예상보다 더딘 성장세 보이는 자율주행차 시장...돌파구로 AI에 '올인'하는 스타트업은?

운전을 하다보면 다양한 돌발상황에 노출되기 마련이죠. 이러한 복잡한 도로 환경 때문인지 완전 자율주행차 시장의 성장 및 확장 속도가 예상보다 더딘데요. 일부 자율주행 스타트업들은 이러한 더딘 성장세에서 돌파구를 찾기위해 AI에 올인하는  움직임을 보이고 있습니다. 이번 로아리포트에서는 완전 자율주행차의 상용화를 앞당기기 위해 다양한 접근 방식을 취하고 있는 하기 자율주행차 스타트업들에 대해 알아보고자 합니다.  


AI 중심의 접근방법을 보여주고 있는 자율주행 스타트업



종전의 로보틱스, 모듈화 접근 방식에서 AI로 접근 방식 전환


자율주행차 개발은 생각보다 훨씬 어려운 일인데요. 2021년 자율주행차 스타트업 와비(Waabi)를 설립하기 전, 4년 동안 우버(Uber)의 자율주행 팀을 이끌었던 라퀠 우르타순(Raquel Urtasun)은 "자율주행 산업은 과대홍보가 너무 많다"며, 로봇 기반의 연구방식이 얼마나 어려운 것인지 알아야 할 필요가 있다고 지적했습니다. 


기존의 자율주행차의 주류(mainstream) 접근 방식은 로봇공학 및 모듈화 기반으로, 인식, 의사 결정 및 차량 제어를 각각 다른 모듈을 사용하여 다른 문제로 취급하는 방식인데요. 우르타순은 이러한 방식은 전체 시스템을 구축 및 유지 관리하기 어렵게 만들 수 있으며 한 모듈의 오류가 다른 모듈로 확산될 수 있다고 설명했습니다. 이어 "따라서 우리는 로봇 접근 방식이 아닌, AI 기반의 사고 방식이 필요하다"고 밝혔습니다. 


지금까지 투자자들은 자율주행차를 만드는 데 1,000억 달러 이상을 투자했으며, 이는 나사(NASA)가 인간을 달에 보내는 데 쓴 비용의 3분의 1 수준일 정도로 그 규모가 방대인데요. 이와같이 지난 10년 반 동안 무수히 많은 도로 테스트 및 대규모 투자 유치에도 불구하고 자율주행 기술은 아직까지 파일럿 수준에 머물러있는 실정입니다. 이와 관련 웨이브(Wayve) 창업자 겸 CEO인 알렉스 켄달(Alex Kendall)은 "제한적인 결과를 얻기 위해 엄청난 지출을 하고있다"고 지적하기도 했습니다. 


이와같은 이유로 웨이브 및 오토브레인스(Autobrains) 등 기타 자율주행차 스타트업들은 AI에 모든 것을 투자하고 있는 상황으로, 함께 'AV2.0'이라고 하는 브랜드를 만들어 보다 똑똑하고, 저렴한 기술이 현재의 자율주행차 시장을 선도하기 위해 도전하고 있습니다. 


▶ 자율주행 키워드 살펴보기

투자 유치한 자율주행차 관련 기업 리스트 로아엔진에서 확인하기



자율주행에 AI 강화학습 적용

 

AI 기술 기반의 자율주행차에 대한 실험이 최초로 진행되었던 건 4년 전으로, 영국에 위치한 자율주행차 스타트업 웨이브(Wayve)의 켄달은 저렴한 카메라와 거대한 신경망으로 이루어진 자율주행차에 탑승해 직접 AI 훈련에 참여한 바 있습니다. 켄달은 핸들에서 손을 뗐을때 차가 기울면 바로잡는 과정을 수차례 반복했으며, 20분도 채 되지 않아 자율주행차가 스스로 주행하는 법을 배웠다고 전했습니다. 


이는, 시행 착오를 통해 작업을 수행할 수 있도록 신경망을 훈련시키는 AI 기술 기반의 강화 학습(Reinforcement learning)이 실제 도로에서 자율주행차의 학습을 돕는데 사용된 첫 사례로 당시 주목을 받았습니다. 


