AI Coding in Chassis R&D: IM Motors가 섀시 제어 개발 네 단계에 AI를 넣어 검증을 앞당긴 방법
SAIC 계열 전기차 브랜드 IM Motors는 섀시 기능 설계, 소프트웨어 개발, 보정, 시뮬레이션 검증에 AI 코딩을 넣어 개발 후반에 하던 검증을 앞으로 당겼습니다. 신호와 상태 전이 점검은 일부 가상 리그 시험 없이 끝내고 보정 엔지니어가 몇 시간씩 쓰던 데이터 정리는 빠르게 처리합니다.
IM Motors는 섀시 제어 개발의 설계, 코딩, 보정, 시뮬레이션 네 단계에 AI 코딩을 넣어 개발 후반에 몰려 있던 검증을 앞으로 당겼습니다. 따라 하려면 신호 정의와 상태 머신을 AI가 읽을 수 있는 표로 먼저 바꾸고 어떤 변경이 가상 리그 시험을 건너뛸 수 있는지 규칙으로 정해 두어야 합니다.
요약
중국 SAIC 계열 전기차 브랜드 IM Motors(智己)의 모션 컨트롤 부문 수석 전문가 Wang Bin 박사가 2026년 11월 18일 제6회 Automotive AI Intelligent Chassis Conference에서 섀시 개발 방식을 소개했습니다. 대상은 차량의 움직임을 제어하는 섀시 기능입니다. 회사는 이 기능을 만드는 네 단계에 AI 코딩(AI에게 코드와 스크립트를 짜게 하는 방식)을 넣었습니다. 제품 설계 단계에서는 문서를 표준 형식으로 맞추고 상호작용 프로토타입을 만들어 기능 리뷰에 씁니다. 기능 개발 단계에서는 신호 설계, 상태 머신 로직, 상태 전이를 AI로 점검합니다. 보정 단계에서는 AI 코딩과 자체 도구를 묶어 여러 시험 장비에서 나온 데이터를 정리합니다. 시뮬레이션 단계에서는 여러 조건을 돌려 성능 지표를 다듬고 제어 전략을 미리 검증합니다.
Wang Bin이 강조한 결과는 검증 시점이 앞으로 옮겨졌다는 점입니다. 신호와 상태 전이 문제를 코드 단계에서 잡으니 일부 경우에는 가상 리그(virtual rig, 실차 대신 소프트웨어 모델과 시험 장치로 제어기를 돌려 보는 환경) 시험 없이 검증이 끝납니다. 보정 엔지니어가 몇 시간씩 쓰던 데이터 정리도 빠르게 끝나 같은 기간에 시험과 최적화를 더 여러 번 돌릴 수 있게 됐습니다. 절감한 시간이나 비율은 공개하지 않았습니다. Wang Bin은 이 변화가 업계 구조로 이어진다고 봅니다. 모션 제어 시스템이 하나로 묶이면서 소프트웨어 기능 정의, 개발, 사용자 상호작용 설계를 완성차가 더 많이 맡고 공급사는 하드웨어와 시험·검증 쪽으로 옮겨 간다는 전망입니다. 아래에서는 네 단계가 어떻게 작동하는지와, 실제로 돌릴 때 필요한 설계와 일정을 정리합니다.
핵심 메커니즘
Front-loading Verification: 늦게 하던 검증을 앞 단계로 옮긴다
자동차 제어 소프트웨어는 보통 설계와 코딩을 마친 뒤 가상 리그와 실차 시험에서 문제를 찾습니다. 이 시점에 로직 오류가 나오면 설계까지 되돌아가야 해서 한 번 고치는 데 시간이 오래 걸립니다. IM Motors는 설계 문서와 코드가 만들어지는 시점에 AI 점검을 붙였습니다. 후반 시험에는 이미 한 번 걸러진 버전만 올라갑니다. 원문은 이 방식을 한 문장으로 요약합니다. 개발 후반에 하던 검증 일부를 앞으로 당긴다는 것입니다.
이 방식이 맞는 문제는 문서와 코드만 보고 판단할 수 있는 것들입니다. 신호를 잘못 정의했거나 상태 전이가 빠진 경우가 여기에 듭니다. 실제 하드웨어 응답이나 노면처럼 물리 거동에 달린 문제는 여전히 리그와 실차에서 확인해야 합니다. 원문도 리그 시험 생략을 “일부 경우”로 한정했습니다.
