주목받고 있는 자율주행차 스타트업 Waabi

(2021.06.12.) 자율주행차 분야에서 스타트업 창업은 최적의 시기가 아니다. 하지만 이런 침체 속에서 토론토에 본사를 둔 자율주행차 스타트업 Waabi는 우버, 8VC, 래디컬벤처스, 오메르스벤처스, BDC, 오로라 이노베이션이 주도하는 시리즈A 펀딩 라운드에서 8,350만달러라는 엄청난 액수의 투자 지원을 받았다. 학계 및 응용 AI 커뮤니티에서 영향력이 큰 인공지능 과학자 제프리 힌튼, 페이페이 리, 피터 애브벨, 산자 피들러도 이 회사의 재정 후원자이다.

 

더 나은 머신 러닝 알고리즘 및 시뮬레이션

Waabi가 제공한 보도자료에 따르면 "기존의 자율주행차 엔지니어링 방식은 AI를 충분히 활용하지 못하고 복잡하고 시간이 많이 소요되는 수동 튜닝이 필요한 소프트웨어 스택으로 귀결된다. 이로 인해 확장은 비용이 많이 들고 기술적으로 까다로워진다. 특히 덜 빈번하고 예측할 수 없는 운전 시나리오를 해결할 때 더욱 그렇다"고 소개하고 있다.

 

선도적인 자율주행차 회사들은 딥러닝 모델을 훈련하기 위해 실제 도로에서 수백만 마일을 운전해 왔다. 실제 도로 훈련은 물류와 인적 자원 측면에서 모두 비용이 많이 든다. 자율주행차 시험을 둘러싼 법률이 관할권마다 다르기 때문에 법적 난제로 고생하고 있다. 그러나 모든 교육에도 불구하고 자율주행차 기술은 훈련 데이터에 포함되지 않은 드문 상황인 corner case를 처리하기 위해 고군분투하고 있다. 이러한 증가하는 도전은 현재의 자율주행 자동차 기술의 한계를 말해준다.

 

Waabi는 이러한 과제를 해결하기 위해 "AI 우선 접근 방식은 딥러닝, 확률적 추론 및 복잡한 최적화를 활용하여 엔드 투 엔드 훈련 가능하고 해석 가능하며 매우 복잡한 추론이 가능한 소프트웨어를 개발한다. 이는 전례 없는 수준의 충실도를 가진 혁신적인 폐쇄 루프 시뮬레이터와 함께 일반적인 주행 시나리오와 안전에 중요한 에지 케이스의 규모로 시험을 가능하게 한다. 이러한 접근 방식은 실제 환경에서 테스트 마일리지를 주행해야 하는 필요성을 크게 줄여주며, 결과적으로 보다 안전하고 경제적인 솔루션이 될 수 있다."

 

"AI 우선 접근 방식"은 더 나은 머신 러닝 모델을 만드는 데 더 중점을 두고 라이다, 레이더, 매핑 데이터 같은 보완 기술을 줄이는 것을 의미한다고 생각한다. 소프트웨어 집약적인 스택의 이점은 기술 업데이트 비용이 매우 낮다는 것이다. 그리고 과학자들이 자율주행 AI의 한계를 피할 수 있는 방법을 계속 찾고 있기 때문에 앞으로 많은 업데이트가 있을 것이다.

 

대부분의 딥러닝 시스템은 비확률적 추론을 사용한다. 결과에 대한 불확실성 수준을 제공하지 않고 범주 또는 예측 값과 같은 출력을 제공한다. 반면 "딥러닝, 확률적 추론 및 복잡한 최적화"의 조합은 추론의 신뢰성을 제공하며, 이는 운전과 같은 중요한 응용 분야에서 매우 유용할 수 있다.

 

"엔드 투 엔드 학습 가능" 머신 러닝 모델은 수동 설계 기능이 필요하지 않다. 이는 일단 아키텍처를 개발하고 손실 및 최적화 기능을 결정하면 기계 학습 모델에 훈련 예시를 제공하기만 하면 된다는 것을 의미한다. 대부분의 딥러닝 모델은 종단 간 훈련이 가능하다. 더 복잡한 아키텍처 중 일부는 훈련 가능한 구성요소와 함께 수작업으로 설계된 특징과 지식의 조합을 필요로 한다.

 

마지막으로, "해석가능성(interpretability) "과 "추론(reasoning)"은 딥러닝의 주요 과제 중 하나이다. 심층 신경망은 수백만, 수십억 개의 매개 변수로 구성된다. 이로 인해 문제가 발생했을 때(또는 나쁜 일이 일어나기 전에 문제를 발견하는) 문제를 해결하기가 어려워지는데, 이는 자동차 운전과 같은 중요한 시나리오에서 실질적인 과제가 될 수 있다. 반면 추론 능력과 인과적 이해의 부족으로 인해 딥러닝 모델은 이전에 보지 못한 상황을 다루기가 매우 어렵다.