이러한 강화 학습은 앞서 비디오 게임이나 한국의 이세돌 기사와 세기의 대결을 펼치며 전 세계의 주목을 받았던  알파고(Alpha Go), 즉 바둑을 스스로 둘 수 있는 컴퓨터 프로그램인 '고(Go)'를 통해 큰 성공을 거둔 바 있으며, 이 외에도 핵융합로를 제어하는 데도 사용된 바 있으나, 자율주행은 다양한 환경에 즉각적인 대응이 이루어져야 하는만큼 너무 복잡하다는 인식으로 인해 적용 측면에서 가장 뒤쳐졌습니다. 


현재 웨이브는 런던의 러시아워 시간대에 자율주행차를 훈련하고 있는 중으로 지난 해, 런던에서 훈련된 자율주행차를 타고 주행했으며, 추가적인 주행 훈련 없이 5개의 다른 도시인 영국의 캠브리지(Cambridge), 코번트리(Coventry), 리즈(Leeds), 리버풀(Liverpool) 및 맨체스터(Manchester)에서 주행에 성공한 바 있습니다. 이는, GM의 자율주행차 사업부인 크루즈(Cruise) 및 웨이모(Waymo) 등의 업계를 선도하는 기업들이 성공하기 위해 고군분투하고 있는 영역에서의 주요 성과로, 이 외에도 웨이브는 얼마 전, 클라우드 기반의 슈퍼 컴퓨터인 애저(Azure)에서 자사의 신경망을 훈련하기 위하여 마이크로소프트(Microsoft)와 협력한다고 발표한 바 있습니다. 


AV 2.0이라는 슬로건을 내세우고 있는 웨이브 자율 주행 차량

출처: 웨이브 블로그



새로운 AI 훈련 방식  도입... 종단 간(end-to-end) 학습


이처럼 자율주행 기술 개발에 적용되는 AI 훈련에 새로운 방식이 도입되고 있는 가운데, 여러 신경망을 구축하고 이를 직접 연결하는 대신, 웨이브 및 와비 등은 자체적으로 세부 사항을 파악할 수 있는 하나의 큰 신경망을 구축하고 있는데요. AI에 충분한 데이터를 넣어주면, 아이가 자전거 타는 법을 배우듯이 도로에 대한 카메라 데이터가 입력되고, 출발하거나 브레이크를 밟는 것으로 출력되는 법을 배우게 됩니다. 이와 같이 경험의 전 과정을 능동적으로 유도해 입력에서 출력으로 이동하는 것을 종단 간 학습(end-to-end)이라고 칭하고 있습니다. 


이는, GPT-3*가 자연어 처리를 위해 했던것과 같고, '알파 제로(Alpha Zero)'가 바둑(Go)과 체스를 두기위해 했던 것과 같은 방식입니다. 켄달은 이러한 종단간 학습은 인간이 초인간적인 능력을 실행할 수 있게 발전시켰으며, 운전 역시 마찬가지가 될 것이라고 밝혔습니다. 


*GPT-3 (Generative Pre-trained Transformer 3): 인류에게 이익을 주는 것을 목표로 하는 인공지능 연구소인 오픈AI(OpenAI)에서 만든 딥러닝 언어처리 체계. 데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속하는 기계학습의 일종인 비지도학습(Unsupervised Learning)과 생성적 사전학습(generative pre-training)기법 및 자연어처리뿐만 아니라 컴퓨터비전에도 활용되는 딥러닝 모형의 변환기(transformer)를 적용. 번역과 대화, 작문을 할 수 있고, GPT-2 대비 훨씬 인간과 유사해졌음


와비도 비록 아직까진 실체 차량에 적용되고 있진 않지만, 웨이브와 마찬가지로 종단간 학습을 사용하고 있는데요. AI 전문 인력이 자체적으로 제어하는 운전 시뮬레이션에 참여해 완전한 AI 자율주행차를 개발하고 있습니다. 


또한, 미국의 자율주행 개발 업체인 고스트(Ghost)는  AI 우선 접근 방식을 채택하여 도로를 탐색할 뿐만 아니라 다른 운전자에게 반응하는 방법을 배우는 자율주행 기술을 구축하고 있습니다. 



