라이다(LiDAR)냐, 카메라냐 – 완전 자율주행열쇠

출처 : 미래에셋자산운용(홍콩) 원문 : https://www.am.miraeasset.com.hk/insight/lidar-vs-camera-only-what-is-the-best-sensor-suite-combination-for-full-autonomous-driving/ 자율주행 업계는 완전한 자율주행 시스템을 구현하기 위해 라이다(LiDar), 카메라, 레이더, 초음파 센서 등 다양한 센서 조합에 대한 실험을 진행해 왔습니다. 그러나 현재 각 업체의 견해에는 어느 정도 차이가 있으며, 특히 라이더의 필요성이 쟁점의 중심에 서 있는 상태입니다. 출처 : 미래에셋자산운용(홍콩) 원문 : https://www.am.miraeasset.com.hk/insight/lidar-vs-camera-only-what-is-the-best-sensor-suite-combination-for-full-autonomous-driving/ 자율주행 업계는 완전한 자율주행 시스템을 구현하기 위해 라이다(LiDar), 카메라, 레이더, 초음파 센서 등 다양한 센서 조합에 대한 실험을 진행해 왔습니다. 그러나 현재 각 업체의 견해에는 어느 정도 차이가 있으며, 특히 라이더의 필요성이 쟁점의 중심에 서 있는 상태입니다.

사진출처:Shutterstock 사진출처:Shutterstock

구글(Google)의 자율주행 자동차 부문 자회사인 웨이모(Waymo)는 자율주행 시스템 구현을 위해 라이다 기술을 적극 활용하고 있는 반면 자율주행 업계의 주요 주자인 테슬라(Tesla)의 일론 머스크(Elon Musk) CEO는 라이다의 필요성에 대해 부정적인 견해를 보이며 카메라, 레이더, 초음파 센서만으로도 충분히 완전 자율주행을 구현할 수 있다고 주장하고 있습니다. 이번 보고서에서는 이러한 다양한 접근법에 대한 비교 분석을 진행하고자 합니다. 라이더 + 카메라 + 레이더 – 현재 시점에서 가장 범용적인 센서 조합 구글(Google)의 자율주행 자동차 부문 자회사인 웨이모(Waymo)는 자율주행 시스템 구현을 위해 라이다 기술을 적극 활용하고 있는 반면 자율주행 업계의 주요 주자인 테슬라(Tesla)의 일론 머스크(Elon Musk) CEO는 라이다의 필요성에 대해 부정적인 견해를 보이며 카메라, 레이더, 초음파 센서만으로도 충분히 완전 자율주행을 구현할 수 있다고 주장하고 있습니다. 이번 보고서에서는 이러한 다양한 접근법에 대한 비교 분석을 진행하고자 합니다. 라이더 + 카메라 + 레이더 – 현재 시점에서 가장 범용적인 센서 조합

