한번 알아보자!! (FEAT. D B증권) 1부* 자율주행시스템 및 생태계, 한

 – 자율주행시스템 및 생태 계, 한번 알아보자!! (FEAT.DB증권) 1부-

자율주행차량시스템 개념인식

자율주행자동차(Autonomous driving Vehicle, AV)가 자율주행을 원활하게 하기 위해서는 어떤 것이 필요할까?

인간 운전자가 운전하는 과정을 먼저 생각해 보자. 운전자는 우선 목적지를 정하고 목적지까지 어떻게 갈지 생각해 볼 것이다. 낯선 지역에서 운전을 한다면 머릿속에 저장된 경로를 따라 주행할 것이고, 낯선 지역이라면 내비게이션이나 지도 등을 통해 목적지까지 갈 수 있는 방법을 알아볼 것이다. 운전자는 이 과정에서 눈을 뜨고 주변을 둘러보기만 하면 운전에 필요한 도로상황을 파악할 수 있다. 이렇게 입력된 주변 상황을 바탕으로 교차로에서 좌회전할 때 운전자는 맞은편에서 오는 차량을 확인하며 신호를 기다렸다가 신호가 바뀌면 신호를 확인하고 출발할 수 있다. 좌회전 차량을 무시하고 우회전하는 부주의한 다른 차가 보이면 곧바로 브레이크를 밟아 멈추거나 차선을 변경한다. 이런 모든 과정은 학습 및 연습을 통해 우리 뇌가 상황을 빨리 인식하고 차량을 어떻게 움직이는지를 계획한 뒤 차량을 제어하기 때문에 가능하다.

자율주행차도 같은 방법으로 차를 몰게 된다. 차이점은 자율주행차는 눈이 아닌 센서를 통해 도로 상황이나 물체의 정보를 전달받고, 이들 정보를 SW 처리하는 과정에서 자동차가 도로 상황을 인식(Perception)할 수 있게 된다. 인식된 정보를 바탕으로 자율주행차는 목적지까지 어떻게 갈 것인지 계획(Planning)을 세우고, 그 것을 기초로 차량을 제어(Control)하는 것이다. 제어를 제외하면 인식 및 계획은 대부분 Deep Learning과 같은 SW 알고리즘에 의해 처리된다. 사람은 해당 과정을 교육과 경험을 통해 본능적으로 수행하지만 컴퓨터가 동일한 기능을 수행하기 위해서는 반복적인 학습을 통한 SW 발전이 이를 가능하게 하기 때문이다. 따라서 이러한 SW알고리즘을 빨리 실행할 수 있는 컴퓨팅 파워가 높은 칩셋도 필요하다.

Sensing을 인간 드라이바가 인식하는 과정을 다시 살펴보자. 운전자가 눈을 뜨고 교통상황을 관찰하는 이 단순한 과정에서 우리 눈은 단순히 빛과 색깔의 패턴을 저장해 뇌에 전달할 뿐이다. 입력된 시각 정보를 토대로 과거의 경험이나 교육 등에서 얻은 지식 등을 토대로 복합적인 뇌작용을 통해 인식한다. 이 과정을 자율주행차에 대입해 보면 카메라, 초음파센서, Radar 및 LiDAR 같은 센서류는 시각 및 위치정보를 뇌로 전달하는 눈과 같은 역할을 한다. 자동차용 센서는 크게 주변 에너지를 흡수하는 Passive 센서와 직접 에너지를 발산해 반사하는 에너지를 수신하는 Active 센서로 나뉜다. 카메라는 대표적인 Passive 센서로 주위에 빛이 전혀 없거나 적으면 제 기능을 할 수 없다.

그러나 이에 대하여 Active 센서인 초음파 센서, Radar 및 Lidar는 각각 초음파, 전자기파 및 빛을 발사하고, 그것이 물체에 닿아 반사되어 돌아오는 신호를 감지하여 물체와의 거리를 측정하기 때문에 빛이 전혀 없는 상황에서도 정상 작동한다. 센서들은 각각 장점과 단점을 갖고 있기 때문에 하나만 쓰기보다 두 개 이상의 센서를 조합하는 방식이 자율주행차에 적용되고 있다.