→ 단일 신경망 아닌, 수십만개에 달하는 작은 네트워크를 훈련하는 방식도 등장


앞서 언급했듯이 다수 자율주행차 개발 업체들은 기존의 큰 신경망 내 종단 간 학습에 베팅하고 있지만, 접근 방식을 다르게하는 업체들도 생겨났습니다. 자율주행 솔루션 개발 업체인 오토브레인스(Autobrains)는 자동차가 마주할 수 있는 각각의 매우 특정한 시나리오를 처리하기 위해 큰 신경망을 훈련시키는 대신, 수십만개에 달하는 여러개의 작은 네트워크를 훈련하고 있습니다.


오토브레인스 CEO인 이갈 라우첼가우즈(Igal Raichelgauz)는 "어려운 AV 문제를 수십만 개의 작은 AI 문제로 변환하고 있다"며, "하나의 큰 모델을 사용하는 것은 문제를 실제보다 더 복잡하게 만든다"고 전했는데요. 이어 "운전할 때도, 도로 위의 모든 픽셀을 이해하려 하기 보다는, 전후 맥락의 단서를 추출한다"라고 설명했습니다. 


오토브레인스는 자동차에서 센서 데이터를 받아 비가 내리는 상황, 횡단보도를 건너는 보행자, 신호등, 우회전하는 자전거 및 후방에 위치한 자동차 등 AI가 현재 상황과 일치하는 시나리오를 파악하도록 했는데요. 오토브레인스는 백만 마일의 주행 데이터를 관찰하는 등 약 20만 개의 시나리오를 두고 개별 신경망을 훈련시키고 있다고 밝혔습니다. 


오토브레인스는 기술을 테스트하기 위해 그동안 자동차 제조업체들과 협업해왔으며, 얼마전 자체 자율주행차를 구축하기도 했다고 합니다. 한편, 웨이브의 켄달은 오토브레인스의 기술이 보다 진화된 운전자 보조 시스템에 잘 작동할 수 있다고 생각하지만, 자사의 접근 방식보다 이점이 있다고 생각하지는 않는다고 전하며, 완전한 자율주행에 있어서 실제 운전자가 직면한 복잡성만큼 문제가 발생될 것으로 예상한다고 밝혔습니다. 



기존 방식을 뛰어넘을 수 있을까?


이렇듯 새로운 방식을 활용하는 스타트업들이 자율주행차 산업에 계속해서 등장하고 있는 가운데, 이들은 업계를 선도하고 있는 기업들을 따라잡을 수 있을지 의문이 생기는데요. GM의 자율주행 자회사 크루즈(Cruise) 엔지니어링 부사장인 모 엘쉐나위(Mo Elshenawy)는 “현존하는 최첨단 기술도 크루즈가 도달한 단계에는 미치지 못한다”고 주장했습니다. 


크루즈는 세계에서 가장 진보된 자율주행차 회사 중 하나로, 지난 11월부터는 미국 샌프란시스코에서 로보택시 서비스를 운영하고 있는데요. 로보택시는 제한된 지역에서 운행되긴 하지만, 누구나 크루즈 앱을 통해 무인 로보택시를 호출할 수 있습니다. 엘쉐나위는 "고객들의 다양한 실제 반응을 보고있다"며 "매우 흥미롭다"고 언급했습니다. 


▶ 크루즈(Cruise) 최근 기사 모아보기


크루즈는  자체 소프트웨어를 지원하기 위해 각기 다른 파트에서 작업하는 수백명의 엔지니어가 있는 방대한 가상 공장을 구축했는데요. 엘쉐나이는 기존의 로보틱스 및 모듈식 접근 방식의 이점으로 새로운 기술이 등장할 때 교체할 수 있다고 밝혔습니다. 


이어 크루즈의 모듈화 접근 방식이 다른 도시에 일반화되지 않을 것이라는 의견에 대해서도 반박했는데요. "수 년전 교외 지역에 진출할 수도 있었지만, 고의적으로 수많은 자전거 이용자, 보행자 및 차량이 활보하는 복잡한 도시 환경인 샌프란시스코를 택했다"고 일축했으며, "샌프란시스코로의 진출은 쉽게 확장할 수 있는 무언가를 구축할 수 있도록 만들었다"고 밝혔습니다. 


