[20하나9/0하나/하나하나][MK][Biztimes]완전 자율주행` 레벨4에 걸린 때때로 이야…

구글 8년, 드라이브 닷 에이 아이기 3년...비결은 딥 러닝 브로디의 후발 드라이브 닷 에이에 기기 공동 설립자 겸 이사"자율 주행 차 산업, 구글 같은 승자 독식은 어렵다"

>

자율주행차가 피자를 집까지 배송해 로봇이 자율주행하던 차에 치이는 사건이 뉴스가 된다. 과거의 상상 속 세상은 이미 미국에서 현실이 됐다. 이달 8일 미국 라스베이거스에서 열린 세계 최대 규모의 가전IT 전시회 CES에서는 자동차회사와 IT 공룡, 이동통신사까지 등장해 인공지능(AI)과 자율주행차가 일상에서 보여주는 구체적인 모습을 보여줬다. 5G(5세대)이동 통신 기술을 활용한 차량 물간 통신(V2X)와 차량용 인포테인먼트, 모빌리티(이동성)서비스 등의 자율 주행 기술을 넘어 비즈니스 전략과 모델을 구체적으로 나타내고 있다.그러나 지난해 12월 구글 웨이 모기가 자율 주행 택시 서비스를 세계 최초로 송보욧의 소리에도 불구하고 아직도 자율 주행 차가 일상에서 자리 잡기까지`안전·신뢰`사건을 넘기는 게 과제다. 글로벌 컨설팅 회사의 회사가 지난 7일 발표한`2019글로벌 자동차 소비자 연구 보고서`에 따르면 여전히 자율 주행 자동차 안전 사건에 대한 소비자 신뢰 수준은 제자리 걸음 걸소리울하고 있다. 이 회사가 전 세계 20개국의 소비자 약 2만 5000명을 대상으로 설문 조사한 결과`자율 주행 차는 안전하지 너`라고 응답한 비율이 재팬은 지난해 57Percent에서 50Percent로 데힝 민국은 지난해 54Percent에서 49Percent로 바뀌는 등 신뢰도에 큰 변화가 없었다. ​

>

소비자들의 자율주행차에 대한 신뢰가 절반 수준에 그치는 이유는 자율주행차 사고 관련 보도가 영향을 미쳤기 때문이었다. 딜로이트 보고서에 따르면 자율주행 자동차 사고 소식에 따라 위 햄.성을 걱정하게 됐다는 응답자의 비율은 한국(68Percent), 믹크(65Percent), 차이나 인도(64Percent), 독 1(56Percent), 1책 50Percent)등의 순으로 연구되었다. 지난해 3월 우보, 자율 주행 시험 차량에 보행자가 끌리고 숨진 문제 등이 대중의 뇌리에 오래 기억되는 대표적인 예다. 마스터들은 자율주행 기술과 안전 사고는 결국 심층 신경망(Deep Neural Network·DNN) 기반의 기계 학습(딥러닝)에 달려 있다고 썼습니다. 증가한 자율주행 차량용 반도체 칩의 연산 능력이나 'Lidar(Lidar)' 등 각종 센서가 더 저렴해지고 범용화되며 자율주행차 분야의 경쟁력을 결정하는 것은 딥러닝 기술의 완성도라고 전해지고 있습니다. ​, 구글 웨이 모의 경우 2009년부터 약 8년간 개발 기간과 시험 도로 주행 1000만마 1돌파 등 주행 데이터를 모은 결과 믹크 도로 교통 안전청(NHTSA)에서 정한`완전 자율 주행`이 가능한 수준 4자 유루 성주의 외출을 상용화할 수 있었다. ​ 하지만 구글이 8년이 걸리고 달성한 수준 4자율 주행 소프트웨어(SW)기술을 스타트 업이 디플러 닌 기술로 3년 만에 따라붙었다. 지난해 웨이모에 이어 텍사스주에서 자율주행 모빌리티 서비스를 상용화했습니다. 2015년에 설립된`드라이브 닷 에이 아이(drive.ai)`이다. 회사의 공동 설립자 캐럴 라 1리 이사는 세계적인 인공 지능 석학의 앤드루 응, 스탠퍼드대 교수의 부인이다. 은 교수 본인도 드라이브닷에 이어 어린이 이사회에 참석합니다. 지난해 12월 기준으로 업계 추산 적어도 9100만달러(약 1000억원)이상의 투자 유치에 성공했습니다. ​, 매 1경제 비쥬타입니다.다스는 지난해 내용 글로벌 액셀러레이터 파크랩이 주최한 '스파크 랩 데모데이' 강연을 위해 한국을 찾은 브로디 후발 드라이브 닷에이 어린이 공동 설립자 겸 이사를 만봉인 인터뷰했습니다. 다음은 그와 1문 1의 대답. ​