각 센서의 장점과 단점이 밝혀짐 확실히 대부분의 자율주행차 2~3개의 센서를 조합하여 사용

센서에 의해 입력된 정보는 단지 이미지나 물체까지의 거리와 같은 단순한 데이터에 불과하다. 이들 데이터를 적절하게 자율주행차가 이해할 수 있는 정보로 바꾸어 전달하는 모든 기술이 인식(Perception) 기술에 속한다고 할 수 있다. 차량을 둘러싼 주변 환경을 제대로 인식하지 않으면 자율주행 차량을 안전하게 운행하는 것이 불가능하다. 무단횡단하는 보행자를 인식하지 못하거나 느리게 하면 안전사고로 이어질 수 있다. 결국 인식기술은 자율주행차의 안전을 담보하는 핵심 기술이다. 인식기술은 크게 도로, 물체 등을 인식하는 Detection과 차량의 정확한 위치를 파악하는 Localization으로 나뉜다.
먼저 도로, 표지판, 다른 차량 및 사람 등 차량을 둘러싼 모든 움직임이나 정지된 물체를 인식하는 기술을 Detection이라고 한다. 자율주행차가 어떻게 하면 남들처럼, 혹은 남들보다 도로환경을 잘 파악하고 무단횡단하는 사람을 발견해 인도에서 갑자기 튀어나오는 오토바이를 빨리 인지할 수 있을까. 인식기술을 거치기 전 센서로 입력된 정보는 도표 59와 같이 단순한 이미지 정보에 불과하다. 이것은 LiDAR 등을 통해서 입력된 값도 마찬가지다. 발사한 빛의 반사 후 되돌아오는 시간차를 이용해 다른 사물까지의 거리를 재는 측정은 LiDAR의 Raw Data는 도표 60처럼 무질서한 인식 과정을 거쳐야만 의미 있는 정보가 된다.

해당 데이터를 자율주행차 제어 프로그램이 차량이나 사람 등으로 크기까지 명확하게 인식하려면 SW 처리 과정이 필수적이다. 일반적으로 물체 인식을 위해 CNN(Convolutional Neural Network, 이하 CNN) 알고리즘을 많이 이용한다. 복수층의 레이어에 의한 학습을 반복해 실시해, 학습 능력을 향상시키는 뉴럴 네트워크(neural network) 이론은 AlphaGo등에 의해서 널리 알려져 있다. 그러나, 일반적인 신경망 알고리즘은, 자동 주행과 같은 고해상도의 이미지를 지연 없이 고속으로 처리하는 것이 곤란하다. CNN은 형태, 색상, 모서리 및 텍스처 등 간단한 형상을 빠르게 인식하는데 최적화 되어있다. 각각의 히든 레이어는 입력값을 받아 특정 패턴을 통해 변환시킨 후 다음 레이어에게 전달하는 필터와 같은 역할을 한다. 레이어가 많을수록 매회 새로운 입력값이 다음 레이어에 전달된다. 예를 들어 첫 번째 레이어들은 검정색 흰색 노란색 등의 색상만 식별한 뒤 다음 레이어에게 전달한다. 다음 레이어들은 사각, 삼각형 같은 형태를 식별한 뒤 다음 레이어로 보내고, 마지막 레이어들은 형태와 색깔 같은 앞 레이어에서 보내진 입력값을 토대로 물체가 강아지인지 사람인지를 구별하는 방식이다. 기본적으로 많은 레이어를 거칠수록 인식률은 정확해진다. 이렇게 SW의 처리 과정을 거친 뒤 SW는 자동차 도로표지판 보행자와 같은 도로상의 정보를 인식하게 된다.

