7월 13일 모빌리티 소식

구글 8년, 드라이브닷에이아이 3년…비결은 딥러닝

[Biz Times] `완전 자율주행` 레벨4에 걸린 시간 - 매일경제

자율주행차량이 피자를 집까지 배송해주고, 로봇이 자율주행 중이던 차량에 치이는 사고가 뉴스가 된다. 과거 상상 속 세상은 이미 미국에서 현실이 됐다. 

지난 8일(현지시간) 미국 라스베이거스에서 열린 세계 최대 규모 가전·IT 전시회 CES에서는 완성차 업체, IT 공룡, 이동통신사까지 모두 나서 인공지능(AI)과 자율주행차가 일상에서 보여줄 구체적인 모습을 제시했다. 5G(5세대) 이동통신 기술을 활용한 차량·사물 간 통신(V2X)과 차량용 인포테인먼트, 모빌리티(이동성) 서비스 등 자율주행 기술을 넘어 비즈니스 전략과 모델을 구체적으로 보여줬다.하지만 지난해 12월 구글 웨이모가 자율주행 택시 서비스를 세계 최초로 선보였음에도 불구하고 아직까지 자율주행차가 일상에서 자리 잡기까지 `안전과 신뢰` 문제를 넘어서는 게 과제다. 글로벌 컨설팅 기업 딜로이트가 지난 7일 발표한 `2019 글로벌 자동차 소비자 연구 보고서`에 따르면 여전히 자율주행차 안전 문제에 대한 소비자 신뢰 수준은 제자리걸음을 하고 있다. 딜로이트가 전 세계 20개국 소비자 약 2만5000명을 대상으로 설문조사한 결과 `자율주행차는 안전하지 않다`고 응답한 비중이 일본은 작년 57%에서 50%로, 한국은 작년 54%에서 49%로 변하는 등 신뢰도에 큰 변화가 없었다. 

 

소비자들의 자율주행차에 대한 신뢰가 절반 수준에서 머무는 이유는 자율주행차 사고 관련 보도가 영향을 미친 탓이다. 딜로이트 보고서에 따르면 자율주행차 사고 뉴스로 인해 위험성을 걱정하게 됐다는 응답자 비중은 한국(68%), 미국(65%), 중국·인도(64%), 독일(56%), 일본(50%) 등 순으로 조사됐다. 지난해 3월 우버 자율주행 시험차량에 보행자가 치여 사망한 사건 등이 대중의 뇌리에 오래 기억되는 대표적인 사례다. 

전문가들은 자율주행 기술과 안전 문제는 결국 심층신경망(Deep Neural Network·DNN) 기반 기계학습(딥러닝)에 달려 있다고 말한다. 증가한 자율주행차량용 반도체칩의 연산능력과 `라이다(Lidar)` 등 각종 센서가 보다 저렴해지고 범용화되면서 자율주행차 분야 경쟁력을 결정하는 건 딥러닝 기술 완성도라고 전한다. 

구글 웨이모의 경우 2009년부터 약 8년에 걸친 개발 기간과 시험 도로주행 1000만마일 돌파 등 주행 데이터를 쌓은 결과 미국 도로교통안전청(NHTSA)에서 정한 `완전 자율주행`이 가능한 레벨 4 자율주행차를 상용화할 수 있었다. 

그런데 구글이 8년이 걸려 달성한 레벨 4 자율주행 소프트웨어(SW) 기술을 한 스타트업이 딥러닝 기술로 3년 만에 따라잡았다. 지난해 웨이모에 이어 텍사스주에서 자율주행 모빌리티 서비스를 상용화하기도 했다. 2015년 설립된 `드라이브닷에이아이(drive.ai)`다. 이 회사 공동설립자인 캐럴 라일리 이사는 세계적인 인공지능 석학 앤드루 응 스탠퍼드대 교수의 아내다. 응 교수 본인 역시 드라이브닷에이아이 이사회에 참여한다. 지난해 12월 기준 업계 추산 최소 9100만달러(약 1000억원) 이상 투자 유치에 성공했다. 

