안 남았는가(TTC). 그러면 다른 판단은 다 덮고 최대로 제동한다.
3. 앞에 사람이 있거나 들어올 것 같은가.
4. 신호가 빨강이거나, 노랑인데 편하게 설 수 있는 거리인가.
5. 같은 차로 80 m 안에 앞차가 있는가. 있으면 간격을 맞춰 따라간다.
6. 앞차가 8 km/h 넘게 느리고 옆 차로 앞뒤가 비었으며, 신호·횡단보도·커브 앞이 아닌가. 그러면 왼쪽으로 추월하고, 바깥 차로가 비면 돌아온다.
7. 앞 50 m에 커브가 있는가. 옆으로 쏠리는 가속도가 2 m/s²를 넘지 않을 속도로 미리 줄인다.

규칙마다 원하는 가속도를 내놓고, 그중 **가장 조심스러운 값**이 이긴다. 판단 칸의 큰 글씨가 지금 이긴 규칙이다.

**③ 제어: 핸들과 페달.** 핸들은 순수 추종(pure pursuit) 방식이다. 가려는 차로 중앙에서 속도에 비례한 거리(6~25 m)만큼 앞의 한 점을 겨누고, 그 점을 지나는 원호를 그리는 바퀴 각을 계산한다. 1992년 카네기멜런 보고서에 나온 방법인데 지금도 입문 교재에 그대로 나온다. 앞차를 따라가는 가감속은 교통 연구에서 쓰는 IDM 모형으로 정했다. 마지막으로 **액추에이터는 명령을 바로 따라오지 못한다.** 핸들은 0.12초, 페달은 0.2초 늦게 따라오고 돌리는 속도에도 한계를 뒀다. 제어 칸의 핸들 그림에서 하늘색 표시가 명령, 실제 핸들이 그 뒤를 쫓는다.

## 돌려 보니

![80초 주행 기록. 위에서부터 속도(목표 속도 점선과 실제 속도), 핸들 각(명령과 실제), 가속·제동 페달을 그렸고, 바탕색은 그 순간의 판단이다. 7.6초에 트럭을 발견해 간격을 맞추고, 12.2초에 왼쪽 차로로 추월하고, 커브에서 40 km/h로 줄인다. 43.6초 횡단보도의 사람 앞에서 40 km/h까지 줄였다가 사람이 건너자 다시 가고, 51.6초에 바깥 차로로 돌아온다. 71초에 사람이 뛰어들자 브레이크가 90% 가까이 들어가 60에서 7 km/h까지 떨어진다](/uploads/80c90eed658a83e8.webp)

처음부터 80초를 그대로 기록했다. 71초에는 「보행자 뛰어듦」을 한 번 눌렀다.

- **7.6초**: 80 m 앞 트럭을 레이더가 먼저 잡는다. 판단이 「앞차 따라가기」로 바뀌고 속도가 54 km/h까지 내려간다.
- **12.2초**: 트럭이 40 km/h로 느리고 왼쪽 차로가 비었다. 「왼쪽 차로 변경」. 핸들이 10도쯤 꺾였다가 돌아온다.
- **15초 이후**: 반지름 60 m 커브다. 목표 속도가 먼저 떨어지고(점선), 실제 속도가 뒤따른다. 커브 안에서 핸들은 40도 안팎을 유지한다.
- **43.6초**: 횡단보도에 사람이 있다. 60 m 앞에서 감속을 시작해 40 km/h까지 줄였고, 사람이 다 건너자 다시 속도를 올렸다.
- **71초**: 30 m쯤 앞 길가에서 사람이 뛰어든다. 0.2초 만에 「부딪히기까지 1.6초 미만」이 걸려 브레이크가 90% 가까이 들어간다. 60 km/h에서 7 km/h까지 떨어지는 동안 사람이 차로를 빠져나갔다.