출처 DDI

출처 : 스트라드비전

자율주행을 안전하게 하려면 몇 센티미터 이하의 오차로 차량의 정확한 위치를 파악할 수 있어야 한다. 현재 자율주행자동차 기업은 HD Map을 활용한 방법과 SLAM (Simultaneous Localization And Mapping) 에 기초한 알고리즘을 사용하고 있다. HD Map을 이용하는 방법은 지도상의 랜드마크 정보를 센서를 통해 인식된 정보를 바탕으로 매칭 작업을 하여 차량 위치를 정확히 방법이다. 가장 정확한 Localization이 가능한 방법이지만 HD Map이 없으면 기능할 수 없는 단점이 있다.
이에 SLAM 기법은 자동운전차가 주변 환경을 인식해 그 공간의 지도를 작성하는 동시에 차량의 위치를 파악하는 방법으로 로봇청소기 등에서 많이 이용된다. 가장 큰 장점은 맵이 없는 상황에서도 자율주행차가 주행할 수 있다는 점이다. Tesla FSD도 마찬가지로 SLAM 기법을 이용하고 있음이 알려져 있다. Mobileye나 Google과 같은 자율주행 기업은 두 가지 방법을 혼용해 사용하고 있다.

출처 구글, 지도를 찾으면서 장소를 찾는 SLAM

Planning & Control이 출발하면서 자율주행차는 Detection과 Localization 과정을 통해 차량을 둘러싼 주변 환경과 정확한 위치를 파악할 수 있게 되었다. 다음은 목적지까지 어떻게 갈지를 정하고 정해진 경로를 따라 차량을 제어하는 것뿐이다. 로컬 경로 계획을 먼저 실시하고 사람이 운전하는 차량을 고려하여 경로 설정을 할 필요가 있다. 다른 차량이 경로를 변경하면 이에 대응해야 한다.
Planning에는 다양한 알고리즘이 사용되고 있는데, 공통점은 센서 및 차량제어장치로부터 끊임없이 피드백되어 경로를 재설정한다는 것이다. 최근 높아진 자율주행차의 연산능력으로서 Driving Corridors 경로설정 알고리즘으로서 많이 사용되고 있다. Driving Corridors는 차선과 장애물로부터 차량이 향하려고 하는 방향에서 지속적으로 충돌이 없는 공간을 찾아내는 알고리즘으로, 통상 SLAM에서 생성된 Map을 기반으로 동작한다. 경로설정이 완료되어 있으면 차량을 제어하는 것은 간단하다. 대부분의 자동차 부품이 전자제어되기 때문에 Path Planning에 맞춰 차를 출발시키고 장애물을 피할 수 없으면 차를 제동하고 스티어링을 통해 방향을 바꾸기만 하면 되기 때문이다.

출처 SCIENCEDIRECT

각 경로 설정 알고리즘의 장단점을 명확히 최근 Driving Corridors 사용 증가

자율주행 관련 기업

올해 초 애플의 전기차 시장 진출과 자율주행 사업에 관해 화제가 됐지만 언론 및 자율주행 기술의 기업 인수를 감안하면 애플이 자동차 산업에 뛰어드는 것은 시간 문제가 된다는 게 시장의 중론.

Apple은 왜 자동차 시장에 참가하려고 하는 것인가. 정답은 Tesla가 가지고 있다. 21년 2월 16일 종가 기준 Tesla의 시가총액은 순이익 기준으로 세계 1위 자동차회사인 Toyota의 약 3배에 해당한다. Tesla의 놀라운 기업 가치는 Tesla의 주요 투자자들은 Tesla를 자율주행 SW 기업으로 평가하고 있기 때문이다. 전 세계 약 100만 명의 Tesla 사용자가 Autopilot 기능을 사용할 때마다 Tesla는 자율주행 발전에 필요한 주행 데이터를 지속적으로 획득하고 있다. 자율주행의 상용화와 그로 인해 얻는 경제적 문제로 인해 테슬라는 아직도 성장의 길로 접어들고 있다는 것이다.