>

―, 구글 웨이 모던 보이 빠르게 레벨 4자율 주행 기술 개발에 성공했다. 그 비법은 무엇인가. 개인적인 생각이다. 구글 알파벳 자회사 웨이모가 출범할 당시 구글에는 없었던 몇 가지 핵심 기술이 있다. 2009년 당시 디플러 닌은 그야말로 사회적인 관 심을 받지 않는 분야였다. 디플러 말리닌이 대중적인 주목 받기 시작한 것은 20하나 2년부터다. 그러므로 2009년 당시 구글은 필요한 핵심 기술을 제때 확보하지 않은 것으로 보인다. 드라이브닷에이아이가 더 빨랐던 이유는 그동안 연산능력이 발전하면서 기존 문재를 더 쉽게 만들고 현존하는 최고 수준의 기술을 활용해 타사보다 유리한 고지를 선점한 덕분이었다. 우리는 단지 남들보다 조금 더 연구개발(R&D)에 집중할 수 있었을 뿐이다. 세계적인 AI 석학 앤드루 은 교수가 회사와 밀접하게 관련돼 있다. 이 덕분에 구글 웨이모를 제칠 수 있지 않았을까. 일부 특정 분야에서는 분명 그럴 가능성이 있다. 2009년 당시 치에쵸움단 디플러 닌 연구 결과는 스탠포드 대학 AI연구소, 자신 판다고 신는 것 토론토 같은 대학의 연구실을 통해서 왔다. 그러자, 신구글도 연구자를 보내 제멋대로 연구하고 있었을 것이다. ​ 쟈싱눙 20의 하나 연 아 교수와 AI연구소에서 자연 언어 처리를 위한 디플러 닌을 연구했다. 20하나 2년부터 연구 분야를 컴퓨터 비전 연구로 전환했고 이후 자율 주행 기술로 옮겼다. 당시 꽤 자신 있는 연구팀이었다. 이후 20하나 5년 AI연구소 출신의 공동 창업자 5명이 모여서 회사를 설립했다. -빠른 기술회사를 만드는 특별한 대기업 문화 자신의 의사결정 절차가 있나. ドット드라이브닷에이아이의 큰 기업문화 특징 중심의 하자신은 매우 수평적인 조직구조다. 공동창업자가 창업 초기부터 많았고 이 때문에 조직 특정 인사에 권력이 집중되지 않았다. 누구나 자신이 필요하다고 생각하는 것을 마음껏 할 수 있다. 모두 AI연구소 시절부터 함께 긴 시절을 보내다 보니 실제로 회사를 설립해 자율주행 기술을 만드는 것 역시 전체에 관심을 가진 경험이었다. 또 하나의 큰 기업문화의 특징은 안전이라는 가치를 중시한다는 점이었다. 실크 자율주행차의 안전을 넘어 조직 내 의사결정을 할 때도 마찬가지로 고려된다. 올바른 절차를 밟아 의사결정을 내려야 한다. 매트릭스 조직구조라는 점도 중요한 요소다. 조직 내 누군가가 자율주행의 핵심기술을 갖고 있습니다." 지는 게 정말 중요하다. 전 구성원이 매트릭스 구조 추적을 통해 개별 기술을 책입니다.지기에 적합한 사람이어야 한다. ​