크루즈가 새로운 도시에서 운전하기 위해서는 주행할 도로와 관련 센치미터 단위의 상세한 지도를 만들어야 하는데요. 대부분의 자율주행차 업체들은 이러한 종류의 고화질 3D 지도(high-definition 3D maps)를 사용하며, 도로 주행중에 파악한 차선 및 신호등의 위치 혹은 특정 거리에 연석이 있는지 여부와 같은 사항을 합친 정보를 제공합니다. 이는 소위 'HD 지도(HD maps)'라고 불리며, 카메라와 레이더가 수집한 도로 정보에 위성 이미지를 결합하여 생성됩니다. 미국, 유럽 및 아시아의 수억 마일에 달하는 도로의 지도가 이러한 방식으로 구축되었습니다. 


다수의 자율주행차 업체들은 특정 업체에서 제작하고 관리하는 HD 지도를 사용하지만, 크루즈는 자체적으로 제작하고 있는데요. 이는, 크루즈가 다른 경쟁자들 대비 유리한 점으로, 스타트업들은 크루즈와 같은 정밀 지도를 사용하지 못합니다. 엘쉐나위는 "모든 운전 환경, 거리 레이아웃 및 모든 것을 포함하여 도시를 재창조할 수 있다."고 언급했습니다.


한편, 웨이브(Wayve) 및 오토브레인즈(Autobrains)와 같은 신규 기업들은 HD 지도 방식을 채택하고 있지 않은데요. 웨이브의 차량에는 GPS가 있기는 하지만, 이외에는 센서 데이터만 사용해 도로를 읽는 법을 배웁니다. 이는 보다 어려운 방식일 수 있지만, 특정 장소에 묶여있지 않다는 것을 의미하기도 합니다. 웨이브의 켄달은 이러한 방식이 자율주행차를 대중에 보급화하는 주요 열쇠라며, "첫 번째 도시에 진입하는 속도가 더딜수는 있지만, 한 도시에 진입한 이후부터는 모든 곳으로 확장하기 수월하다"고 언급했습니다. 


사실, 이 모든 이야기는 아직 갈 길이 먼데요. 크루즈의 로보택시가 샌프라신스코에서 유료 고객을 유치하고 있는 한편, 새로운 방식에서 가장 앞서나가고 있는 웨이브는 아직 운전자 없이 차량을 테스트해보지 못했습니다. 게다가 와비는 실제 차량을 사용하고 있지도 않습니다. 하지만, 이러한 새로운 AV2.0 업체들은 최근, 종단간 학습을 통해 컴퓨터 비전 및 자연어 처리의 새로운 규칙을 만들어내며 역사의 주인공이 되고있는데요. 따라서, 이들이 갖는 확신은 잘못된 것이 아니며, 와비의 우르타순은 "만약 모두가 같은 방향으로 가고있고, 그 방향이 틀린 것이라면, 우리는 문제를 해결하지 못할 것"이라며, "아직 해결책을 찾지 못했기 때문에 다양한 접근 방식이 필요하다"고 언급했습니다. 



나가며...


지금까지 예상보다 더딘 성장세를 보이고 있는 자율주행 시장에서 스타트업들이 돌파구를 찾기위해 AI 기반의 새로운 접근 방식을 취하고 있는 움직임에 대해 알아봤는데요. 기존의 강화 학습에서 종단간 학습으로, 또한 단일 대형 신경망이 아닌, 수십만개로 나뉘어진 네트워크를 훈련하는 방식 등 기존의 방식과는 차별화된 새로운 움직임들이 포착되고 있습니다. 이러한 새로운 접근 방식이 기존의 로보틱스 및 모듈화 방식을 뛰어넘을 수 있을지 알 수 없는 가운데, 자율주행이 처한 핵심과제 두가지, 상용화(상업적으로 실행 가능한 자율 주행 기술을 사회에 가져오는 것)와 확장성이 어떠한 방식으로 해결될지 주목해 봐야겠습니다. 