매일경제 비즈타임스는 지난해 말 글로벌 액셀러레이터 스파크랩이 주최한 `스파크랩 데모데이` 강연을 위해 한국을 찾은 브로디 후발 드라이브닷에이아이 공동설립자 겸 이사를 만나 인터뷰했다. 이하는 그와 일문일답. 

―구글 웨이모보다 빠르게 레벨 4 자율주행 기술 개발에 성공했다. 그 비결은 무엇인가. 

▷개인적인 견해다. 구글 알파벳 자회사 웨이모가 출범할 당시 구글에는 없던 몇 가지 핵심 기술이 있다. 2009년 당시 딥러닝은 그야말로 사회적인 관심을 못 받는 분야였다. 딥러닝이 대중적인 주목을 받기 시작한 건 2012년부터다. 그래서 2009년 당시 구글은 필요한 핵심 기술을 제때 확보하지 않은 것으로 보인다. 드라이브닷에이아이가 더 빨랐던 이유는 그간 연산 능력이 발전하면서 기존 문제들을 보다 간단하게 만들었고, 현존 최고 수준 기술을 활용해 타 업체보다 유리한 고지에 올라선 덕분이다. 우리는 그저 남들보다 조금 더 연구개발(R&D)에 집중할 수 있었던 것뿐이다. 

―세계적인 AI 석학 앤드루 응 교수가 회사와 밀접하게 관련돼 있다. 이 덕분에 구글 웨이모를 앞설 수 있었던 것은 아닌가. 

▷일부 특정 분야에서는 분명 그럴 수 있다. 2009년 당시 최첨단 딥러닝 연구 결과는 스탠퍼드대 AI연구소나 캐나다 토론토대 같은 대학 연구실을 통해 나왔다. 그러나 구글 역시 연구자를 보내 나름대로 연구하고 있었을 것 같다. 

나는 2011년 응 교수와 AI 연구소에서 자연어 처리를 위한 딥러닝을 연구하고 있었다. 2012년부터 연구 분야를 컴퓨터 비전 연구로 전환했고 이후 자율주행 기술로 옮겨갔다. 당시 꽤나 앞선 연구팀이었다고 생각한다. 이후 2015년 AI 연구소 출신 공동창업자 5명이 모여 회사를 세웠다. 

―민첩한 기술 회사로 만드는 특별한 기업문화나 의사결정 절차가 있는가. 

▷드라이브닷에이아이 기업문화 특징 가운데 하나는 매우 수평적인 조직 구조다. 공동창업자가 창업 초기부터 많았고 이 때문에 조직 특정 인사에 권력이 집중되지 않았다. 누구나 필요하다고 생각하는 일을 마음껏 할 수 있다. 다들 AI 연구소 시절부터 함께 오랜 시절을 보냈기에 실제 회사를 세우고 자율주행 기술을 만드는 일 역시 모두에게 흥미로운 경험이었다. 

또 다른 기업문화 특징은 `안전`이란 가치를 중시한다는 점이다. 비단 자율주행차 안전을 넘어 조직 내 의사결정을 할 때에도 마찬가지로 고려된다. 올바른 절차를 밟아 의사결정을 내려야 한다. 매트릭스 조직 구조란 점도 중요한 요소다. 수많은 자율주행 핵심 기술 각각에 대해 조직 내 누군가가 책임지는 게 정말 중요하다. 구성원 모두가 매트릭스 구조 추적을 통해 개별 기술을 책임지기에 적합한 사람이어야 한다. 

 

드라이브닷에이아이 자율주행차의 외부 디스플레이. [사진 제공 = 드라이브닷에이아이]

―드라이브닷에이아이가 자율주행차 시험주행에 쓰는 딥러닝 기술을 설명해 줄 수 있는가. 

▷장래에 기술적으로 보다 많은 얘기를 할 수 있기를 기대하지만 현재 수준에서 공개적으로 밝힐 수 있는 구체적인 기술적 내용은 없다. 다만 딥러닝 파이프라인이나 딥러닝을 통한 훈련에서 가장 중요한 건 당신이 가진 데이터다. 데이터에 관해서는 두 가지 중요한 점이 있다. 하나는 데이터 크기가 얼마나 되는지이며, 다른 하나는 각 데이터 집합이 어떤 가치를 갖는지다. 얼마나 많이 신경망이 반복 학습할 수 있는지다. 