Signal and State Machine Check: 신호 설계와 상태 전이를 코드 단계에서 본다
섀시 기능은 센서와 다른 제어기에서 오는 신호를 받아 여러 상태(예: 대기, 작동, 고장 대응) 사이를 오가며 동작합니다. 이 흐름을 정리한 것이 상태 머신(state machine, 상태와 그 사이 전이 조건을 정의한 설계)입니다. IM Motors는 AI 코딩으로 신호 설계, 상태 머신 로직, 상태 전이를 점검합니다. 리그에 올리기 전에 로직이 설계 의도대로 짜였는지 먼저 보는 단계입니다. 어떤 오류 유형을 찾는지와 어떤 모델·도구를 쓰는지는 원문에서 밝히지 않았습니다.
작은 예시(가상): 주행 모드를 바꾸는 기능에서 “센서 신호가 끊기면 고장 대응 상태로 간다”는 전이가 사양서에는 있는데 코드에는 빠졌다고 해 봅시다. 리그 시험에서는 신호 단절 시나리오를 돌려야 드러나지만 코드 단계 점검에서는 사양과 코드를 대조해 바로 찾을 수 있습니다.
Calibration Data Pipeline: 여러 장비의 데이터를 AI 코딩으로 정리한다
보정(calibration)은 제어 소프트웨어의 파라미터 값을 시험 결과에 맞춰 조정하는 일입니다. 시험 장비마다 데이터 형식, 시간 기준, 단위가 달라 엔지니어가 먼저 데이터를 모으고 맞춰야 비교할 수 있습니다. IM Motors는 이 정리 작업에 AI 코딩을 쓰고 회사가 직접 만든 도구와 묶었습니다. 원문에 따르면 보정 엔지니어가 몇 시간씩 하던 일이 빠르게 끝납니다. 장비 이름과 데이터 형식, 자체 도구의 이름은 공개하지 않았습니다.
Multi-condition Simulation: 여러 조건을 돌려 제어 전략을 먼저 검증한다
시뮬레이션 단계에서는 여러 주행 조건을 한꺼번에 돌려 성능 지표를 최적화하고 제어 전략이 맞는지 리그와 실차 전에 확인합니다. AI는 조건을 만들고 실행하고 결과를 모으는 작업을 돕습니다. 원문이 밝힌 효과는 같은 기간에 시험과 최적화 회차를 더 돌릴 수 있다는 것입니다. 어떤 조건과 지표를 쓰는지는 원문에서 밝히지 않았습니다.
OEM-Supplier Boundary: 소프트웨어 개발의 경계가 다시 그어진다
Wang Bin은 AI가 완성차 회사(OEM)의 자체 기능 설계·소프트웨어 개발 역량을 키운다고 봅니다. 차량 모션 제어 시스템이 하나로 통합될수록 소프트웨어 기능 정의, 개발, 사용자 상호작용 설계를 완성차가 더 많이 맡게 됩니다. 공급사의 역할은 하드웨어, 시험, 검증 쪽으로 옮겨 갑니다. 그는 완성차와 공급사 사이의 소프트웨어 개발 경계가 다시 그어질 것으로 전망했습니다.
통념과 다른 주장
흔히 이렇게 봅니다섀시 제어 소프트웨어는 부품을 만드는 공급사가 함께 개발해 완성차에 넘기는 영역이다.
저자는 이렇게 봅니다AI가 완성차의 설계·개발 역량을 키워 기능 정의와 개발은 완성차가 더 많이 맡고 공급사는 하드웨어와 시험·검증으로 옮겨 갑니다.
근거모션 제어 시스템이 통합되는 흐름에서 IM Motors가 설계부터 시뮬레이션까지 네 단계에 AI 코딩을 넣어 직접 검증을 앞당긴 경험을 들었습니다.
흔히 이렇게 봅니다제어 로직 검증은 가상 리그나 실차 시험을 거쳐야 믿을 수 있다.
저자는 이렇게 봅니다신호와 상태 전이 문제는 코드 단계에서 AI로 점검해 일부 경우 가상 리그 시험 없이 끝낼 수 있습니다.
근거IM Motors는 기능 개발 단계에서 AI 점검으로 검증 일부를 먼저 마쳤다고 밝혔습니다.