출처: MIT 테크놀로지


예상보다 더딘 성장세 보이는 자율주행차 시장...돌파구로 AI에 '올인'하는 스타트업은?

운전을 하다보면 다양한 돌발상황에 노출되기 마련이죠. 이러한 복잡한 도로 환경 때문인지 완전 자율주행차 시장의 성장 및 확장 속도가 예상보다 더딘데요. 일부 자율주행 스타트업들은 이러한 더딘 성장세에서 돌파구를 찾기위해 AI에 올인하는  움직임을 보이고 있습니다. 이번 로아리포트에서는 완전 자율주행차의 상용화를 앞당기기 위해 다양한 접근 방식을 취하고 있는 하기 자율주행차 스타트업들에 대해 알아보고자 합니다.  


AI 중심의 접근방법을 보여주고 있는 자율주행 스타트업



종전의 로보틱스, 모듈화 접근 방식에서 AI로 접근 방식 전환


자율주행차 개발은 생각보다 훨씬 어려운 일인데요. 2021년 자율주행차 스타트업 와비(Waabi)를 설립하기 전, 4년 동안 우버(Uber)의 자율주행 팀을 이끌었던 라퀠 우르타순(Raquel Urtasun)은 "자율주행 산업은 과대홍보가 너무 많다"며, 로봇 기반의 연구방식이 얼마나 어려운 것인지 알아야 할 필요가 있다고 지적했습니다. 


기존의 자율주행차의 주류(mainstream) 접근 방식은 로봇공학 및 모듈화 기반으로, 인식, 의사 결정 및 차량 제어를 각각 다른 모듈을 사용하여 다른 문제로 취급하는 방식인데요. 우르타순은 이러한 방식은 전체 시스템을 구축 및 유지 관리하기 어렵게 만들 수 있으며 한 모듈의 오류가 다른 모듈로 확산될 수 있다고 설명했습니다. 이어 "따라서 우리는 로봇 접근 방식이 아닌, AI 기반의 사고 방식이 필요하다"고 밝혔습니다. 


지금까지 투자자들은 자율주행차를 만드는 데 1,000억 달러 이상을 투자했으며, 이는 나사(NASA)가 인간을 달에 보내는 데 쓴 비용의 3분의 1 수준일 정도로 그 규모가 방대인데요. 이와같이 지난 10년 반 동안 무수히 많은 도로 테스트 및 대규모 투자 유치에도 불구하고 자율주행 기술은 아직까지 파일럿 수준에 머물러있는 실정입니다. 이와 관련 웨이브(Wayve) 창업자 겸 CEO인 알렉스 켄달(Alex Kendall)은 "제한적인 결과를 얻기 위해 엄청난 지출을 하고있다"고 지적하기도 했습니다. 


이와같은 이유로 웨이브 및 오토브레인스(Autobrains) 등 기타 자율주행차 스타트업들은 AI에 모든 것을 투자하고 있는 상황으로, 함께 'AV2.0'이라고 하는 브랜드를 만들어 보다 똑똑하고, 저렴한 기술이 현재의 자율주행차 시장을 선도하기 위해 도전하고 있습니다. 


▶ 자율주행 키워드 살펴보기

투자 유치한 자율주행차 관련 기업 리스트 로아엔진에서 확인하기



자율주행에 AI 강화학습 적용

 

AI 기술 기반의 자율주행차에 대한 실험이 최초로 진행되었던 건 4년 전으로, 영국에 위치한 자율주행차 스타트업 웨이브(Wayve)의 켄달은 저렴한 카메라와 거대한 신경망으로 이루어진 자율주행차에 탑승해 직접 AI 훈련에 참여한 바 있습니다. 켄달은 핸들에서 손을 뗐을때 차가 기울면 바로잡는 과정을 수차례 반복했으며, 20분도 채 되지 않아 자율주행차가 스스로 주행하는 법을 배웠다고 전했습니다. 


이는, 시행 착오를 통해 작업을 수행할 수 있도록 신경망을 훈련시키는 AI 기술 기반의 강화 학습(Reinforcement learning)이 실제 도로에서 자율주행차의 학습을 돕는데 사용된 첫 사례로 당시 주목을 받았습니다. 