우리는 몇 가지 도구를 활용해 흥미로운 데이터가 나타나면 전체 데이터 집합에 반영한다. 예를 들면 비 오는 날씨나 교통사고 현장, 소방 차량 출동이나 공사 현장 등이다. 이런 데이터는 매우 큰 영향을 미치며, 데이터를 확장하기에도 좋은 수단이다. 그래서 이런 데이터를 가능한 한 빨리 소화해야 한다. 실제로 텍사스 프리스코시 도로공사 현장을 지나는 드라이브닷에이아이 자율주행 차량은 정상적인 경로를 막는 지상 점유 물체를 보고 일단 멈춘다. 그 뒤 옆 차선을 타고 가도 안전한지 판단한다. 평가 절차를 마친 뒤 자율주행차는 옆 차선에 장애 요소가 없다는 사실을 파악한 뒤 기존에 설정한 이상적인 주행 경로를 변경해 움직일 수 있다. 

―드라이브닷에이아이는 싱가포르에서도 자율주행차 모빌리티 서비스 상용화를 추진하고 있다. 미국 승차 공유 업체 `리프트(Lyft)`와 동남아 차량 호출 서비스 `그랩(Grab)`과도 파트너십을 맺었다. 

▷우리는 하드웨어 분야 파트너십에도 관심 있다. 현재는 자율주행을 위한 소프트웨어에 집중하고 있고 우리는 다른 승차 공유 업체와도 파트너십을 더 맺을 수 있다. 미래에 자율주행차는 자가 소유 외에도 모빌리티 서비스라는 형태로 쓰일 것이기 때문이다. 우리는 계속 파트너를 찾고 있다. 

텍사스에서 이미 우리는 자율주행 택시 서비스를 상용화해 매출을 올리고 있다. 우리는 확장을 계속 추진하고 있고 텍사스에서 서비스를 완성한 뒤 보다 넓은 지역으로 확장할 것이다. 텍사스는 프리스코시 시장 등 관계자를 포함해 자율주행차 시험주행에 대해 우호적이다. 텍사스보다 규제가 엄격한 캘리포니아로 확장도 고려하고 있다. 결국 자율주행차 시험주행을 어느 도시에서 실시할지는 지역 정부와 시민이 얼마나 관심을 갖고 우호적인지에 달려 있다. 

―자율주행차 시험주행을 위해서는 좋은 환경과 인프라스트럭처 구축이 필요하다. 자율주행차 시험주행을 위한 이상적인 환경 조건에는 어떤 요소가 필요한가. 

▷시험주행을 하기 위해선 물리적인 공간이 준비되고 교통 흐름을 재현할 차량도 필요하다. 교차로를 건너는 매우 다양한 보행자 사례도 필요하다. 그래서 지방정부 같은 다른 파트너와 함께해야 한다. 특히 지방정부는 도로공사나 토지 용도 변경 등에 관한 권한과 정보를 갖고 있는 중요한 파트너다. 자율주행차 안전을 위해 사고 예방 기능을 완성하는 건 여전히 도전적인 과제다. 예를 들면, 자율주행차는 긴급 도로공사 현장 같은 매우 까다로운 환경에 처할 수 있다. 이를 해결하는 한 방법으로는 수백만 달러를 투자해 여러 해에 걸쳐 연구하는 길이 있다. 그러나 가장 쉽고 빠른 솔루션은 도로공사 주체인 지방정부와 대화해 그들에게 필요한 조치를 취해달라고 하는 것이다. 

―드라이브닷에이아이 자율주행차는 현재 텍사스에서 차량 외부 디스플레이를 통해 보행자와 소통하려고 한다. 그 이유는 무엇인가. 

▷외부 디스플레이는 계속 바뀌고 있다. 우리는 보행자와도 소통할 방법을 찾고 있다. 디스플레이가 전부 말해줄 순 없지만 보행자에게 길을 건너라고 안내할 수 있다. 반면 보행자가 기다려도 건너지 않는 경우도 있다. 정확한 판단을 위해 수많은 테스트가 필요하다. 