 

테크크런치가 보도한 Waabi 출시 소식을 보면, 라켈 우르타산 대표는 회사가 사용하는 AI 시스템을 '알고리즘 계열'이라고 표현했다. 테크크런치는 "개발자는 AI 시스템의 의사 결정 프로세스를 추적하고 사전 지식을 통합할 수 있으므로 AI 시스템에 처음부터 모든 것을 가르 칠 필요가 없다"고 썼다.

 

자율주행 딥러닝 모델 훈련의 중요한 요소인 시뮬레이션 (출처 : CARLA) 

 

폐쇄 루프 시뮬레이션 환경은 실제 도로로 실제 자동차를 보내는 것을 대체하는 것이다. 더 버지와의 인터뷰에서, Waabi는 시뮬레이션에서 학습하도록 전체 시스템을 훈련시킬 수 있고, 시뮬레이션에서 일어나는 일과 실제 현실에서 일어나는 일을 실제로 연관시킬 수 있는 정도의 시뮬레이션을 제작할 수 있다고 말했다.

 

대부분의 자율주행차 업체들은 시뮬레이션을 딥러닝 모델의 훈련 시스템의 일부로 사용하고 있다. 하지만 실제와 똑같은 시뮬레이션 환경을 만드는 것은 사실상 불가능하기 때문에 자율주행차 업체들이 강도 높은 도로 주행 테스트를 계속하고 있다. 웨이모는 2,000만 마일의 실제 도로 주행 테스트를 수행하기 위해 최소 200억 마일의 모의 주행을 보유하고 있으며, 이는 업계 최고 기록이다. 

 

MP3 자율주행 신경망 확률론적 딥러닝

 

토론토대 컴퓨터과학부 교수이기도 한 우르타산 대표의 학술연구를 살펴보면, 'MP3: 매핑, 인식, 예측 및 계획을 위한 통합 모델'이라는 제목의 이 논문은 Waabi의 출시 보도 자료에서 설명한 것과 매우 가까운 자율주행 접근 방식을 논의한다. MP3는 확률적 추론을 사용하여 풍경 표현을 만들고 자율주행차에 대한 모션 계획을 수행하는 딥러닝 모델이다. 연구자들은 MP3를 "해석이 가능하고, 정보 손실이 발생하지 않으며, 중간 표현의 불확실성에 대한 이유와 같은 지도 없는 주행에 대한 종단 간 접근법"이라고 설명한다. 또한 논문에서 연구자들은 "환경의 정적 및 동적 부분을 모델링하기 위한 확률적 공간 계층"의 사용에 대해 논의한다. MP3는 종단 간 훈련이 가능하며 라이다 입력을 사용하여 장면 표현, 미래 상태 예측 및 계획 궤적을 생성한다. 머신러닝 모델은 웨이모와 같은 기업들이 자율주행 차량에 사용하는 정교한 매핑 데이터가 필요하지 않게 한다.

 

상업화에 대한 보수적인 접근 방식

Waabi의 첫 번째 애플리케이션은 리프트나 우버 앱으로 주문할 수 있는 승용차가 아니라 고질적인 운전자 부족과 만연한 안전 문제로 자율주행 기술이 가장 크고 신속한 영향을 줄 수 있는 산업인 물류, 특히 장거리 트럭에 Waabi 소프트웨어를 배치하는 데 주력할 것이다. 고속도로 설정이 도시 지역보다 훨씬 더 예측 가능하기 때문에 해결하기 쉬운 문제라는 것이다. 이를 통해 에지 케이스(예: 자동차 앞쪽에서 달리는 보행자)가 덜 노출되고 시뮬레이션이 더 쉬워진다. 자율주행 트럭은 도시 간 화물을 운송할 수 있고, 인간운전자들은 도시 안에서 배달을 돌볼 수 있다.

 

리프트와 우버가 자체 로보택시 서비스를 출시하지 못하고, 웨이모가 완전운전자 없는 웨이모원을 확장 가능하고 수익성 높은 사업으로 전환하지 못하고 있다. 자동차 및 자율주행 자동차 회사의 최고 경영자들은 끊임없이 완전한 운전자 없는 기술의 제공에 대한 마감 시한을 제시해 왔지만 그 마감시한들 중 어느 것도 충족되지 않았다. 아직 더 복잡한 애플리케이션이 손에 잡히지 않는 상황에서 자율주행 기술이 트럭, 산업단지, 공장 등 보다 전문화된 환경에 진출할 것으로 기대해본다.

 

 

[출처]

https://bdtechtalks.com/2021/06/10/waabi-self-driving-car/

What Waabi’s launch means for the self-driving car industry

 

Editor Lucy