이러한 강화 학습은 앞서 비디오 게임이나 한국의 이세돌 기사와 세기의 대결을 펼치며 전 세계의 주목을 받았던  알파고(Alpha Go), 즉 바둑을 스스로 둘 수 있는 컴퓨터 프로그램인 '고(Go)'를 통해 큰 성공을 거둔 바 있으며, 이 외에도 핵융합로를 제어하는 데도 사용된 바 있으나, 자율주행은 다양한 환경에 즉각적인 대응이 이루어져야 하는만큼 너무 복잡하다는 인식으로 인해 적용 측면에서 가장 뒤쳐졌습니다. 


현재 웨이브는 런던의 러시아워 시간대에 자율주행차를 훈련하고 있는 중으로 지난 해, 런던에서 훈련된 자율주행차를 타고 주행했으며, 추가적인 주행 훈련 없이 5개의 다른 도시인 영국의 캠브리지(Cambridge), 코번트리(Coventry), 리즈(Leeds), 리버풀(Liverpool) 및 맨체스터(Manchester)에서 주행에 성공한 바 있습니다. 이는, GM의 자율주행차 사업부인 크루즈(Cruise) 및 웨이모(Waymo) 등의 업계를 선도하는 기업들이 성공하기 위해 고군분투하고 있는 영역에서의 주요 성과로, 이 외에도 웨이브는 얼마 전, 클라우드 기반의 슈퍼 컴퓨터인 애저(Azure)에서 자사의 신경망을 훈련하기 위하여 마이크로소프트(Microsoft)와 협력한다고 발표한 바 있습니다. 


AV 2.0이라는 슬로건을 내세우고 있는 웨이브 자율 주행 차량

출처: 웨이브 블로그



새로운 AI 훈련 방식  도입... 종단 간(end-to-end) 학습


이처럼 자율주행 기술 개발에 적용되는 AI 훈련에 새로운 방식이 도입되고 있는 가운데, 여러 신경망을 구축하고 이를 직접 연결하는 대신, 웨이브 및 와비 등은 자체적으로 세부 사항을 파악할 수 있는 하나의 큰 신경망을 구축하고 있는데요. AI에 충분한 데이터를 넣어주면, 아이가 자전거 타는 법을 배우듯이 도로에 대한 카메라 데이터가 입력되고, 출발하거나 브레이크를 밟는 것으로 출력되는 법을 배우게 됩니다. 이와 같이 경험의 전 과정을 능동적으로 유도해 입력에서 출력으로 이동하는 것을 종단 간 학습(end-to-end)이라고 칭하고 있습니다. 


이는, GPT-3*가 자연어 처리를 위해 했던것과 같고, '알파 제로(Alpha Zero)'가 바둑(Go)과 체스를 두기위해 했던 것과 같은 방식입니다. 켄달은 이러한 종단간 학습은 인간이 초인간적인 능력을 실행할 수 있게 발전시켰으며, 운전 역시 마찬가지가 될 것이라고 밝혔습니다. 


*GPT-3 (Generative Pre-trained Transformer 3): 인류에게 이익을 주는 것을 목표로 하는 인공지능 연구소인 오픈AI(OpenAI)에서 만든 딥러닝 언어처리 체계. 데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속하는 기계학습의 일종인 비지도학습(Unsupervised Learning)과 생성적 사전학습(generative pre-training)기법 및 자연어처리뿐만 아니라 컴퓨터비전에도 활용되는 딥러닝 모형의 변환기(transformer)를 적용. 번역과 대화, 작문을 할 수 있고, GPT-2 대비 훨씬 인간과 유사해졌음


와비도 비록 아직까진 실체 차량에 적용되고 있진 않지만, 웨이브와 마찬가지로 종단간 학습을 사용하고 있는데요. AI 전문 인력이 자체적으로 제어하는 운전 시뮬레이션에 참여해 완전한 AI 자율주행차를 개발하고 있습니다. 


또한, 미국의 자율주행 개발 업체인 고스트(Ghost)는  AI 우선 접근 방식을 채택하여 도로를 탐색할 뿐만 아니라 다른 운전자에게 반응하는 방법을 배우는 자율주행 기술을 구축하고 있습니다. 



