학생 두 팀, 논문 두 편 — PopcornSAR·HCMUT 협력 Phase 2

호치민공과대학교(HCMUT) 대학원 연구자들이 Adaptive AUTOSAR 위에서 실제 제품 수준의 엣지 AI 인식과 진단 시스템을 만들었습니다. 툴체인 안에는 Claude 기반 어시스턴트가 들어가 있었습니다.

Phase 1 에서 Phase 2 로

PopcornSAR 와 호치민공과대학교(HCMUT)가 2025년 9월 협력을 시작했을 때 목표는 단순했습니다. Advanced Computing Lab(ACLAB)의 대학원생들에게 실제 양산 차량 프로그램에 쓰이는 것과 같은 Adaptive AUTOSAR 툴체인을 주고, 무엇을 만들어내는지 보는 것이었습니다.

Phase 1 이 기반을 다졌다면, 2026년 1월부터 4월까지 진행된 Phase 2 는 작업이 무르익고 결과가 나온 시기입니다.

두 학생 팀이 Software-Defined Vehicle 분야의 서로 다른 문제를 맡았습니다. 두 팀 모두 저가 임베디드 하드웨어 위에서 동작하는 시스템을 완성했고, 두 팀 모두 IEEE SAS 2026 에 논문이 채택됐으며, 두 팀 모두 심사를 통과했습니다.

PopcornSAR 가 제공한 것

학생들은 PopcornSAR 툴체인 전체의 데모 라이선스와 함께, 사내 레지스트리의 사전 구성 Docker 이미지, PARA SDK 런타임 라이브러리, AUTOSAR Adaptive 문서 일체, 그리고 학기 내내 이어진 PopcornSAR 엔지니어의 기술 지원을 받았습니다.

그 중심에는 PAIO — PopcornSAR 의 Claude 기반 AUTOSAR 저작 도구가 있었습니다.

PAIO 는 기존 모델링 도구에 챗봇을 얹은 것이 아닙니다. AUTOSAR 도메인 지식이 구조화된 온톨로지로 제품 안에 들어가 있고, LLM 어시스턴트가 그 온톨로지에 맞춰 조정되어 있습니다. 그래서 ARXML, 서비스 인터페이스, 머신 토폴로지를 일반 텍스트가 아니라 AUTOSAR 개념으로 다룹니다. 어시스턴트가 올라가는 LLM 런타임은 선택할 수 있습니다 — Claude Code, Codex, Gemini CLI.

두 팀 모두 Claude Code 위에서 어시스턴트를 사용했고, 시스템 설계·인터페이스 설계·검증 여러 단계에 걸쳐 활용했습니다. 표준을 처음 접하는 학생들 옆에 그 표준을 깊이 이해하는 조력자가 함께 있었던 셈입니다 — 머신과 서비스 인터페이스를 모델링할 때, 그리고 그렇게 만든 구성이 타당한지 확인할 때.

학기 마감에 쫓기는 팀에게는 이것이 중요했습니다. Adaptive AUTOSAR 는 초반 학습 곡선이 가파르고, 학생 프로젝트가 멈추는 지점은 대개 '명세를 이해하는 것'과 '빌드되는 유효한 시스템 모델을 만드는 것' 사이의 간극입니다.

1팀: 센서 엣지에서의 실시간 신호등 인식

첫 번째 팀은 신호등 인식을 차량 엣지 노드에서 직접 돌리는 것을 목표로 했습니다. GPU 도, NPU 도, 전용 가속기도 없이. 이 제약은 의도한 것이었습니다 — 실제 차량의 센서급 장치는 비용·전력·발열이 모두 제한되기 때문입니다.