>

-드라이브닷에이 아이가 자율주행 시험주행에 사용하는 딥러닝 기술을 설명해 주는가. 미래기술적으로 보다 많은 이화가 생기는 것을 기대하지만, 현재의 레벨에서 유출적으로 밝힐 수 있는 구체적인 기술적 이화는 없다. 다만 딥러닝 파이프라인이 자신의 딥러닝을 통한 훈련에서 가장 중요한 것은 현 씨가 갖고 있는 데이터다. 데이터에 관해서는 두 가지 중요한 점이 있다. 아래 자신은 데이터의 크기가 얼마나 자신이 있는가이며, 다른 아래 자신은 각 데이터의 집합이 어떤 가치를 가지는가이다. 얼마나 자신 있게 신경망을 반복 학습할 수 있을까. 우리는 여러 도구를 활용하여 관심 있는 데이터가 자신의 타자라면 모두 데이터 집합에 반영한다. 예를 들어 비오는 날씨 자신의 교통문재현장, 소방차량의 출동이 자신의 공사현장 등이었다는 데이터는 매우 큰 영향을 미쳤고 데이터 확장에도 좋은 수단이었다. 그리고 그런 데이터를 가능한 한 빨리 소화해야 한다. 실제로 텍사스 프리스코시의 도로 공사 현장을 지자 그는 드라이브 닷 에이 아이 자율 주행 차량은 정상적인 절차를 막는 지상 점유 물체를 보고1단 서다. 그 후 sound 옆 차로를 타고 가도 안전 여부를 판단한다. 평가 절차를 마친 전부 sound자율 주행 차는 옆 차선에 장어 린이의 요소가 없다는 사실을 파악한 전부 sound, 기존에 설정한 이상적인 주행 경로를 변경하고 움직이다 1 있다. 드라이브닷에이의 아이는 싱가포르에서도 자율주행차의 모빌리티 서비스 상용화를 추진하고 있다. America 승차 공유업체 리프트(Lyft)와 동남아 차량호출 서비스 그랩(Grab)과도 파트너십을 맺었다. 우리는 하드웨어 분야의 파트너십에도 관심이 있다. 현재는 자율주행을 위한 소프트웨어에 집중하고 있어 우리는 다른 승차공유업체와도 파트너십을 더 맺을 수 있다. 미래에 자율 주행 차는 자가 소유의 외에도 모 빌러티 서비스 형태에서 슈퍼 1것이기 때문이었다 우리는 파트타임으로 일하는 너를 찾고 있다. 텍사스에서 힘을 얻은 우리는 자율주행 택시 서비스를 상용화해 매출을 올리고 있다. 우리는 계속 확장하고 있고 텍사스에서 서비스를 시작한 후 sound 보다 넓은 지상으로 확대될 것이다 텍사스는 프리스코 시 등의 관계자를 포함해 자율주행 시험주행에 우호적이었다. 텍사스보다 규제가 심한 캘리포니아로의 확장도 고려하고 있다. 결국 자율주행차 시범주행을 어느 도시에서 할 것인가는 지면 정부와 시민이 얼마나 관심을 갖고 우호적인가에 달려 있다. 자율주행 시험주행을 위해서는 좋은 환경과 인프라 구축이 필요하다. 자율주행 시험주행을 위한 이상적인 환경조건에는 어떤 요소가 필요한가. 시험 주행을 위해서는 물리적 공간이 마련되고 교통 흐름을 재현하는 차량도 필요하다. 교차로를 넘긴 당신은 매우 다양한 보행자 사례도 필요하다. 그리고 지방정부와 같은 다른 파트인 너와 함께 걸어야 한다. 특히 지방정부는 도로공사 자신의 토지 용도 변경 등에 대한 권한과 정보를 갖고 있는 중요한 파트군이다. 자율주행차 안전을 위해 방재기능을 완성하는 것은 여전히 도전적인 과제다. 예를 들어 자율주행차는 긴급도로 공사장과 같은 매우 어려운 환경에 놓여 있다. 이를 해결하는 한 가지 비결로는 수백만 달러를 투자해 수년에 걸쳐 조사하는 방법이 있다. 그렇다면 가장 쉽고 빠른 솔루션은 도로공사의 주체인 지방정부와 논의하여 그들이 필요한 조치를 취하도록 하는 것이었다 ​

