우버가 올해 500대의 센서 장착 차량을 글로벌 도로에 투입해 자율주행 학습용 데이터를 대규모로 수집하겠다고 밝혔다. TechCrunch에 따르면 우버는 현대 아이오닉 5(Ioniq 5)를 기반으로 한 프로토타입을 공개했으며, 이 차량에 카메라·라이다·레이더 등 다수의 센서를 장착해 자율주행 파트너사들이 로보택시(무인 택시) 서비스를 개발할 수 있도록 고정밀 데이터를 제공하는 ‘AV Labs’의 확장에 나선다.
우버는 이 같은 차량들이 “로보택시용 고정밀 데이터”를 매달 200만 마일 규모로 수집할 수 있도록 설계됐다고 설명했다. 또한 여름까지는 그중 50대가 실제 도로에 배치될 것으로 예상된다고 덧붙였다. 이번 계획은 우버가 2020년 자율주행 사업부를 매각한 이후에도, 자율주행 생태계에서 데이터 생산자로서 영향력을 되찾기 위해 추진해온 전략의 연장선으로 읽힌다.
현대 아이오닉 5에 ‘센서 과다’…카메라·라이다·레이더 조합
우버가 공개한 차량은 자동차 자체의 형태가 혁신적이기보다는, 센서 구성이 핵심이다. TechCrunch에 따르면 이 차량은 14대의 카메라, 8개의 솔리드 스테이트 라이다(lidar), 9개의 레이더를 상단과 측면에 촘촘히 배치했다. 변속기나 전기구동계가 아니라 ‘관측’ 능력을 극대화해, 자율주행 모델 학습에 필요한 입력 데이터를 촘촘하게 확보하려는 접근이다.
차량 개조(리트로핏)는 Roush Performance와의 협업으로 진행됐고, 센서에서 들어온 데이터는 엔비디아(Nvidia)의 자율주행 컴퓨터 Dual Drive Thor로 처리·전송된다. 우버는 센서 구성이 파트너의 요구에 따라 계속 업데이트될 수 있다고도 밝혀, 특정 장비 조합에 장기 고정하기보다는 실사용 피드백에 따라 ‘구성 최적화’가 이뤄질 수 있음을 시사했다.
우버는 “데이터의 지리적 다양성”을 판다
우버는 단순히 원천 데이터를 넘기는 수준을 넘어, “세계에서 가장 지리적으로 다양한 학습 데이터”를 구축하겠다는 목표를 내걸었다. TechCrunch 보도에 따르면 우버의 AV Labs는 센서가 촘촘히 달린 차량들로부터 수집된 데이터를 시간 동기화해 360도 시야를 가진 형태로 ‘스티칭(stitching)’ 처리하고, 이를 자율주행 소프트웨어 학습에 활용하도록 파트너사들에게 제공하는 것을 지향한다.
우버가 말하는 강점은 데이터가 ‘많다’는 것만이 아니다. 여러 도시, 여러 도로 환경을 커버해 학습 편향을 줄일수록 모델의 일반화 성능이 높아질 수 있기 때문이다. 우버는 이미 선행 데이터도 확보해 두었다고 밝혔다. 예컨대 우버는 자사 플릿 파트너들이 운영하는 수천 대의 차량에서 바깥을 관측하는 카메라 데이터를 수집했으며, 또한 미국과 유럽에서 2년간 자사 파트너들이 운용한 수백 대의 루시드 에어(Lucid Air) 차량에서도 데이터를 확보해왔다.
AV Labs는 ‘외부 파트너’를 향한 인프라 성격
이번 계획에서 중요한 지점은 우버의 역할이 ‘자체 로보택시의 완성’만이 아니라, 여러 자율주행 기술 파트너(예: Waymo, WeRide, Avride 등)가 필요로 하는 훈련 데이터를 뒷받침하는 인프라 쪽으로 강화된다는 점이다. 우버가 AV Labs를 통해 수집·가공한 데이터를 파트너들과 공유함으로써, 특정 업체가 아닌 생태계 전반에서 우버의 네트워크 효과를 만들겠다는 구상으로 볼 수 있다.
또한 우버는 2월에 출범시킨 ‘Uber Autonomous Solutions’라는 별도 사업부도 함께 언급했다. 이는 로보택시나 자율주행 트럭, 보도(사이드워크) 배달 로봇 등에서 실제 운영에 필요한 일상 업무를 처리하는 체계를 목표로 하는 것으로 알려졌다. 즉, AV Labs가 ‘학습 가능한 데이터’를 제공한다면, Autonomous Solutions는 ‘운영 가능한 서비스’에 초점을 두는 구조다. 데이터 생산—운영 서비스로 이어지는 밸류체인이 한 회사 안에서 맞물리기 시작한 셈이다.
업계에 주는 의미: 자율주행은 알고리즘보다 ‘현장 데이터’가 관건
자율주행 개발에서 가장 큰 병목 중 하나는 충분한 현장 데이터의 축적과 라벨링(또는 고정밀 학습용 전처리)이다. 이번 우버의 500대 센서 차량 투입은, 로보택시 기술 경쟁이 결국 ‘센서 + 컴퓨팅’뿐 아니라 ‘어디서, 어떤 상황을 얼마나 반복해 관측했는가’로 승부가 옮겨가고 있음을 보여준다.
특히 우버가 강조한 지리적 다양성은 많은 자율주행 기업이 동일하게 겪는 문제다. 같은 도로라도 날씨, 조명, 공사, 표지판 상태, 교통 흐름이 다르면 모델 성능이 흔들릴 수 있기 때문이다. 더 많은 도시·경로를 커버할수록 해당 문제를 줄일 가능성이 커진다. 우버의 이번 확장은 “데이터 공급자” 포지션을 강화하려는 시도로 해석된다.
What’s Next: 배치 속도와 데이터 품질, 파트너 확장 여부가 관전 포인트
우버의 계획에서 가장 먼저 확인해야 할 것은 실제 도로 배치 일정과 월 200만 마일 목표 달성 여부다. TechCrunch 보도대로 여름까지 50대가 배치된다면, 이후 나머지 450대의 배치 속도와 국가·도시별 운영 범위가 성패를 가를 전망이다.
또 다른 관전 포인트는 파트너사가 실제로 이 데이터셋을 학습에 얼마나 효과적으로 활용하고 있는지다. 우버가 말한 “시간 동기화된 360도 스티칭 데이터”가 파트너들의 모델 성능 개선으로 이어지는지, 그리고 센서 구성 업데이트가 어떤 방식으로 반영되는지에 따라 우버의 AV Labs는 단순 데이터 공급을 넘어 ‘학습 파이프라인의 핵심 레이어’로 자리 잡을 수 있다.
댓글