현시점에서는 라이더, 카메라, 그리고 레이더로 구성된 센서의 조합이 가장 일반적으로 채용되고 있습니다. 예를 들어 현재 라이더를 활용한 자율주행 기술 분야에서 가장 앞서가는 기업 중 하나로 평가받는 웨이모가 2020년 3월 공개한 5세대 자율주행 플랫폼은 차체 상단에 360도 라이더를 탑재하고 있으며 차체 각 면에 4개의 측면 라이더를 탑재하고 있습니다. 차체 상단에 탑재된 360도 라이다는 주행 중인 차량의 주변 환경을 고화질 3D 이미지에 매핑하는 역할을 하며, 차체 각 면에 장착된 측면 라이다는 강력한 근거리 인식 능력을 제공해 해당 자율주행 플랫폼이 타의 추종을 불허하는 수준의 광범위한 탐지 능력을 갖추도록 하고 있습니다. 이러한 근거리 라이더는 뛰어난 공간 해상도를 기반으로 복잡한 도심 주행 환경에서도 정확하고 안정적인 자율주행 기능을 보장해 혹시라도 발생할 수 있는 사각지대를 커버할 수 있도록 합니다. 또한 차체에는 총 29대의 카메라가 장착되어 차체가 주변 환경을 더 잘 파악할 수 있도록 시각적 정보를 제공하고 있으며, 총 6대의 레이더가 광범위한 시계를 제공하여 비교적 원거리의 물체를 인식할 수 있도록 하고 있습니다. 현시점에서는 라이더, 카메라, 그리고 레이더로 구성된 센서의 조합이 가장 일반적으로 채용되고 있습니다. 예를 들어 현재 라이더를 활용한 자율주행 기술 분야에서 가장 앞서가는 기업 중 하나로 평가받는 웨이모가 2020년 3월 공개한 5세대 자율주행 플랫폼은 차체 상단에 360도 라이더를 탑재하고 있으며 차체 각 면에 4개의 측면 라이더를 탑재하고 있습니다. 차체 상단에 탑재된 360도 라이다는 주행 중인 차량의 주변 환경을 고화질 3D 이미지에 매핑하는 역할을 하며, 차체 각 면에 장착된 측면 라이다는 강력한 근거리 인식 능력을 제공해 해당 자율주행 플랫폼이 타의 추종을 불허하는 수준의 광범위한 탐지 능력을 갖추도록 하고 있습니다. 이러한 근거리 라이더는 뛰어난 공간 해상도를 기반으로 복잡한 도심 주행 환경에서도 정확하고 안정적인 자율주행 기능을 보장해 혹시라도 발생할 수 있는 사각지대를 커버할 수 있도록 합니다. 또한 차체에는 총 29대의 카메라가 장착되어 차체가 주변 환경을 더 잘 파악할 수 있도록 시각적 정보를 제공하고 있으며, 총 6대의 레이더가 광범위한 시계를 제공하여 비교적 원거리의 물체를 인식할 수 있도록 하고 있습니다.

라이더를 활용한 완전 자율주행 라이더를 활용한 완전 자율주행

라이더는 빛이 부족한 주행 환경에서 우위를 점합니다. 라이더는 독자적인 광원을 갖추고 있어 빛이 부족한 환경에서도 성능상의 영향을 받지 않습니다. 라이다는 카메라 등 감지 방식과 달리 빛이 전혀 없는 환경에서도 정상적으로 작동할 수 있습니다. 라이더는 다른 방식에 비해 더 높은 수준의 3D 매핑을 제공합니다. 인체의 눈은 왼쪽 눈과 오른쪽 눈 사이의 거리, 그리고 왼쪽 눈에 보이는 물체와 오른쪽 눈에 보이는 물체의 거리를 계산하는 방식으로 대상 물체로부터의 거리를 대략적으로 파악할 수 있습니다. 이러한 원리를 활용하면 라이다를 사용하지 않고 카메라 이미지만으로 3D 매핑을 진행하는 것이 가능하긴 하지만 라이다는 직접 레이저를 발사하는 방식으로 대상 물체의 거리 정보를 파악해 보다 정밀한 3D 매핑을 가능하게 하고, 이는 자율주행 시스템의 신뢰도를 높이는 데 중요한 역할을 합니다. 라이더를 활용하지 않는 완전 자율주행 라이더는 빛이 부족한 주행 환경에서 우위에 섭니다. 라이더는 독자적인 광원을 갖추고 있어 빛이 부족한 환경에서도 성능상의 영향을 받지 않습니다. 라이다는 카메라 등 감지 방식과 달리 빛이 전혀 없는 환경에서도 정상적으로 작동할 수 있습니다. 라이더는 다른 방식에 비해 더 높은 수준의 3D 매핑을 제공합니다. 인체의 눈은 왼쪽 눈과 오른쪽 눈 사이의 거리, 그리고 왼쪽 눈에 보이는 물체와 오른쪽 눈에 보이는 물체의 거리를 계산하는 방식으로 대상 물체로부터의 거리를 대략적으로 파악할 수 있습니다. 이러한 원리를 활용하면 라이다를 사용하지 않고 카메라 이미지만으로 3D 매핑을 진행하는 것이 가능하긴 하지만 라이다는 직접 레이저를 발사하는 방식으로 대상 물체의 거리 정보를 파악해 보다 정밀한 3D 매핑을 가능하게 하고, 이는 자율주행 시스템의 신뢰도를 높이는 데 중요한 역할을 합니다. 라이더를 활용하지 않는 완전 자율주행