5G 같은 통신 기술로 차량·사물 간 통신(V2X)이 가능하지만 사람이 중시하는 건 안전과 신뢰성이다. 보행자 커뮤니케이션 이해도를 계속 높이고 있고 언젠가 자율주행차 표준으로 진화할 수도 있다. 

자율주행차 내부 인터페이스 탑승자에게도 신뢰성은 중요하다. 탑승자 역시 실제로 무슨 일이 벌어지고 있는지 알고 싶어한다. 자율주행차가 무엇을 보고, 어떻게 판단하고, 어떻게 이동할지다. 그래서 우리는 자율주행차 인식 상태를 보여주는 특정 디스플레이도 설치했다. 이 디스플레이는 자율주행차가 보는 모든 것과 예상 주행 경로를 보여준다. 이것으로 인해 탑승자와 보행자는 자율주행차가 보행자 옆을 지나갈 때 모두 안심할 수 있다. 

또한 누군가가 자율주행차를 해킹할 수 있다는 우려 등 사이버 보안에 대한 이슈도 계속 제기됐다. 우리는 모든 자율주행차 커뮤니케이션 또는 연결 기능을 `암호화`해 뒀다. 윤리적 이슈로는 전형적인 `트롤리 딜레마(다수를 구하기 위해 소수를 희생할 수 있는지를 판단하게 하는 문제 상황)` 같은 문제가 거론된다. 그러나 오히려 `트롤리 딜레마`로 인해 더 중요한 이슈가 묻히게 만드는 게 아닌지 걱정스럽다. 99.5%의 교통사고는 사람들의 실수에 의해 발생한다. 그래서 우리는 매일 운전을 자율주행차로 보다 안전하게 만드는 일에 집중하려고 한다. 

―과거 자율주행을 인지, 판단, 제어 등 기능별로 설계했지만 2016년부터 엔비디아는 `엔드 투 엔드(end―to―end)` 학습을 통해 자율주행차가 센서 데이터를 입력받고 다양한 환경조건을 학습한 뒤 조향, 가속, 브레이크 값을 직접 출력하는 플랫폼을 개발했다. 이 플랫폼은 심층신경망으로 구성됐다고 알려져 있다. 여러 딥러닝 기술에도 경쟁우위가 존재하는가. 

▷엔비디아는 자율주행차를 위한 하드웨어 칩도 취급하고 있다. 이는 우리가 하는 일과 다르다. 우리는 자율주행차 기능별로 발생하는 문제를 해결하는 데 집중한다. 부분별로 문제를 해결하는 최대 장점은 `테스트`에 있다. 만약 당신이 `엔드 투 엔드` 방식을 채택한다면 어느 특정 기능을 검증하긴 매우 어렵다. 아마 모든 발생 가능한 상황마다 일일이 시뮬레이션을 해봐야 할 것이다. 

부분별로 테스트를 분리 수행하는 경우 독립적으로 검증하기 더 쉽다. 우리는 출발 단계에서부터 다른 사물을 파악하는 `인지(detecting)`, 위치를 파악하기 위한 `매핑 지역화(mapping localization)`, 경로를 생성하는 `동작 계획(motion planning)` 등 3가지 주요 카테고리로 나눠 분석한다. 각 카테고리는 돌발상황 같은 이상 투입(input)과 산출(output)을 내는 경우까지 포함해 총체적인 테스트를 진행하고 있다. 아마도 `엔드 투 엔드` 방식으로 상용화 가능한 수준까지 총체적인 테스트를 실시하는 건 매우 도전적인 과제일 것이다. 상용화 단계까지 수십억 달러가 들 수도 있다. 물론 엔비디아는 좋은 하드웨어를 만들고 있고, 이 역시 자율주행차에서 중요한 일부분이다. 

자율주행차 요소는 모두 밀접하게 연결돼 있기 때문에 우리는 자체 3D 지도도 개발하고 있다. 이미 자율주행차를 위한 고정밀 3D 지도 데이터를 공급하는 업체가 여럿 있지만 파이프라인 전체 주도권을 갖기 위해서는 독자 개발이 중요하다. 