→ 단일 신경망 아닌, 수십만개에 달하는 작은 네트워크를 훈련하는 방식도 등장


앞서 언급했듯이 다수 자율주행차 개발 업체들은 기존의 큰 신경망 내 종단 간 학습에 베팅하고 있지만, 접근 방식을 다르게하는 업체들도 생겨났습니다. 자율주행 솔루션 개발 업체인 오토브레인스(Autobrains)는 자동차가 마주할 수 있는 각각의 매우 특정한 시나리오를 처리하기 위해 큰 신경망을 훈련시키는 대신, 수십만개에 달하는 여러개의 작은 네트워크를 훈련하고 있습니다.


오토브레인스 CEO인 이갈 라우첼가우즈(Igal Raichelgauz)는 "어려운 AV 문제를 수십만 개의 작은 AI 문제로 변환하고 있다"며, "하나의 큰 모델을 사용하는 것은 문제를 실제보다 더 복잡하게 만든다"고 전했는데요. 이어 "운전할 때도, 도로 위의 모든 픽셀을 이해하려 하기 보다는, 전후 맥락의 단서를 추출한다"라고 설명했습니다. 


오토브레인스는 자동차에서 센서 데이터를 받아 비가 내리는 상황, 횡단보도를 건너는 보행자, 신호등, 우회전하는 자전거 및 후방에 위치한 자동차 등 AI가 현재 상황과 일치하는 시나리오를 파악하도록 했는데요. 오토브레인스는 백만 마일의 주행 데이터를 관찰하는 등 약 20만 개의 시나리오를 두고 개별 신경망을 훈련시키고 있다고 밝혔습니다. 


오토브레인스는 기술을 테스트하기 위해 그동안 자동차 제조업체들과 협업해왔으며, 얼마전 자체 자율주행차를 구축하기도 했다고 합니다. 한편, 웨이브의 켄달은 오토브레인스의 기술이 보다 진화된 운전자 보조 시스템에 잘 작동할 수 있다고 생각하지만, 자사의 접근 방식보다 이점이 있다고 생각하지는 않는다고 전하며, 완전한 자율주행에 있어서 실제 운전자가 직면한 복잡성만큼 문제가 발생될 것으로 예상한다고 밝혔습니다. 



기존 방식을 뛰어넘을 수 있을까?


이렇듯 새로운 방식을 활용하는 스타트업들이 자율주행차 산업에 계속해서 등장하고 있는 가운데, 이들은 업계를 선도하고 있는 기업들을 따라잡을 수 있을지 의문이 생기는데요. GM의 자율주행 자회사 크루즈(Cruise) 엔지니어링 부사장인 모 엘쉐나위(Mo Elshenawy)는 “현존하는 최첨단 기술도 크루즈가 도달한 단계에는 미치지 못한다”고 주장했습니다. 


크루즈는 세계에서 가장 진보된 자율주행차 회사 중 하나로, 지난 11월부터는 미국 샌프란시스코에서 로보택시 서비스를 운영하고 있는데요. 로보택시는 제한된 지역에서 운행되긴 하지만, 누구나 크루즈 앱을 통해 무인 로보택시를 호출할 수 있습니다. 엘쉐나위는 "고객들의 다양한 실제 반응을 보고있다"며 "매우 흥미롭다"고 언급했습니다. 


▶ 크루즈(Cruise) 최근 기사 모아보기


크루즈는  자체 소프트웨어를 지원하기 위해 각기 다른 파트에서 작업하는 수백명의 엔지니어가 있는 방대한 가상 공장을 구축했는데요. 엘쉐나이는 기존의 로보틱스 및 모듈식 접근 방식의 이점으로 새로운 기술이 등장할 때 교체할 수 있다고 밝혔습니다. 


이어 크루즈의 모듈화 접근 방식이 다른 도시에 일반화되지 않을 것이라는 의견에 대해서도 반박했는데요. "수 년전 교외 지역에 진출할 수도 있었지만, 고의적으로 수많은 자전거 이용자, 보행자 및 차량이 활보하는 복잡한 도시 환경인 샌프란시스코를 택했다"고 일축했으며, "샌프란시스코로의 진출은 쉽게 확장할 수 있는 무언가를 구축할 수 있도록 만들었다"고 밝혔습니다. 