팀은 YOLO11 의 백본을 MobileNetV4-ConvSmall 로 교체하고, 양자화한 모델을 완전 C++ 로 구현된 Google LiteRT 런타임으로 배포했습니다. 인식 파이프라인은 SOME/IP 로 통신하는 두 개의 Adaptive Application 으로 구현했습니다 — 획득과 추론을 담당하는 ProviderSensor, 그리고 그 결과를 소비하는 ClientSensor 입니다. 서비스 인터페이스와 제공자·소비자 관계는 PopcornSAR 저작 도구에서 모델링했고, 도구가 C++ 서비스 스켈레톤과 프록시를 생성했습니다. 생성된 산출물은 PARA SDK 런타임과 통합했습니다.

Raspberry Pi 5 에서의 결과입니다:

전처리·추론·후처리·SOME/IP 메시지 준비를 모두 포함한 종단 지연은 평균 약 41 ms 로, 24–25 FPS 의 실시간 동작에 해당합니다. 경량화한 모델은 기준 대비 85% 이상의 검출 정확도를 유지했습니다.

팀이 파악한 범위에서, YOLO11–MobileNetV4 검출기와 완전 C++ LiteRT 런타임을 결합해 CPU 기반 센서 장치에서 실시간 추론을 수행한 종단 구현으로는 최초에 가까운 사례입니다.

2팀: 엔진 고장 예지 진단

두 번째 팀은 예지 정비를 다뤘습니다. 고장이 일어나기 전에 시계열 센서 신호에서 엔진 이상을 찾아내는 문제입니다.

이 팀은 1차원 신호를 그대로 분류하는 대신 2차원 이미지로 인코딩해 컴퓨터 비전 기법을 적용했습니다. 이들이 만든 TridentNet 은 같은 신호의 세 가지 표현을 동시에 처리하는 삼중 스트림 잔차 구조입니다 — 단시간 푸리에 변환(STFT), 연속 웨이블릿 변환(CWT), 재귀 플롯(Recurrence Plot). 덕분에 주파수·시간주파수·구조적 특징을 병렬로 포착합니다.

자동차 데이터셋 FordA·FordB 로 평가한 결과, TridentNet 은 ResNet 같은 업계 표준 모델과 대등한 정확도를 내면서 연산 복잡도와 메모리 사용량을 크게 줄였습니다 — Raspberry Pi 4 에서 돌 정도로.

시스템은 Adaptive AUTOSAR 플랫폼 위에 서비스 지향 머신으로 배포했고, 추론은 ONNX Runtime 을 통한 C++ 로, 대역폭이 큰 데이터 전송은 PARA SDK 의 DDS 로 구현했습니다.

결과

Phase 2 는 학점 이상의 결과로 마무리됐습니다.

• IEEE SAS 2026 논문 두 편 채택 — 팀당 한 편
• 두 팀 모두 심사 통과, 심사위원회로부터 높은 평가
• 교토공예섬유대학교와 공동 워크숍 발표
• Raspberry Pi 4·5 실물 시연, CARLA 시뮬레이션 연동 포함

두 논문 모두 감사의 글에서 툴체인·라이선스·엔지니어링 멘토링을 제공한 PopcornSAR 를 명시했습니다.

이 결과가 툴체인에 대해 말해주는 것

이런 결과에는 읽을 만한 신호가 있습니다. 이들은 자동차 소프트웨어 엔지니어가 아니라 학생이었고, 익숙하지 않은 표준을 한 학기 만에 다뤄야 했습니다. 그럼에도 AUTOSAR 를 따르는 서비스 지향 애플리케이션을 만들어, 기름 한 탱크보다 싼 하드웨어 위에서 실시간으로 돌렸고, IEEE 동료 심사를 통과하는 수준으로 정리해냈습니다.

이 결과는 'AUTOSAR 명세를 이해하는 것'과 '유효한 시스템 모델을 만드는 것' 사이의 마찰을 없앤 데서 나왔습니다. 표준을 패턴으로 흉내 내는 것이 아니라 실제로 이해하는 어시스턴트가 그 간극을 메웁니다. PAIO 를 지금과 같은 방식으로 만든 이유가 여기에 있습니다.

ACLAB 의 학생들과 Dr. Nhan 께 축하와 감사를 전합니다. 정말 인상적인 한 해였습니다.