우리는 몇 가지 전술을 활용해 보다 수월하게 독자 3D 지도 데이터를 개발하려고 한다. 첫째는 지역을 맵핑하기 위해 쓰는 자율주행차량이다. 우리는 별도 맵핑을 위한 특수차량을 쓰는 대신 기존에 서비스 중인 자율주행차량이 고객 서비스도 제공하고 지역 일대도 맵핑한다. 또한 견고한 지역화 소프트웨어를 사용하는 덕분에 새로운 지역을 주행할 때도 3D 지도를 업데이트하며 주행이 가능하다. 또한 주기적으로 업데이트해 큰 규모로 지도를 수정하는 것을 지양한다. 

―딜로이트 연구에 따르면 미국 소비자들은 자율주행차 안전에 관심이 많지만, 시간이 갈수록 자율주행차를 직접 소유하기 위해 지불하려는 가격은 낮아지고 있다. 이는 결과적으로 자율주행차 소프트웨어 개발사인 드라이브닷에이아이 사업모델에도 악영향을 미치지 않는가. 

▷우리는 레벨 4단계 자율주행차 모빌리티 온디맨드(on―demand) 서비스를 구상하면서 회사가 보유한 자율주행차로 서비스를 제공하기로 결정했다. 전형적인 미국 도시에선 차량이 하루 20만대 다닌다. 자율주행차를 통한 모빌리티 서비스가 활성화되면 2만~3만대 정도면 동일한 이동 수요를 충족시킬 것으로 기대한다. 이는 오늘날 도로를 다니는 차량 전체 숫자의 15%에 불과하다. 

그러나 희소식은 현재 차 한 대당 발생하는 이윤은 1000~5000달러에 불과하지만, 이를 모빌리티 서비스 수단으로 운영하면 대당 30만마일마다 3만달러 이상을 벌어들일 수 있다. 엄청난 규모의 비용 절감 요소도 존재하는 셈이다. 자율주행차가 기존 자동차 산업 비즈니스 모델을 무너트리진 않을 거라 생각한다. 오히려 미래 서비스 모델이 정립되면 자율주행차 소유에 대한 수요도 급증할 수 있다. 

궁극적으로 자율주행차는 모빌리티 서비스 수단이 돼야 한다고 생각한다. 오늘날 자가 차량 소유에 대한 마일당 소요비용을 따지면 기존 차량은 1달러15센트가 든다. 그러나 당신이 자율주행차를 소유하고, 이를 모빌리티 서비스 수단으로도 제공한다면 보유 비용을 마일당 20센트까지 낮출 수 있다. 밀레니얼 세대(1980~2000년대 출생자)가 자율주행차를 소유하는 대신 서비스로 이용할 거라 생각한다. 

―자율주행차 산업은 앞으로 어느 기업이 지배할 것이라 예상하는가. 

▷자율주행차 산업은 검색엔진 시장의 구글처럼 승자독식 현상이 벌어질 거라고 보진 않는다. 자율주행차 산업은 검색엔진 시장보단 이동통신 시장과 비슷하다. 한 회사는 특정 지역에서 넓은 커버리지를 지닌 반면, 다른 회사는 다른 지역에서 넓은 커버리지를 갖고 있다. 승차 공유 시장도 비슷하다. 국가별로, 지역별로 우세한 업체가 다르다. 게다가 자율주행차 산업은 지리상 제약 조건이 더 까다롭다. 승차 공유 산업에 비해 타 지역으로 사업을 확장하기 어렵다. 그래서 수많은 참여 업체가 개별 시장에서 우세한 포지션을 선점하기 위해 나설 것이다. 

이는 자율주행차 산업에서 아직 우리가 발견하지 못한 수많은 다양한 비즈니스 모델의 등장을 예고하고 있다. 일례로 여전히 도시 내 `마이크로 트랜싯(mirco transit)` 문제는 쉽게 해결되지 않고 있다. 걷기엔 멀고, 자가용이나 택시 등 운송수단을 타기엔 짧은 거리를 이동하는 문제다. 이는 승차 공유로도 해결되지 않는 부분이다.