크루즈가 새로운 도시에서 운전하기 위해서는 주행할 도로와 관련 센치미터 단위의 상세한 지도를 만들어야 하는데요. 대부분의 자율주행차 업체들은 이러한 종류의 고화질 3D 지도(high-definition 3D maps)를 사용하며, 도로 주행중에 파악한 차선 및 신호등의 위치 혹은 특정 거리에 연석이 있는지 여부와 같은 사항을 합친 정보를 제공합니다. 이는 소위 'HD 지도(HD maps)'라고 불리며, 카메라와 레이더가 수집한 도로 정보에 위성 이미지를 결합하여 생성됩니다. 미국, 유럽 및 아시아의 수억 마일에 달하는 도로의 지도가 이러한 방식으로 구축되었습니다. 


다수의 자율주행차 업체들은 특정 업체에서 제작하고 관리하는 HD 지도를 사용하지만, 크루즈는 자체적으로 제작하고 있는데요. 이는, 크루즈가 다른 경쟁자들 대비 유리한 점으로, 스타트업들은 크루즈와 같은 정밀 지도를 사용하지 못합니다. 엘쉐나위는 "모든 운전 환경, 거리 레이아웃 및 모든 것을 포함하여 도시를 재창조할 수 있다."고 언급했습니다.


한편, 웨이브(Wayve) 및 오토브레인즈(Autobrains)와 같은 신규 기업들은 HD 지도 방식을 채택하고 있지 않은데요. 웨이브의 차량에는 GPS가 있기는 하지만, 이외에는 센서 데이터만 사용해 도로를 읽는 법을 배웁니다. 이는 보다 어려운 방식일 수 있지만, 특정 장소에 묶여있지 않다는 것을 의미하기도 합니다. 웨이브의 켄달은 이러한 방식이 자율주행차를 대중에 보급화하는 주요 열쇠라며, "첫 번째 도시에 진입하는 속도가 더딜수는 있지만, 한 도시에 진입한 이후부터는 모든 곳으로 확장하기 수월하다"고 언급했습니다. 


사실, 이 모든 이야기는 아직 갈 길이 먼데요. 크루즈의 로보택시가 샌프라신스코에서 유료 고객을 유치하고 있는 한편, 새로운 방식에서 가장 앞서나가고 있는 웨이브는 아직 운전자 없이 차량을 테스트해보지 못했습니다. 게다가 와비는 실제 차량을 사용하고 있지도 않습니다. 하지만, 이러한 새로운 AV2.0 업체들은 최근, 종단간 학습을 통해 컴퓨터 비전 및 자연어 처리의 새로운 규칙을 만들어내며 역사의 주인공이 되고있는데요. 따라서, 이들이 갖는 확신은 잘못된 것이 아니며, 와비의 우르타순은 "만약 모두가 같은 방향으로 가고있고, 그 방향이 틀린 것이라면, 우리는 문제를 해결하지 못할 것"이라며, "아직 해결책을 찾지 못했기 때문에 다양한 접근 방식이 필요하다"고 언급했습니다. 



나가며...


지금까지 예상보다 더딘 성장세를 보이고 있는 자율주행 시장에서 스타트업들이 돌파구를 찾기위해 AI 기반의 새로운 접근 방식을 취하고 있는 움직임에 대해 알아봤는데요. 기존의 강화 학습에서 종단간 학습으로, 또한 단일 대형 신경망이 아닌, 수십만개로 나뉘어진 네트워크를 훈련하는 방식 등 기존의 방식과는 차별화된 새로운 움직임들이 포착되고 있습니다. 이러한 새로운 접근 방식이 기존의 로보틱스 및 모듈화 방식을 뛰어넘을 수 있을지 알 수 없는 가운데, 자율주행이 처한 핵심과제 두가지, 상용화(상업적으로 실행 가능한 자율 주행 기술을 사회에 가져오는 것)와 확장성이 어떠한 방식으로 해결될지 주목해 봐야겠습니다. 



출처: MIT 테크놀로지