자율주행 센서에 라이다를 쓰지 않는 기업 중 가장 앞서 있다는 평가를 받는 테슬라는 차체에 8대의 외장 카메라, 1개의 레이더, 그리고 12개의 초음파 센서를 장착하고 있습니다. 자율주행 시스템 구축 과정에서 라이더를 사용하는 것에 대한 반대 의견은 다음과 같습니다: 라이더 또한 카메라와 다르지 않으며 투과성 제한을 받습니다. 라이다 센서가 발사하는 광선의 주파수는 눈에 보이는 가시광선과 육안으로는 식별할 수 없는 적외선 사이에 위치해 있어 적외선보다는 가시광선에 가깝습니다. 즉 라이더가 발사하는 레이저도 카메라가 인식하는 가시광선처럼 각종 물체에 의해 다양한 영향을 받을 수 있습니다. 예를 들어 안개가 심하게 끼거나 폭우가 내리는 환경에서는 라이더에서 발사된 레이저가 비, 안개 등 물체를 통과하지 못해 성능상의 영향을 받을 수 있습니다. 이러한 사항은 라이더와 카메라가 같은 문제를 가지고 있음을 보여줍니다. 자율주행 센서에 라이다를 쓰지 않는 기업 중 가장 앞서 있다는 평가를 받는 테슬라는 차체에 8대의 외장 카메라, 1개의 레이더, 그리고 12개의 초음파 센서를 장착하고 있습니다. 자율주행 시스템 구축 과정에서 라이더를 사용하는 것에 대한 반대 의견은 다음과 같습니다: 라이더 또한 카메라와 다르지 않으며 투과성 제한을 받습니다. 라이다 센서가 발사하는 광선의 주파수는 눈에 보이는 가시광선과 육안으로는 식별할 수 없는 적외선 사이에 위치해 있어 적외선보다는 가시광선에 가깝습니다. 즉 라이더가 발사하는 레이저도 카메라가 인식하는 가시광선처럼 각종 물체에 의해 다양한 영향을 받을 수 있습니다. 예를 들어 안개가 심하게 끼거나 폭우가 내리는 환경에서는 라이더에서 발사된 레이저가 비, 안개 등 물체를 통과하지 못해 성능상의 영향을 받을 수 있습니다. 이러한 사항은 라이더와 카메라가 같은 문제를 가지고 있음을 보여줍니다.

라이더가 제공하는 시각 정보는 카메라의 것에 비해 제한적입니다. 오늘날의 주행 환경에는 표지판, 이정표, 신호등 등 운전자의 시각을 요구하는 다수의 요소가 존재합니다. 그러나 라이더는 주변 물체에 대한 정보를 수집하여 정밀한 3D 이미지를 제공할 수는 있지만, 색상이나 문자 등 기타 다양한 시각 정보에 대한 처리 능력은 결여되어 있습니다. 이러한 제한 사항은 자율주행 시스템이 주변 환경을 완전히 인식하는 데 어려움을 겪는 요소 중 하나입니다. 반면 카메라를 통해 수집된 데이터는 잘 훈련된 딥러닝 모델을 통해 주행 환경에 대한 보다 다양한 정보를 추출할 수 있습니다. 라이더가 제공하는 시각 정보는 카메라의 것에 비해 제한적입니다. 오늘날의 주행 환경에는 표지판, 이정표, 신호등 등 운전자의 시각을 요구하는 다수의 요소가 존재합니다. 그러나 라이더는 주변 물체에 대한 정보를 수집하여 정밀한 3D 이미지를 제공할 수는 있지만, 색상이나 문자 등 기타 다양한 시각 정보에 대한 처리 능력은 결여되어 있습니다. 이러한 제한 사항은 자율주행 시스템이 주변 환경을 완전히 인식하는 데 어려움을 겪는 요소 중 하나입니다. 반면 카메라를 통해 수집된 데이터는 잘 훈련된 딥러닝 모델을 통해 주행 환경에 대한 보다 다양한 정보를 추출할 수 있습니다.

결론.