●애플, 자율주행사업자 의 드라이브아이를 매수

다른 자동차의 OE에 비해 압력 급격한 시가총액 유지가 중단된 2019년 Audi가 A8 신차에 LV3 수준의 자율주행 기능을 도입하려 했지만 정부 규제로 연기되면서 자율주행차에 대한 관심도 소강상태였다. 하지만 Tesla가 20년 말 자율주행 기능을 일부 사용자에게 Close Beta 형식으로 공개한 이후 다시 관심이 쏠리고 있다. 구글의 Waymo는 피닉스 지역에서 Robotaxi의 상업 운송을 시작했다. GM과 Honda, 그리고 MS가 투자한 자율주행업체 크루즈의 기술이 적용된 LV3 수준의 자율주행차도 21년 안에 양산될 계획이다. 자율주행에 대한 관심이 다시 뜨거워질 수밖에 없는 시점이다.

레벨 3에 가까운 테슬라의 FSD, 레벨 4 수준의 구글웨이 모로보택시 주요 기업이 2021년을 기점으로 자율주행차를 상용화함에 따라 글로벌 자율주행차 시장은 2020년대에 본격적으로 열릴 것으로 전망된다. 자율주행차 시장의 혜택은 대부분 자율주행기술 플랫폼이나 OS를 지배하는 기업에 돌아갈 것으로 예상된다. 향후 Mobility 시장을 선취한다고 예상한다. 이는 자율주행 차량 OS가 Mobility 관련 서비스 기술 제어를 수행하는 역할을 하기 때문이다. Google 및 Apple이 스마트폰 생태계에서 막대한 이익을 누리듯이, 자율주행기술의 리더가 Mobility 생태계의 지배자가 될 가능성이 가장 높은 것이다.

자율주행 플랫폼이나 OS에서 우위를 가진 기업은 Robotaxi, 광고 등 Mobility 시장을 통해 파생되는 다양한 수익 창출의 기회로 유리한 고지를 선점할 수 있다. 현시점에서 자율주행차를 양산하고 있는 OE는 Tesla가 유일하다고 할 수 있다. 자율주행차량의 인식, 계획 및 제어 등 전반적인 기능을 담당하는 OS를 개발중인 기업으로는 Tesla, Alphabet의 자회사인 Waymo, 중국의 Baidu 및 Intel의 자회사인 Mobileye 등을 들 수 있다. Waymo, Mobileye, Tesla 등은 모두 독자적인 플랫폼에 기초한 자율주행기술을 개발하고 있다. Waymo와 Mobileye는 직접적인 사업경쟁이 없는 회사에 대해서는 플랫폼이나 OS를 판매할 계획이다. 한편, nVIDIA는, 자동주행 개발에 필요한 HW플랫폼이나 개발자용 SW를 판매하는 것만으로, 자주적인 자율주행 OS의 개발을 통해서 Mobility 시장에 참가할 계획은 아직 없다. 인식 기술에 강점을 가지는 회사로는 Ambarela를 들 수 있다. Luminar는 자율주행차의 중심 센서인 LiDAR(Light Detection and Ranging)를 2022년부터 양산할 계획이다. Tom Tom은 도로와 위치정보를 포함한 HD Map을 자율주행차 업체에 공급할 계획이다.

다음은 자율주행 및 하드웨어 기술 관련 기업의 재무 SPEC

단위 백만달러, 없음, %

자율주행차 상용화로 이동하여 용이성 개선을 예상함

Mobility 관련 4개의 기술 Connected Car, EV, Car Shaering 중 자율주행을 제외한 기술은 상용화가 완료된 반면, 이들 기술을 연결하는 가장 핵심기술인 자율주행기술은 아직 상용화 전 단계에 머물고 있다. Tesla, Waymo, GM 등의 기업들이 자율주행차를 상용화함에 따라 2021년 Mobility 시장의 본격적인 판도 변화가 시작될 것으로 예상된다. 자율주행 Robotaxi나 Car Sharing 서비스 등의 진일보한 이동수단이 추가됨으로써 MaaS 플랫폼을 이용한 Mobility, 즉 이동 편리성의 극대화가 한층 용이해질 전망이다.