>

드라이브닷에 이어 어린이 자율주행차는 현재 텍사스에서 차량 외부 디스플레이를 통해 보행자와 소통하려 할 것이다. 그 이유는 뭘까. ■외부 디스플레이는 계속 바뀌고 있다. 우리는 보행자와 소통할 방법을 찾고 있다. 디스플레이는 모두 내용해 줄 수는 없지만 보행자에게 길을 건너도록 안내할 수 있다. 한편 보행자가 기다려도 건너지 않는 경우도 있다. 정확한 판단을 위해 수많은 테스트가 필요하다. ​ 5G 같은 통신 기술로 차량 물간 통신(V2X)이 가능하지만 사람이 중시하는 것은 안전·신뢰성입니다. 보행자 커뮤니케이션에 대한 이해도를 계속 높이고 있어 언젠가는 자율주행차 표준으로 진화할지도 모른다. 자율주행차 내부 인터페이스 탑승자에게도 신뢰성은 중요하다. 탑승자도 실제로 어떤 1개가 일어나고 있는지 궁금할 것이다. 자율주행차가 어떤 모습을 보고, 어떻게 판단하고, 어떻게 이동하느냐다. 그래서 우리는 자율주행차의 인식 상태를 보여주는 특정 디스플레이도 설치했다. 이 디스플레이는 자율주행차가 보는 모든 것과 예상 주행경로를 보여준다. 이 때문에 탑승자와 보행자는 자율주행차가 보행자 옆을 지나가지 않고 갈 때 모두 안심할 수 있다. 또 누군가가 자율주행차를 해킹할 가능성이 있다는 우려 등 사이버 보안에 대한 문제도 제기됐다. 우리는 모든 자율주행차의 커뮤니케이션도 연결 기능을 암호화했다. 윤리적 이슈로는 전형적인 트롤리 딜레마(다수를 구하기 위해 소수를 희생활할 수 있는지를 판단하게 하는 문제귀취) 같은 문제를 들 수 있다. 그러나 왠지 트롤리 딜레마로 인해 더 중요한 이슈가 묻히게 될까봐 걱정이다. 99.5%의 교통 사고는 사람들의 실수로 발발하는 것이다. 따라서 우리는 매번 또는 운전을 자율주행으로 보다 안전하게 하는 데 집중하려고 할 것이다. ​ ― 과거, 자율 주행을 인지하고 판단, 제어 등의 기능별로 설계했지만 2016년부터 엔비디아는`엔드 투 엔드(end― to― end)`학습을 통해서 자율 주행 차가 센서 데이터를 입력 받아 다양한 환경 조건을 학습한 담 조향, 가속, 브레이크치를 직접 출력하는 플랫폼을 개발했다. 이 플랫폼은 심층 신경망으로 구성된 것으로 알려졌다. 여러 딥러닝 기술에도 경쟁 우위가 존재하는가. 엔비디아는 자율주행차를 위한 하드웨어 칩도 취급하고 있다. 이것은 우리가 한다 하나와 같은 것이, 우리는 자율주행 기능마다 일어나는 문제 해결에 집중할 것이다. 부분별로 문제를 해결하는 가장 큰 장점은 테스트에 있다. 만약 너희가 엔드 투 엔드 방식을 채택한다면 특정 기능을 검증하는 것은 매우 어렵다. 아마 모든 발발 가능한 귀취마다 시뮬레이션을 해 봐야 할 것입니다. 부분별로 테스트를 분리할 경우, 독립적으로 검증하는 것이 용이하다. 우리는 출발 단계에서 다른 사물을 파악하는`인지(detecting)`, 위치를 파악하기 위한`매핑 지역화(mapping localization)`, 경로를 발발하는`동작 방안(motion planning)`등 3개의 주요 카테고리에 나쁘지 않고 무엇을 분석하는 것이다. 카테고리는 돌발귀취와 같은 이상투입(input)과 산출(output)을 내는 경우도 포함해 총체적인 테스트를 진행하고 있다. 아마 엔드 투 엔드 방식으로 상용화 가능한 수준까지 총체적인 테스트를 실시하는 것은 매우 도전적인 과제입니다. 상용화 단계까지 수십억 달러가 소요될 가능성도 있다. 물론 엔비 디어는 좋은 하드웨어를 만들고 있으며 이것도 한 자동 운전에서 중요한 1개입니다. ​, 자율 주행 자동차의 요소는 모두 밀접하게 연결되는 까닭에 우리는 자사의 3D지도도 개발하고 있다. 이제 자율 주행 자동차를 위한 고 정밀 3D지도 데이터를 공급하는 회사가 몇가지 있지만 파이프 라인 모두 주도권을 가지기 위해서는 독자 개발이 중요하다. ​ 우리는 몇가지 전술을 활용하고 더 쉽게 독자 3D지도 데이터를 개발하려는 것이다. 첫 번째는 지역을 매핑하기 위해 사용하는 자율주행 차량입니다. 우리는 별도의 매핑을 위한 특수 차량을 사용하는 대신 지금까지 서비스 중인 자율주행 차량이 고객 서비스를 제공하고 지역 하나대도 매핑할 것이다. 도 굳건한 지역화 소프트웨어를 사용하기 때문에 새로운 지역을 주행할 때도 3D지도를 게재하고 주행이 가능하다. 