라이더가 널리 활용되게 하는 라이더만의 강점은 그 강력한 3D 매핑 능력에 있습니다. 앞서 언급한 것처럼 차량 주변 환경에 대한 3D 데이터를 확보하는 것은 완전 자율주행을 구현하는 데 필요한 과정입니다. 그러나 2D 이미지에서 3D 이미지를 도출하는 작업은 실제 운전자 수준의 높은 인지 능력을 갖춘 매우 정교한 머신러닝 모델을 필요로 합니다. 이러한 모델을 도출하기 위해서는 방대한 양의 양질의 데이터, 특히 일반적이지 않은 특정 교통 상황에 대한 데이터를 다수 확보해야 하며, 이러한 데이터가 없으면 머신러닝 모델을 적절한 수준까지 훈련시키는 것이 원천적으로 불가능합니다. 웨이모와 같은 대부분의 기업들이 직면하고 있는 문제점은 바로 이 수준의 머신러닝 모델을 훈련할 수 있을 정도의 방대한 데이터를 확보하는 데 어려움을 겪고 있다는 점입니다. 즉, 이러한 기업들에게 가장 현실적인 방안은 카메라 이미지를 통해 3D 이미지를 도출하기보다는 라이더를 활용해 직접적인 3D 매핑을 진행하는 것입니다. 실질적인 완전 자율 주행을 우선 달성하는 것은 라이다 진영 쪽이 될 수 있습니다. 라이더를 활용하고 있는 웨이모는 이미 2017년도를 기점으로 미국 애리조나주 피닉스에서 보조운전자 없이 차량을 운행해오고 있지만, 테슬라는 2020년 말에야 미국 내에서 완전 자율주행 베타 서비스를 출시하고 있습니다. 하지만 웨이모가 주로 미국 내 테스트에만 주력하는 데 비해 테슬라 차량은 이미 세계 곳곳에서 주행하며 방대한 양의 데이터를 축적하고 있습니다. 고해상도 매핑과 라이다 기술을 기반으로 한 웨이모 측의 완전 자율주행 서비스는 웨이모 측에 의해 충분한 매핑과 머신러닝을 거친 지역에서 보다 빠르게 시작할 수 있을 것입니다. 결국 종국에는 라이다 또는 카메라 사용 여부에 관계없이 두 기술 모두 완전 자율주행을 달성할 수 있을 것으로 보입니다. 웨이모는 현재 미국 피닉스 지역에 대한 정보 수집을 완료하였으며, 이제는 피닉스 이외의 더 다양한 도시/지역에서도 동일한 작업을 진행할 일만 남은 상태입니다. 또한 지금 이 순간에도 지속적으로 개선되고 있는 시각정보 머신러닝 모델은 향후 최종적으로 완전 자율주행을 가능하게 하는 수준까지 발전할 것으로 판단되고 있으며, 이러한 모델이 완성되면 이미 세계 각지에서 다른 경쟁사들에 비해 보다 광범위하고 방대한 양의 데이터를 수집하고 있는 테슬라가 보다 빠르게 완전 자율주행 서비스를 시작할 수 있을 것으로 보입니다. 라이더가 널리 활용되게 하는 라이더만의 강점은 그 강력한 3D 매핑 능력에 있습니다. 앞서 언급한 것처럼 차량 주변 환경에 대한 3D 데이터를 확보하는 것은 완전 자율주행을 구현하는 데 필요한 과정입니다. 그러나 2D 이미지에서 3D 이미지를 도출하는 작업은 실제 운전자 수준의 높은 인지 능력을 갖춘 매우 정교한 머신러닝 모델을 필요로 합니다. 이러한 모델을 도출하기 위해서는 방대한 양의 양질의 데이터, 특히 일반적이지 않은 특정 교통 상황에 대한 데이터를 다수 확보해야 하며, 이러한 데이터가 없으면 머신러닝 모델을 적절한 수준까지 훈련시키는 것이 원천적으로 불가능합니다. 웨이모와 같은 대부분의 기업들이 직면하고 있는 문제점은 바로 이 수준의 머신러닝 모델을 훈련할 수 있을 정도의 방대한 데이터를 확보하는 데 어려움을 겪고 있다는 점입니다. 즉, 이러한 기업들에게 가장 현실적인 방안은 카메라 이미지를 통해 3D 이미지를 도출하기보다는 라이더를 활용해 직접적인 3D 매핑을 진행하는 것입니다. 실질적인 완전 자율 주행을 우선 달성하는 것은 라이다 진영 쪽이 될 수 있습니다. 라이더를 활용하고 있는 웨이모는 이미 2017년도를 기점으로 미국 애리조나주 피닉스에서 보조운전자 없이 차량을 운행해오고 있지만, 테슬라는 2020년 말에야 미국 내에서 완전 자율주행 베타 서비스를 출시하고 있습니다. 하지만 웨이모가 주로 미국 내 테스트에만 주력하는 데 비해 테슬라 차량은 이미 세계 곳곳에서 주행하며 방대한 양의 데이터를 축적하고 있습니다. 고해상도 매핑과 라이다 기술을 기반으로 한 웨이모 측의 완전 자율주행 서비스는 웨이모 측에 의해 충분한 매핑과 머신러닝을 거친 지역에서 보다 빠르게 시작할 수 있을 것입니다. 결국 종국에는 라이다 또는 카메라 사용 여부에 관계없이 두 기술 모두 완전 자율주행을 달성할 수 있을 것으로 보입니다. 웨이모는 현재 미국 피닉스 지역에 대한 정보 수집을 완료하였으며, 이제는 피닉스 이외의 더 다양한 도시/지역에서도 동일한 작업을 진행할 일만 남은 상태입니다. 또한 지금 이 순간에도 지속적으로 개선되고 있는 시각정보 머신러닝 모델은 향후 최종적으로 완전 자율주행을 가능하게 하는 수준까지 발전할 것으로 판단되고 있으며, 이러한 모델이 완성되면 이미 세계 각지에서 다른 경쟁사들에 비해 보다 광범위하고 방대한 양의 데이터를 수집하고 있는 테슬라가 보다 빠르게 완전 자율주행 서비스를 시작할 수 있을 것으로 보입니다.