이동편의성 극대화가 자율주행을 중심으로 한 모빌리티 산업의 목표

자동 주행 기술의 플랫폼을 지배하는 기업이 향후 Mobility 시장을 선취한다고 예상한다. 이는 자율주행 차량 OS가 Mobility 관련 서비스 기술 제어를 수행하는 역할을 하기 때문이다. 윈도우를 기반으로 Microsoft가 초기 인터넷 브라우저 시장을 장악한 것을 생각하면 된다. 예를 들어, Tesla 자율주행차를 소유하고 있는 운전자라면 Tesla의 Robotaxi 기능을 이용하여 본인이 사용하지 않을 경우 차량을 다른 사람과 공유하여 부가수익을 올릴 수 있을 것이다.
Tesla 측은 한 대의 Robotaxi가 연간 최대 $30,000의 수익을 올릴 것으로 예상하고 있다. 보험사의 거부로 자율주행보험에 가입하기 어렵다면 Tesla의 보험에 가입하면 된다. 자동차 보험이 사고율에 근거해 보험비를 책정하는 점을 감안하면, Tesla 운전자에게 있어서 Tesla의 자동차 보험은 최적의 보험일 것이다. Google 및 Apple이 스마트폰 생태계에서 막대한 이익을 누리듯이, 자율주행기술의 리더가 Mobility 생태계의 지배자가 될 가능성이 가장 높은 것이다.

출처 테슬라 Uber나 Lyft등의 RideHailing 기업의 dl창업 후, 적자가 계속 되고 있음에도 불구하고, 여전히 높은 밸류에이션을 유지하고 있는 이유도, 자동운전차 시장에 대한 관심과 일맥상통한다. 2월 23일 종가 기준 Uber의 시가총액은 약 116whdnjs 수준으로 자동차업체인 GM과 Ford를 압도한다. Uber의 20년간의 매상은 12조원에 지나지 않는다. 20년간 매출 기준 PSR은 각각 9.6배에 이른다. 이것은, 투자가가 Uber가 Mobility 시장을 주도한다고 예상하고 있기 때문이다.

ArkInvest는 자율주행기술이 적용된 Ride Hailing의 서비스 비용이 마일당 $0.25까지 감소할 것으로 예상했다. 이는 미국 기준 인간 운전자 대비 약 13% 수준이다. LV4 이상의 자율주행차를 이용하여 Ride Hailing 서비스를 시작하면 기존 Taxi 업계는 물론 인간 운전자를 이용하는 타 공유업체를 비용면에서 압도할 수 있다. ArkInvest는 자율주행 플랫폼 기업의 영업이익이 자율주행차를 양산하는 OE 업체에 비해 약 5배 이상 될 것으로 예상하고 있다. 그 때문에, Tesla, Waymo, Crusie등의 자율주행차 개발 기업은 Robotaxi 서비스의 도입을 서두르고 있다.
사람에 의한 헤일링보다 자동운전에 의한 헤일링 비용 감소는 자명하다!!

MaaS(Mobility as a Servic e)는 자율주행차 기술의 본격적인 상용화에 수반해 단순한 이동서비스에서 이동 중의 소비와 리테일 서비스 등을 이용하는 종합적인 서비스로 변모할 전망이다. 이 때문에, 많은 ICT 기업이 Mobility 플랫폼을 선점할 경우, 막대한 이익 창출이 가능하게 된다고 예상해, 자동운전을 포함한 다양한 분야에의 투자를 진행시키고 있다. 특히 구글은 자회사인 Waymo를 통해 자율주행기술을 개발하고 Robotaxi 서비스를 상용화하는 한편, VW 등 기존 자동차 OE와의 제휴를 통해 자율주행기술 및 Conncected Car 플랫폼 사업을 확대하고 있다. Microsoft도 GM의 자율주행 자회사인 Cruise에 투자해 자율주행차가 가져올 새로운 클라우드 시장에 대비하고 있다.