역시 주기적으로 업데이트해서 대규모로 지도를 수정하는 것을 삼갈 것이다. 딜로이트 조사에 따르면 미국 소비자들은 자율주행차 안전에 관심이 많지만 가끔 자율주행차를 직접 소유하기 위해 지불하려는 가격은 오전 내내 비싸지고 있다. 이는 결과적으로 자율주행차 소프트웨어 개발업체 드라이브닷에 이어 어린이 사업모델에도 악영향을 미치지 않을까. ​ ▷ 우리는 레벨 4단계 자율 주행 차 모빌리티 온 디멘드(on― demand)서비스를 구상하면서 회사가 보유한 자율 성주 이상 차로 서비스를 제공하는 것으로 자인했다. 전형적인 아메 리카 도시에서는 차량이 하루 20만대가 운행된다. 자율주행차를 통한 모빌리티 서비스가 활성화되면 만 대 정도로 재발한 이동 수요를 충족시킬 것으로 기대할 것이다. 이는 오항상 그랬듯이 일 도로를 다니는 차량 전체 숫자의 15퍼센트에 불과하다. ​ 그렇게 나쁘지 않은 기쁜 소식은 현재 차량 대당 발발하는 이윤은 1000~5000달러에 불과하지만 이를 모 빌러티 서비스 방법으로 운영하면 대당 30만에서 하나마다 만달러 이상을 벌어 사용해도 된다. 매우 곤란한 규모의 코스트 삭감 요소도 존재합니다. 자율주행차가 기존 자동차산업의 비즈니스 모델을 무너뜨리는 일은 없을 것이라고 생각할 것이다. 오히려 미래 서비스 모델이 확립되면 자율주행차 소유 수요도 급증할 수 있다. 궁극적으로는 자율주행차는 모빌리티 서비스 수단이 되어야 한다고 생각할 것이다. 오항상 그랬던 것처럼 날이 차량의 소유에 대한 마하라 당나라 소요 비용을 타탄, 기존 차량은 1달러 15센트가 들어 있다. 그렇게 나쁘지 않아 너 이거, 자율 주행 자동차를 소유하고 이를 모 빌러티 서비스 수단으로도 제공하는 것이라면 보유 비용을 마하, 나당 20센트까지 오전 추다. 밀레 니얼 세대(1980~2000년 대생이 자율 주행 차를 소유하는 대신 서비스로 이용할 거라 생각할 것이다. 자율주행차 산업은 앞으로 한 기업이 지배할 것으로 예상하나. ■자율주행차 산업은 검색엔진 시장의 구글처럼 '승자독식' 현상이 일어날 것으로 보지 않는다. 자율주행차 산업은 검색엔진 시장보다는 이동통신 시장과 비슷하다. 한 회사는 특정 지역에서 넓은 커버리지를 갖는 반면 다른 회사는 다른 지역에서 넓은 커버리지를 갖고 있다. 승차공유시장도 비슷하다. 정부별로, 지역별로 우세한 기업은 같지 않다. 게다가 자율주행차 산업은 지리상의 제약조건이 더 까다롭다. 승차 공유 산업에 비해, 타지역으로의 사업 확장은 곤란하다. 그래서 많은 참여 기업들이 개별 시장에서 우세한 포지션을 선점하기 때문에 나쁘지 않을 것입니다. 자율주행차 산업에서 아직 우리가 발견하지 못한 수많은 비즈니스 모델의 등장을 예고한다. 예컨대 도시 내 마이크로 트랜싯(mircotransit) 문제는 해결되지 않았다. 걷기는 멀고 자가용이 나쁘지 않아 택시 등 운송수단을 타려면 짧은 거리를 이동하는 문제다. 이건 승차 공유로도 해결할 수 없는 부분입니다. 브로디 후발 공동설립자 겸 이사는 ​ 브로디 후발은 2015년 아메 리카 스탠퍼드대 컴퓨터 과학 박사 과정을 중퇴하고 조사소 동료들과 자율 주행 차 소프트웨어 스타트 업 드라이브 닷 에이 아이를 공동 설립하고 사업에 뛰어들었다. 현재 이사회 하나원으로 자율주행차 인지기능, 지도 제작 및 현지화, 딥러닝 인프라 구축 작업 등을 맡고 있다. ​ 이전은 2011년부터 세계적인 인공 지능(AI)분야의 석학의 앤드루 응, 스탠퍼드대 교수가 이끄는 AI조사소에서 자연 언어 처리(NLP)디플러 닌과 컴퓨터 시각에 대한 조사를 4년간 수행했다. 오랜 세월 AI 분야와 딥러닝 분야에서 조사 경험을 쌓아왔다. 특히 딥러닝을 위한 데이터 인프라 구조 분야의 마스터로 알려져 있다. ​ 2010년 아메 리카 플로리다 대학에서 기계 공학을 전공하고 수석 졸업(summa cum laude)에서 학사 학위 과정을 마쳤다. 그의 동료 이사이자 공동 창업자인 캐럴 라파날리의 남편이 바로 운 교수다. 은 교수도 같은 드라이브닷에 이어 어린이 이사회의 하나원입니다. ​ https://youtu.be/x2hNDZGhnpw

https://youtu.be/mj4QLsemKEY