미래에셋자산운용 컴플라이언스 외부제출 확인필 제21-0532호(2021.5.6) 본 안내물은 청약권유를 목적으로 하지 않으며 청약권유는 투자설명서, 예비투자설명서 또는 간이투자설명서에 따릅니다. · 본 자료에 언급된 기업은 참고용으로 제시되었을 뿐 투자 추천과는 무관함을 밝힙니다. · 집합투자증권은 운용 결과에 따라 투자원금의 손실이 발생할 수 있으며, 그 손실은 투자자에게 귀속됩니다. · 집합투자증권을 취득하기 전에 투자대상, 보수, 수수료 및 환매방법 등에 대한 (간단)투자설명서를 꼭 읽어보시기 바랍니다. · 보수, 수수료 외에 증권거래 비용 등이 추가로 발생할 수 있습니다. · 집합투자증권은 예금자보호법에 따라 손실이 발생할 수 있습니다. · 과세기준 및 과세방법은 향후 세법개정 등에 따라 변동될 수 있습니다. 미래에셋자산운용 컴플라이언스 외부제출 확인필 제21-0532호(2021.5.6) 본 안내물은 청약권유를 목적으로 하지 않으며 청약권유는 투자설명서, 예비투자설명서 또는 간이투자설명서에 따릅니다. · 본 자료에 언급된 기업은 참고용으로 제시되었을 뿐 투자 추천과는 무관함을 밝힙니다. · 집합투자증권은 운용 결과에 따라 투자원금의 손실이 발생할 수 있으며, 그 손실은 투자자에게 귀속됩니다. · 집합투자증권을 취득하기 전에 투자대상, 보수, 수수료 및 환매방법 등에 대한 (간단)투자설명서를 꼭 읽어보시기 바랍니다. · 보수, 수수료 외에 증권거래 비용 등이 추가로 발생할 수 있습니다. · 집합투자증권은 예금자보호법에 따라 손실이 발생할 수 있습니다. · 과세기준 및 과세방법은 향후 세법개정 등에 따라 변동될 수 있습니다.