자율주행기술이 가장 빠르고 경제적 효과가 큰 분야는 일정 구간을 반복해 주행하는 셔틀이 될 것으로 예상된다. ◆흔히 자율주행차만 생각하기 쉽지만 자율주행 기술의 응용분야는 무궁무진하다. 주변 환경이 단순한 농업과 광산 분야도 자율주행 운송도구를 활용하면 비용 절감 효과가 클 것으로 전망된다. 택배배송의 마지막 단계인 Lastmile 역시 자율주행기술을 통해 배달혁신을 가져올 전망이다. 이에 따라 아마존은 자사 배달 드론 연구에 추가로 자동차 회사인 ‘Zoox’를 인수하기도 했다

-테슬라 진영-Tesla는 다른 자동차 OE 및 Waymo와 같은 IT 기반사와도 다른 독자적인 방식으로 자율주행 기술을 상용화할 계획이다. 경쟁사와 Tesla의 가장 큰 차이는 바로 데이터 수집 집단에 있다. 다른 업체가 자체 테스트 주행을 통해 자율주행 데이터를 취득하고 있는 반면, Tesla는 자체 주행 테스트 이외에도 Tesla의 Autopilot 기능을 이용하는 전세계 Tesla 사용자로부터 자율주행 데이터를 얻고 있다. Tesla는 이를 위해 이용약관에 오토 파일럿 정보: 자율주행 안전 기능을 개발하고 개선하기 위해 당사는 차선, 도로표지 및 신호기의 위치 등을 인식하는 방법을 습득하기 위해 해당 차량의 외부 카메라를 이용해 개인 식별이 불가능한 이미지 또는 짧은 동영상을 수집할 수 있다고 명시하고 있다. 전 세계의 열정적인 사용자로부터 Tesla를 누적하여 얻은 데이터는 2021년 1월 시점에서 약 51억 마일로, 경쟁타사에 비해 압도적으로 많은 실제 도로주행 데이터를 축적했다.

Tesla FSD ( Full Self Driving ) 이 경쟁사와 기술적으로 가장 크게 구분되는 점은 LiDAR와 HD Map 사용여부에 있다. 경쟁사들은 LiDAR와 HDMAp를 활용해 자율주행 차량을 상용화하려 하지만 Tesla는 오로지 카메라와 Radar(Radio Detection and Ranging)만을 활용해 자율주행을 구현하려 한다. Tesla는 Radar와 카메라를 활용한 Pseudo LiDAR을 통해 LiDAR를 대체할 수 있다고 주장하고 있다. Pseudo LiDAR는 카메라를 통해 물체를 인식한 뒤 Radar를 통해 거리를 재는 알고리즘이다. 해당 기술에 의해, 마치 LiDAR 센서와 같은 차량 주변의 물체를 3 차원으로 인식할 수 있게 된다. 두 개의 센서와 전 세계의 Tesla 유저로부터 얻을 수 있는 방대한 양의 데이터를 활용해, Tesla의 자율주행 AI의 학습은 현재 진행형으로 행해지고 있다.

FSD의 자율주행 기술은 얼마나 와 있을까. 현재까지 공개된 정보를 토대로 확인해 보면 FSD라는 이름에 걸맞지 않게 아직 Tesla의 FSD는 LV2에서 3 정도의 수준에 그치고 있다. Tesla가 FST Beta 버전을 이용할 수 있게 해준 사용자가 Youtube 등에 업로드 된 동영상을 보면 FSD 사용 중인 차량은 인적이 드물거나 교통량이 적은 곳에서는 완성도 높은 자율주행을 자랑한다. 교통량이 많지 않은 밝은 구간에서는 교차로에서 좌회전이나 비보호 좌회전 같은 난이도 높은 자율주행도 어렵지 않게 한다. 하지만 교통량이 많은 도심 주행과 야간 주행에서는 여러 차례 문제점을 드러냈다. 다른 차량이 주행 중인 차로를 깜박이 없이 들이받거나 보행자가 건너느라 서 있는 교통섬 등을 인식하지 못해 운전자가 자율주행 기능을 Take Over하는 모습을 확인할 수 있다. Beta 버전이지만 가야 할 길이 아직은 좀 멀게 느껴지는 곳이다. 현재 Tesla의 자율주행 기술 수준은 운전자 없이 운행이 가능한 Waymo에 비해 현재 기술력은 다소 열등하다고 볼 수 있다.