그래프에서 가장 눈에 띄는 건 **판단이 바뀌는 순간과 차가 움직이는 순간 사이의 틈**이다. 목표 속도는 계단처럼 꺾이는데 실제 속도는 몇 초에 걸쳐 따라간다. 판단을 아무리 잘해도 차는 물리 법칙과 액추에이터의 속도만큼만 움직인다.

## 어디서 틀렸나

처음 만든 판의 규칙으로 버튼을 하나씩 눌러 봤다. 고친 것들을 적는다.

- **느린 트럭 바로 앞에 끼어들었다.** 복귀 규칙이 「바깥 차로 앞 40 m가 비었나」만 봤다. 커브에서 내 속도가 떨어진 사이 트럭을 다 앞지르지 못했는데도, 트럭이 43 m 앞에 있으니 비었다고 보고 그 뒤로 돌아갔다. 그리고 17초 뒤 같은 트럭을 다시 추월했다. 앞차가 나보다 느리면 100 m 넘게 떨어졌을 때만 돌아오게 고쳤다.
- **끼어든 차와 부딪혔다.** 옆 차로 차가 9 m 앞에서 들어오는데, 차로 안에 들어온 뒤에야 「앞차」로 쳤다. 그땐 이미 늦었다. 옆으로 움직이는 속도를 보고 1.5초 뒤 내 차로에 들어올 차를 미리 앞차로 치게 바꿨다. 이제 「옆 차로 끼어든 차가 들어오는 중 → 미리 감속」이 뜬다.
- **뛰어드는 사람과 부딪혔다.** 길가에 서 있는 사람은 아직 차로 밖이라 무시했다. 그 사람이 초속 2.4 m로 뛰어들면 이미 늦다. 걷는 방향으로 2초 뒤 위치를 예측해 내 앞으로 들어올 사람도 잡게 했다.
- **횡단보도의 사람을 지나쳤다.** 내 차로 앞에 있는 사람만 봤더니, 횡단보도를 거의 다 건너 반대편 끝에 있던 사람 옆을 59 km/h로 지나갔다. 한국 도로교통법은 보행자가 횡단보도를 건너고 있거나 건너려 하면 일시정지하라고 한다. 횡단보도 위 사람은 차로와 상관없이 정지 대상으로 바꿨다.

넷 다 **규칙을 하나 더 넣어서** 고쳤다. 그런데 버튼은 네 개뿐이다. 실제 도로에는 공이 굴러오고, 트럭에서 짐이 떨어지고, 경찰이 수신호를 한다. 장면마다 규칙을 덧대는 길에는 끝이 없다. 업계가 사람의 운전 기록을 통째로 학습하는 쪽으로 옮겨 간 이유가 여기 있다. 웨이모 공개 데이터가 빈도 0.03% 미만의 드문 장면만 따로 모아 [평가 세트](https://waymo.com/open/challenges/2025/e2e-driving/)를 만든 것도 같은 이유다.

반대로 이 시뮬레이터에서는 고친 자리가 화면에 그대로 보인다. 왜 섰는지, 어느 규칙이 이겼는지가 판단 칸에 남는다. 통째로 배운 신경망에서는 그게 보이지 않는다.

## 왜 한 줄로 되는가

이번에도 재료가 다 공개돼 있었다. 순수 추종은 1992년, IDM은 2000년 논문이고, 충돌까지 남은 시간(TTC)으로 긴급제동을 거는 방식은 유럽 신차 안전도 평가의 시험 기준이다. 도로를 직선과 원호로 잇는 법, 카메라 원근을 그리는 법도 교과서에 있다. AI는 이것들을 한 파일로 조립했다. 그래서 한 파일 안에서 바깥 라이브러리 없이 돈다.

한 줄로 된 건 거기까지다. 위의 네 가지 충돌은 버튼을 눌러 보기 전엔 보이지 않았다. 코드는 처음부터 문제없이 돌아갔다. 그런데 돌아간다고 맞는 건 아니었다.

## 따라 하려면

- **판단부터 보이게 만들어라.** 모형이 멈췄을 때 「왜」를 화면에 띄우면 틀린 자리를 금방 찾는다. 이번 고침 넷은 모두 로그 한 줄에서 시작했다.
- **사고를 일부러 넣어라.** 그냥 두면 아무 일 없이 잘 돈다. 급정거, 끼어들기, 뛰어드는 사람을 버튼으로 넣어 보고 나서야 규칙의 구멍이 보였다.
- **명령과 실제를 따로 그려라.** 핸들 명령과 실제 핸들, 목표 속도와 실제 속도를 나란히 그리면, 판단이 늦은 건지 차가 늦은 건지 구분된다.
- **다음 단계는 highway-env나 MetaDrive다.** 이 시뮬레이터의 판단 칸을 신경망 하나로 바꾸고 강화학습을 돌려 보면, 규칙과 학습이 어디서 갈리는지 직접 볼 수 있다. 노트북으로 된다.

## 못 하는 것

- **카메라 영상을 보고 판단하지 않는다.** 카메라 화면은 보여 주기용 그림이다. 실제 인지는 시뮬레이터가 아는 정답 위치에 잡음을 섞어 흉내 낸 것이다. 진짜 영상에서 차선과 차를 찾는 일이 자율주행에서 가장 어려운 부분인데, 그 부분은 비어 있다.
- **도로가 단순하다.** 일방통행 2차로 한 바퀴뿐이다. 교차로, 좌회전, 마주 오는 차, 주차가 없다.
- **차는 자전거 모형이다.** 타이어 미끄러짐, 노면, 무게 이동은 없다. 브레이크를 밟으면 그대로 선다.
- **규칙 숫자는 정한 값이다.** TTC 1.6초, 추월 조건 8 km/h 같은 문턱은 그럴듯하게 고른 값이다. 실제 차의 값이 아니다.
- **실제 차에 쓰면 안 된다.** 공부용 그림이다.

로드스터가 하늘을 나는 장면은 금방 잊힐 것이다. 남는 건 보고, 판단하고, 움직이는 이 세 칸을 얼마나 믿을 만하게 만드느냐다. 위의 버튼을 한번 눌러 보자. 차가 왜 서는지가 판단 칸에 그대로 보인다.

### 재미있게 읽었다면 꼭 의견을 달아달라.

## 출처

- 로드스터 공개: [TechCrunch](https://techcrunch.com/2026/10/15/tesla-reveals-spacex-powered-roadster-that-flies-and-falls-with-style/)(2026-10-15), [Electrek](https://electrek.co/2026/10/13/tesla-roadster-event-thursday-nine-years-delays/)(2026-10-13)
- openpilot 릴리스 노트: [RELEASES.md](https://github.com/commaai/openpilot/blob/master/RELEASES.md) (0.11.0 2026-03-17, 0.11.2 2026-10-14)
- NVIDIA Alpamayo: [발표](https://nvidianews.nvidia.com/news/alpamayo-autonomous-vehicle-development)(2026-01-05), [모델 카드](https://huggingface.co/nvidia/Alpamayo-R1-10B)
- CARLA 0.10: [발표](https://carla.org/2024/12/19/release-0.10.0), [권장 사양](https://carla-ue5.readthedocs.io/en/latest/start_quickstart/)
- 순수 추종: R. C. Coulter, Implementation of the Pure Pursuit Path Tracking Algorithm, [CMU-RI-TR-92-01](https://www.ri.cmu.edu/publications/implementation-of-the-pure-pursuit-path-tracking-algorithm/) (1992)
- IDM: Treiber·Hennecke·Helbing, Congested traffic states in empirical observations and microscopic simulations, [Phys. Rev. E 62](https://arxiv.org/abs/cond-mat/0002177) (2000)
- GitHub 별 수는 2026-10-18 GitHub API로 조회했다
- 시뮬레이터 그림과 주행 기록은 모두 이 글의 시뮬레이터로 만들었다