저자가 든 사례
IM Motors 섀시 개발: 네 단계에 AI 코딩을 넣다
| 구분 | 내용 |
|---|---|
| 상황 | 섀시 기능 검증이 개발 후반(리그·실차 시험)에 몰리고 보정 데이터 정리에 엔지니어가 몇 시간씩 씀 |
| 한 일 | 제품 설계(문서 표준화·상호작용 프로토타입), 기능 개발(신호·상태 머신·상태 전이 점검), 보정(AI 코딩과 자체 도구로 다원 데이터 정리), 시뮬레이션(다조건 실행·지표 최적화)에 AI 코딩 적용 |
| 결과 | 검증 일부를 앞 단계로 이동, 일부는 가상 리그 시험 생략. 데이터 정리 시간 단축. 같은 기간에 더 많은 시험·최적화 회차. 절감 수치는 원문에서 밝히지 않음 |
| 연결 | Front-loading Verification, Signal and State Machine Check, Calibration Data Pipeline, Multi-condition Simulation |
기술 디테일: 섀시 개발에 AI 코딩을 직접 넣는다면
아래 필드명, 설정값, 기준은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. 원문은 모델·도구·수치를 공개하지 않았습니다.
제품 설계 단계의 문서 표준화는 빈칸 찾기부터 시작합니다. 기능 사양 양식에 기능 ID, 작동 조건, 입력 신호, 출력, 해제 조건, 고장 시 동작, 운전자 알림 필드를 고정합니다. LLM에는 자유 서술로 쓴 기존 문서를 이 필드에 맞춰 JSON으로 옮기게 하고 채우지 못한 필드는 빈 값과 함께 “근거 없음”으로 표시하게 합니다. 지어낸 값이 섞이지 않도록 필드마다 원문 문장 위치를 함께 받습니다. 상호작용 프로토타입은 AI 코딩으로 클릭 가능한 HTML 화면(예: 주행 모드 전환 화면)을 만들어 기능 리뷰에서 사양과 함께 봅니다. 모델은 사내 코드와 사양서가 외부로 나가지 않는 기업 계약 도구나 사내 배포 모델로 고릅니다.
신호·상태 머신 점검(Signal and State Machine Check)을 돌리려면 사양부터 기계가 읽는 표로 바꿉니다. 문서형 사양서를 그대로 LLM에 넣고 리뷰를 시키면 실행할 때마다 지적이 달라지기 쉽습니다. 그래서 점검을 두 갈래로 나눕니다. 첫째, AI 코딩으로 상태 전이 표를 그래프로 바꾸고 도달할 수 없는 상태, 나가는 전이가 없는 상태, 조건이 겹치는 전이를 찾는 검사 스크립트를 만듭니다. 이 부분은 결과가 매번 같습니다. 둘째, LLM은 사양 문장과 표가 어긋나는 곳만 찾게 하고 결과를 JSON으로 받습니다. temperature 0으로 같은 입력을 3회 돌려 2회 이상 나온 지적만 남기면 흔들림이 줄어듭니다. 신호 표에는 신호 이름, 보내는 제어기, 단위, 최솟값, 최댓값, 주기(ms), 끊김 판정 시간(ms), 끊겼을 때 기본값을 둡니다.
{"finding_id": "SM-0142", "type": "missing_transition", "state": "ACTIVE", "signal": "yaw_rate_valid", "spec_ref": "기능사양 4.2.3", "evidence": "신호 끊김 시 FAULT로 가는 전이가 코드에 없음", "votes": 3, "needs_rig": false}
가상 리그 생략은 변경 유형별 규칙으로 정합니다. 원문의 “일부 경우”를 실제로 운영하려면 누가 봐도 같은 판단이 나오는 규칙표가 필요합니다. 로그 문구처럼 동작에 영향이 없는 변경은 코드 점검으로 끝내고 전이 조건 추가는 관련 시나리오만 리그에서 회귀 시험합니다. 제어 게인처럼 물리 거동이 바뀌는 변경과 기능안전 대상 기능은 생략 대상에서 빼고 안전 담당 승인을 받습니다. 생략한 변경은 변경 번호, 적용 규칙, 점검 결과 파일을 함께 남겨 나중에 문제가 나면 추적할 수 있게 합니다.
보정 데이터 정리(Calibration Data Pipeline)는 장비별 파서와 공통 스키마로 나눕니다. AI에게는 장비 형식마다 파서 코드를 쓰게 하고 사람은 공통 스키마와 검증 규칙만 관리합니다. 공통 스키마 필드 예는 test_id, vehicle_id, timestamp_utc, channel, value, unit, source_device입니다. 검증 규칙은 시간 순서가 거꾸로 된 행, 단위 변환표에 없는 단위, 채널별 결측률, 장비 사이 샘플링 주기 차이를 봅니다. 흔한 실패는 장비 소프트웨어가 바뀌어 열 이름이 달라지는데 파서가 빈 값만 조용히 내는 경우입니다. 채널 결측률이 5%를 넘으면 정리를 멈추고 알리게 해 둡니다. 도입 초기 2주는 엔지니어가 손으로 정리한 결과와 나란히 돌려 값이 같은지 대조합니다.
시뮬레이션(Multi-condition Simulation)은 조건 행렬과 지표를 먼저 고정합니다. 노면(건조, 젖음, 눈길)과 속도 구간 같은 조건을 행렬로 정의하고 조건마다 볼 지표(예: 응답 지연, 목표값 초과량, 안정될 때까지 걸린 시간)와 허용 범위를 미리 적습니다. AI 코딩으로는 조건 파일 생성, 배치 실행, 결과 집계 스크립트를 만듭니다. 지표가 범위를 벗어난 칸만 엔지니어가 다시 봅니다. 그 조건에서 파라미터를 바꿔 다시 돌리고 전후를 비교합니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 사양서가 문장뿐 | LLM 지적이 실행마다 다름 | 신호 표·전이 표로 먼저 바꾸고 결정적 검사를 앞에 둠 |
| 지적이 너무 많음 | 엔지니어가 결과를 안 봄 | 3회 중 2회 이상 지적만 남기고 유형별로 묶어 하루 1회 전달 |
| 리그 생략 뒤 문제 발생 | 원인 추적이 안 됨 | 생략 변경마다 규칙 번호와 점검 결과 파일을 남김 |
| 파서가 조용히 실패 | 정리된 표에 빈 값 | 채널 결측률 기준을 넘으면 중단하고 알림 |
| 시뮬레이션 결과 과신 | 리그에서 다른 결과 | 시뮬레이션은 우선순위 정하기에만 쓰고 최종 판정은 리그·실차 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 원문의 네 단계를 참고해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| 섀시 기능 설계 담당 | 사양서를 신호 표·전이 표로 전환, 기능 리뷰 주관 |
| 제어 소프트웨어 엔지니어 | 검사 스크립트와 LLM 대조 구성, 지적 분류 |
| 보정 엔지니어 | 장비 목록과 형식 정리, 파서 결과 대조, 정리 시간 측정 |
| 검증 리드(리그·시뮬레이션) | 리그 생략 규칙 초안, 시뮬레이션 조건 행렬 관리 |
| 기능안전 담당 | 생략 규칙에서 안전 관련 기능 제외, 승인 기록 확인 |
| 공급사 관리 담당 | 공급사와의 소프트웨어 역할 분담 현황 정리 |
준비물. 시범 기능 하나의 사양서와 소스 코드 접근 권한, 최근 6개월 리그 시험에서 발견된 결함 목록, 시험 장비 목록과 샘플 데이터, 현재 보정 데이터 정리에 드는 시간 기록, 사내 코드를 넣을 수 있는 승인된 AI 코딩 도구가 필요합니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1주 | 시범 기능 선정, 사양서를 표로 전환, 지난 리그 결함 중 로직 오류 비율과 데이터 정리 시간 기준선 측정 | 신호 표, 전이 표, 기준선 |
| 2주 | 검사 스크립트와 LLM 대조 구성, 장비별 파서 작성 | 점검 결과 첫 판, 파서 |
| 3주 | 지난 결함을 다시 넣어 점검이 잡아내는지 확인, 파서를 수작업과 병행 운영, 리그 생략 규칙 시범 적용 | 재검출률, 대조 결과, 규칙 초안 |
| 4주 | 정리 시간과 재검출률 비교, 확대 여부 판정 | 판정 보고서 |
현업에 물을 것.
- 지난 6개월 리그 시험에서 나온 결함 가운데 사양과 코드만 보고 찾을 수 있었던 것은 몇 건인가요?
- 보정 데이터 정리에 한 회차당 몇 시간을 쓰고 어느 장비 데이터가 가장 손이 많이 가나요?
- 리그 시험을 건너뛰어도 된다고 동의할 수 있는 변경은 어떤 종류인가요?
- 기능안전 심사에서 생략한 시험의 근거로 무엇을 요구하나요?
- 지금 공급사가 개발하는 소프트웨어 기능 가운데 직접 맡고 싶은 것은 무엇인가요?
진행 판정 기준(예시). 지난 리그 결함 중 로직 오류를 코드 단계 점검이 70% 이상 다시 찾아내고 파서 결과가 수작업과 일치하며 보정 데이터 정리 시간이 절반 이하로 줄면 다음 기능으로 넓힙니다. 리그 생략 뒤 문제가 한 건이라도 나오면 해당 규칙을 멈추고 다시 정합니다.
AX 적용 제언. 완성차와 Tier 1 부품사 모두 첫 대상은 상태 전이가 많고 변경이 잦은 제어 기능 하나가 좋습니다. 처음부터 리그 시험을 줄이려 하기보다, 사양을 표로 바꾸고 보정 데이터 정리를 자동화하는 데서 시작하면 효과를 시간으로 바로 잴 수 있습니다. 사양서 가운데 표로 옮긴 비율이 곧 이 방식의 데이터 준비도입니다. 경영진에게는 “리그에서 처음 발견된 로직 결함 수”와 “보정 회차당 정리 시간”을 보고하면 투자 효과가 보입니다. 부품사라면 Wang Bin의 전망을 따로 따져 봐야 합니다. 완성차가 소프트웨어를 더 가져갈 때 남는 시험·검증 역량을 어떻게 상품으로 만들지가 계약 협상의 출발점이 됩니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | Gasgoo Auto News 「IM Motors Introduces AI into Chassis R&D, Front-Loading Some Verification Phases」, 2026.11.18 |
| 발표 | 제6회 Automotive AI Intelligent Chassis Conference 2026(11.18), IM Motors 모션 컨트롤 부문 수석 전문가 Wang Bin 박사 |
| 핵심 주장 | AI 코딩이 “front-loads verification work that was traditionally conducted late” |
| 적용 단계 | 제품 설계, 기능 개발, 보정, 시뮬레이션 검증 |
| 기능 개발 | 신호 설계·상태 머신 로직·상태 전이 점검, 일부 가상 리그 시험 생략 |
| 보정 | AI 코딩과 자체 도구로 여러 시험 장비의 데이터 정리, 몇 시간 걸리던 일을 빠르게 |
| 시뮬레이션 | 다조건 시뮬레이션, 성능 지표 최적화, 제어 전략 사전 검증 |
| 수치 | 절감 시간·비율 공개하지 않음 |
| 업계 전망 | 완성차가 소프트웨어 기능 정의·개발·상호작용 설계를 더 맡고 공급사는 하드웨어·시험·검증으로 이동 |
핵심 개념
- Chassis
- 차체 아래에서 차의 움직임을 맡는 제동, 조향, 서스펜션 같은 시스템의 묶음입니다.
- Motion control
- 섀시 시스템들을 함께 제어해 차가 원하는 대로 가고 서고 돌게 만드는 소프트웨어 영역입니다.
- Virtual rig
- 실차 대신 차량 모델과 시험 장치에 제어기나 제어 코드를 연결해 시나리오를 돌려 보는 시험 환경입니다.
- AI Coding
- AI에게 코드나 스크립트를 짜게 해 개발·점검·데이터 처리 작업을 맡기는 방식입니다.
- OEM과 Tier 1
- OEM은 차를 완성해 파는 완성차 회사, Tier 1은 OEM에 시스템과 부품을 직접 공급하는 1차 공급사입니다.
내 메모
TODO: 내 생각 추가
원문은 Gasgoo Auto News 기사 「IM Motors Introduces AI into Chassis R&D, Front-Loading Some Verification Phases」(Taylor 편집, 2026.11.18)입니다. 기사는 Wang Bin 박사의 콘퍼런스 발표를 전한 짧은 보도로, 모델·도구 이름과 절감 수치는 담고 있지 않습니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 기사에 나온 내용을 AX Partners가 다시 정리했습니다. IM Motors가 SAIC 계열이라는 점과 가상 리그, 상태 머신, Chassis, OEM·Tier 1 풀이는 일반적인 업계 지식으로 보탰습니다. 기술·현업 디테일의 필드명, JSON 예시, 규칙표, 조건 행렬, 일정, 질문, 판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성한 가상 예시입니다. 전체 내용은 원문에서 확인할 수 있습니다.