출처 SYSTEM PLUS

– 구글 진영. –
Waymo Google의 Waymo는 자율주행기술을 활용한 Robotaxi를 미국 애리조나 주 피닉스 일부 지역에서 운영하고 있다. Tesla와 가장 큰 차이는 드라이버의 유무이다. Waymo의 Robotaxi를 이용하는 사용자는 Uber 등과 같은 라이드헤일링 서비스와 비슷한 호출용 앱을 통해 운전자 없는 무인차량을 호출할 수 있다. Robotaxi에 장착된 수많은 LiDAR도 Tesla와 큰 차이를 보인다. 현재까지의 기술적인 완성도만을 보면, Waymo가 Tesla에 비해 앞서고 있다고 말할 수 있다. Tesla FSD가 Beta 버전이라고 하지만 시내 주행 시 수차례 자율주행 기능이 해제되거나 사고가 발생하는 상황이 발생하여 운전자가 운전을 Take-Over 해야 한다. 이에 대해 Waymo의 Robotaxi는 우선 사고가 날 것 같은 상황 자체가 발생하지 않았음을 확인할 수 있었다. 간혹 목적지 입력이 잘 안 되거나 막히는 경우가 있었지만 대부분의 상황에서 안전한 자율주행 기능을 선보이고 있다.

웨이모로보 택시앱 및 웨이모 자율주행 택시에 장착되는 다양한 센서 하드웨어

기술적 우위에도 불구하고 Waymo는 아직 피닉스 일부 지역에서만 이용이 가능하다. Waymo가 아직 이용지역을 제한하고 있는 이유는 HD Map 구축 여부와 도로 환경, 날씨 등에 작동 신뢰성으로 파악된다. 당초 Waymo가 Robotaxi의 첫 번째 서비스 지역으로 피닉스를 택한 이유도 1년 내내 맑은 날이 많아 도로 환경이 열악한 다른 미국 지역에 비해 양호한 주변 환경의 영향이 컸다. 따라서 Waymo가 다른 지역에서도 피닉스 시내만큼의 Robotaxi를 실현하기 위해서는 해당 지역의 HD Map 구축도 수반해야 하지만, 악천후 속에서도 차량 운행이 가능한 기술 신뢰도의 확보가 선행되어야 한다.

Google이 Google Map 작성을 위해 다수의 차량에서 미국 전역의 도로, 지형, 지물 등에 대해 방대한 정보를 보유하고 있음을 감안하면 HD Map 구축 자체는 큰 난관이 아니라고 여겨진다. 즉 다양한 날씨와 환경에 대한 신뢰도만 Waymo가 원하는 만큼 달성한다면 미국 전역에 Waymo의 Robotaxi가 보급되는 것은 시간문제라고 판단된다.
– GM 진영. –
GM은 화려하지는 않지만 점차 내실을 다지고 있다. 우선 GM의 자동운전 자회사인 Cruise가 2021년 초부터 샌프란시스코에서 Robotaxi를 운영할 예정이다. 또 2021년 하반기에는 LV3 수준의 자율주행인 Super Cruise가 적용된 신차를 출시할 예정이다. Curise에 의해서 축적된 자율주행 기술은, 2~3년 이내에 LV4 이상의 자율주행 기술인 UltraCrusie라고 하는 이름으로 상용화될 예정이지만, Cruise는 2017년에 LiDAR 스타트업의 Strobe를 매수했다. 다른 OE나 자율주행자동차 업체들은 대부분 부품업체의 LiDAR 센서를 쓰고 있지만 Cruise는 핵심 센서를 내재화하는 것도 차별점이다. 기존 전통 자동차회사들도 자율주행 기술의 상용화를 서두르고 있다. 가장 진행되고 있는 것은 Honda이다. Honda는 21년 3월, Curise의 LV3 자율주행 기술이 적용된 Legend 신차를 발매할 예정이다. 현대차도 2021년 말 또는 2022년 초 LV3 자율주행기술이 적용된 G90 신차를 내놓을 계획이다.

Cruise Robotaxi 샌프란시스코에서 테스트 중 GM LV 3 기술 적용 캐딜락

태그: