서론
최근 엔드-투-엔드 (End-to-End) AI 학습으로 지도에 전혀 의존하지 않고 자율주행을 실현하는 기술이 등장함에 따라 고정밀지도(High Definition Map, HD Map)의 필요성에 대한 근본적인 의문이 재점화되고 있다. 상용차의 경우 완전 자율주행 단계로 넘어가기 보다 Level 2/3 수준의 첨단 운전자 보조 시스템(Advanced Driver Assistance System, ADAS)을 장착한 채로 예상보다 오랜기간 지속되고 있기 때문에, 지도 업계도 이에 발맞춰 고비용의 HD Map을 고수하는 전략에서 벗어나 양산 효율성이 높은 ADAS Map과의 이원화 전략을 채택하고 있다. 본 리포트에서는 자율주행 시스템에서 결국 지도가 수행해야 할 역할이 무엇인지 살펴보고, 주요 글로벌 지도 업체들이 어떠한 방법론으로 자율주행용 지도를 만들고 상품화하고 있는지 분석해본다.
자율주행, 지도가 꼭 필요할까?
최근 영국의 자율주행 기업 Wayve와 같이 카메라와 센서 기반으로만 자율주행을 구현하고 상용화하는 곳들이 실제로 생겨나고 있다. 매우 오래된 논쟁이지만, 자율주행에서 지도가 정말로 필요한지, 필요하다면 어떤 역할을 하는지 다시 한 번 짚어보자.
지도 업계의 글로벌 플레이어인 TomTom은 자율주행에 지도가 필요한 이유 11가지를 나열하고 있다.1https://www.tomtom.com/products/orbis-maps-for-automation/ 카메라, 센서, 컴퓨팅 파워가 지금까지 진화한 방향성으로 계속 발전한다는 전제 하에 결국 자율주행에서 지도의 필수 역할로 남을 5가지를 간추려보면 다음과 같다.
고정밀 측위 (High-precision Localization)
지도는 단순히 GPS를 통해 차량 자체의 위치를 파악하는 것을 넘어, 미리 저장된 맵 데이터를 활용하여 주변 사물과 차량의 거리와 관계, 예를 들어 차량이 도로 상에서 정확하게 어느 차선에 위치해 있는지 등을 최대한 정밀하게 인식하도록 도와준다.
안전 경로 계획 (Safe Path Planning)
주행 경로 설정은 차량이 최종 목적지까지 안전하게 도달하기 위한 핵심 기능이다. 도로망 정보, 출발점과 도착점에 대한 위치 정보(Geocoding) 등 지도가 담고 있는 다양한 데이터가 없다면 실행이 불가능하다.
GNSS 방해 구간 대응 (Urban Canyons and Tunnels)
도심 빌딩 밀집 지역이나 터널처럼 GNSS(Global Navigation Satellite System) 신호가 일시적으로 방해받거나 손실되는 구간에서는 차량이 자신의 위치를 파악하기 위한 다른 수단이 필요하다. 이러한 구간에서 자율주행 시스템은 미리 저장되어 있는 고정밀지도에 의존해 주행을 지속하는 것이 안전 상 유리하다.
중복성 제거 및 안전 보장 (Redundancy and Safety Assurance)
자율주행 시스템의 안전을 보장하는 데 있어 지도의 역할은 센서와 독립된 별도의 정보 소스를 제공하는 것이다. 센서 감응 혹은 AI 학습만으로는 100% 포착할 수 없는 예측 불가능한 엣지케이스(Edge Cases) 사고 시나리오를 인간의 분석을 통해 예측하고 관련 정보를 지도상에 탑재할 경우, 운영설계도메인(Operational Design Domain, ODD)을 업데이트할 수 있어 궁극적으로 안전을 보장하는 데 기여한다.
시뮬레이션 (Simulation)
실제 도로 환경을 그대로 구현한 가상 공간에서의 시뮬레이션은 자율주행 차량의 AI를 학습시키고 검증하는 데 필수적인 절차이다. 지도는 이 가상의 공간, 즉 디지털 트윈(Digital Twin) 환경을 만드는 데 반드시 필요한 기반 데이터이다.
항공 안전 모델에서 인용하는 “스위스 치즈 모델(Swiss Cheese Model)”에 비추어 자율주행에서 지도의 역할을 설명해보자. 이 모델은 여러 단계의 조건(안전 레이어)을 통과하는 과정에서 걸러지지 않는 요소 하나가 최종적으로 사고를 유발한다는 논리이다.
업계에서 생각하는 지도의 역할은 자율주행 운행이나 안전성을 100% 보장하는 것이 아닌듯 하다. 대신, 차량의 주행이나 안전 시스템을 구성하는 여러 ‘치즈 레이어’ 중 하나로, 위험 요소를 걸러주는 역할을 하는 것으로 판단된다. 그렇다면 지도 제작자의 목표는 이 치즈 레이어의 구멍을 최대한 작게 만들어 오류의 원인이 빠져나갈 틈을 줄이는 것일테다. 센서 시스템, 그리고 그 센서 데이터로 학습한 주행 패턴과는 독립적인 데이터를 지도가 제공함으로써, 차량의 실시간 시스템이 일시적으로 오류를 일으킬 때 중요한 안정성을 제공하는 핵심 요소가 된다고 정리할 수 있다.
ADAS 맵의 중요성을 결정적으로 공고히 한 요인 중 하나는 유럽 연합(EU)의 규제 환경 변화이다. 유럽에서는 운전자 지원 시스템의 안전 기준 준수가 매우 중요하게 여겨지는데, 그중 핵심이 바로 ISA (Intelligent Speed Assistance)인데, 2024년 7월부터 EU에서 판매되는 모든 신차에 의무적으로 탑재되어야 한다. ISA 시스템은 지도 기반 속도 제한 데이터와 차량 카메라 센서 데이터를 결합하여 운전자에게 속도 제한 정보를 제공하고 경고를 발생시킨다. TomTom과 HERE Technologies 등의 글로벌 지도 업체는 ISA가 필수인 국가의 데이터를 규정에 맞게 제작해 ADAS 맵의 일부로 제공하고 있다.
HD Map vs. ADAS Map
2010년대 후반, 자율주행 지도 시장은 고정밀 지도 개발에 초점을 맞추며 정밀도 경쟁에 돌입하였다. 당시 여러 양산차 OEM들은 Level 4/5 수준의 완전 자율주행차 상용화를 염두에 두고 지도 회사들에게 보다 정확한 HD Map을 만들고, 주요 국가의 커버리지를 빠르게 확대하도록 요청했다.
그러나 2020년대 상반기를 거치며 지도업계는 HD 맵 확장에 다소 소극적인 모습을 보였다. 양산차의 Level 4/5 기술의 상용화가 예상보다 지연되었기 때문이다. 대신 Level 2/3 수준의 ADAS를 탑재한 차량의 생산 및 판매가 장기간 유지되는 상업적 추세가 지속됨에 따라, 따라 지도 업계의 무게 중심은 대규모 양산에 용이하고 규제 준수에 필수적인 ADAS Map으로 이동했다.
HD Map은 제작에 많은 비용이 투입 되기 때문에, 지역적 커버리지가 고객사가 기존에 요청했던 특정 국가의 고속도로나 특정 도심 지역에 한정되어 있다. 반면, ADAS 맵은 제작 비용이 상대적으로 낮아 더 넓은 범위의 도로 네트워크를 커버하고 있어 확장성 면에서 우위를 가진다.
| 특징 | ADAS Map (SD Map 기반 매칭) | HD Map |
| 자율주행 레벨 | Level 1 – Level 3 | Level 4 – Level 5 |
| 핵심 목적 | 운전자 지원 시스템 기능 향상 및 자동차 관련 규제 준수 | 차량의 정밀 측위, ODD 통제, 복잡한 도로 환경에서의 자율주행 안전성 확보 |
| 데이터 정밀도 및 속성 | 도로 단위
(도로 형상, 속성정보 중심, ADASIS V2) |
차선 단위
(차선별 경계선 및 속성정보, 3D 지오메트리, ADASIS V3) |
| 커버리지 | 광범위한 지역 및 국가 | 높은 제작 비용으로 인해 특정 국가, 도시, 주요도로 등 에 한정 |
현재 TomTom, HERE Technologies 등 글로벌 지도 회사들은 기존 2D 지도(Standard Definition Map)에 매칭한 ADAS 속성과 높은 정밀도를 가진 HD Map, 두 가지 큰 제품군을 병렬적으로 만들어 제공하고 있다.
TomTom은 ADAS 정보를 기반으로 회사의 핵심 제품인 API 와 내비게이션 SDK를 제공한다. 또한 주요 솔루션으로 Virtual Horizon도 선보이고 있다.2https://www.tomtom.com/products/virtual-horizon/ 이는 ADASIS V2 통신을 지원하며, 차량의 향후 경로를 예측하여 연관된 ADAS/AD 정보를 전달하고 온보드에 표시할 수 있게 돕는다. 반면, HD Map 기반의 RoadCheck 솔루션은 ODD에서 자율주행 시나리오를 만들고 통제하는 데 도움을 주는 목적으로 활용된다.3https://www.tomtom.com/products/roadcheck/
HERE Technologies도 데이터 API 및 내비게이션 SDK를 제공하면서, 자율주행 지원에 있어서는 HD Live Map이라는 이름으로 세 가지 레이어로 나누어 제품군을 구성하고 있다. 이는 Level 3 이상의 자율주행 시스템이 요구하는 데이터의 정밀도와 기능 세분화 시킨 것이다.4https://assets.here.com/x7rx8ayph7ee/76cb2704-9a3e-4e0a-b969-d4ace55005de/4a99b2d6acbcf7d8b88fbf8e7fa3ba18/here_hd_live_map_product_one_pager.pdf
HD Localization Model
– 차선, 고정 물체 위치 정보 (표지판, 기둥, 방호벽, 교량/터널 면) 포함
– 정확한 차량 포지셔닝 및 경로 예측 향상에 활용
HD Lane Model
차선 토폴로지, 차선 경계, 레인 레벨 ADAS 속성 포함
차선 단위 주행 계획 및 차량 제어에 활용
HD Road Model
도로 네트워크, 곡률, 경사, 속도 제한 등 속성 포함
로컬 환경에 맞는 ODD 제작에 활용자율주행용 지도 제작 방법의 비교
자율주행에 활용되는 지도를 제작하는 플레이어는 데이터를 수집하고 처리하는 방식에 따라 크게 두 가지 카테고리로 나눌 수 있다 각 기업들은 자신들의 상업적 목표와 기술 철학에 따라 한 가지 방법론을 따르거나 또는 하이브리드 방식으로 운영하고 있다. 여기에 더해 지도에 전혀 의존하지 않는다는 자율주행 업체도 한 가지 방법론으로 별도 구분하여 알아본다.
전통적인 필드 컬렉션 (Traditional Field Collection)
전통적인 필드 컬렉션 방식은 라이다(LiDAR) 장비를 부착한 모바일 맵핑 차량을 직접 도로에 주행시켜 3D 포인트 클라우드를 수집하여 지도를 만드는 접근법이다. 고정밀 지도를 만들기 유리하지만 소요 비용이 높은 특징이 있다.
일본의 DMP(Dynamic Map Platform)가 미국의 Ushr를 인수한 후 북미 HD Map 사업에 집중하고 있는데, 주로 이 방법으로 지도를 만들고 있다. DMP는 개별 클라이언트가 요청하는 사양에 맞춰 정확도 높은 HD 맵을 제작 및 공급하는 데 초점을 맞춘다. 예를 들어, GM의 수퍼 크루즈(Super Cruise)와 같은 핸즈프리 드라이빙 기술의 안전성 및 신뢰성을 확보하는 데 필수적인 현실세계 (Ground Truth) 데이터를 제공한다. 크라우드 소싱 업데이트 방식을 별도로 활용하지 않으며, 미리 제작해 둔 맵을 플랫폼이나 서비스 형태로 다양한 고객사에 판매를 하는 방식도 아니다. DMP는 북미 시장 외에도 유럽, 한국, 일본의 고속도로와 간선도로 위주로 HD Map 커버리지를 확장하며 글로벌 자동차 자율주행 시장을 공략하고 있다.5https://www.businesswire.com/news/home/20250824680583/en/Dynamic-Map-Platform-Expands-North-American-HD-Map-Coverage-to-950000-Miles
크라우드 소싱 기반 데이터 수집
크라우드 소싱 방식은 다수의 양산 차량에 탑재된 센서(주로 카메라)에서 얻은 데이터를 활용해 지도를 만들고 업데이트하는 방법이다. Mobileye가 이 분야의 대표 주자이다. REM (Road Experience Management) 이라는 방식을 통해 전 세계 차량에서 데이터를 수집하고, 이를 로드북(RoadBook)으로 만들어 지도 제작 및 업데이트에 활용한다. 다른 지도회사가 이미 만들어놓은 데이터와 섞지 않고 순수하게 REM을 통해 지도를 만드는 독립형 시스템을 구축했는데, 자체 데이터 생태계를 통해 지도의 정확도와 완성도를 높이려는 전략이라고 볼 수 있다.
Mobileye는 True Redundancy라는 독특한 모델을 통해 안전성을 확보한다. 이는 일반적으로 모든 소스의 데이터를 퓨전(통합)하는 방식과 다르다. Mobileye는 카메라에서 수집된 정보만으로 하나의 월드 모델(World Model)을 만들고, 레이더와 라이다에서 수집된 정보로 또 다른 독립적인 월드 모델을 만든다. 이렇게 각기 독립적으로 작동하는 두 개의 월드 모델에서 지도의 규칙(Rule)을 추출하고, 이를 기반으로 정책(Policy)을 생성하여 최종 지도를 생성한다.
이렇게 만들어진 맵은 자율주행 단계별로 필요한 ADAS 또는 HD 지도 속성을 뽑아내어 특성에 맞는 패키징으로 제공된다.6https://www.mobileye.com/solutions/ Mobileye는 OEM과의 협력을 통해 이 생태계를 확장하고 있다.
하이브리드 방식
TomTom, HERE, 그리고 구글의 Waymo를 포함한 여러 글로벌 플레이어들은 전통적인 필드 컬렉션과 크라우드 소싱 방식을 혼용하는 하이브리드 모델을 채택하고 있다.
이들은 일반적으로 라이다 등 고정밀 장비를 이용한 필드 컬렉션을 통해 정밀하고 안정적인 HD Map의 기본 판을 구축한다. 이후, 양산 차량에서 수집되는 센서 데이터를 활용하여 지도를 자동으로 업데이트하는 크라우드 소싱 방식을 결합한다. 이 하이브리드 전략은 고정밀 데이터의 신뢰성과 실시간 변화를 반영하는 신속성 사이의 균형을 맞추기 위한 현실적인 해법으로 자리 잡았다.
TomTom은 전통적인 필드 컬렉션 방법론과 크라우드 소싱 방법론을 혼용하여 ADAS 맵과 HD 맵을 구분하여 제작 및 판매한다. 기본 지도 데이터는 라이다가 장착된 모바일 맵핑 차량을 통해 수집되며, 이후 3백만 대 이상의 차량에서 수집되는 센서 데이터를 활용하여 데이터를 최신성을 높이는 방식을 취한다. 고객사에서 제품을 사용하면 센서 데이터가 자동으로 수집되는 방식으로 자체 생태계를 키워나가고 있다.
TomTom은 지난 해 오픈스트리트맵(OSM)을 기반으로 만든 Orbis Map으로 지도의 기본 판형을 변경하였다. 이 Orbis 지도 위에 HD Layer (3D Lane Geometry) 또는 ADAS Layer (도로 네트워크 상 ADAS 피처의 속성 정보)를 각각 얹어서 활용할 수 있도록 설계하였다. 지도 데이터를 언제나 고정된 형태의 패키지로 제공하는 것이 아니라, 고객 요구에 따라 유연하게 레이어를 조합하여 제공할 수 있는 모듈형 서비스 플랫폼으로 변화한 것이다.
HERE Technologies 역시 라이다 기반의 데이터 수집과 함께, 차량에서 수집되는 센서 데이터를 통해 자동으로 업데이트되는 셀프 힐링 맵 (Self-Healing Map) 방식을 취하며 HD와 ADAS Map 기반의 제품을 만든다. HERE의 ADAS Map은 TomTom과 유사하게 ADASIS V2를 서포트하는 정도의 데이터 속성을 포함하고 있다.
Google의 자회사인 Waymo는 로보택시 운행에 필요한 HD Map을 직접 제작하고 활용한다. 서비스를 운영하는 지역이 이미 정해져 있으므로, 해당 지역의 도로 정보를 라이다를 통해 수집해 지도를 제작하고 이후 로보택시에서 수집되는 센서 데이터로 지속적으로 업데이트하는 특정 서비스 중심의 하이브리드 방법론이다.
Google Maps Platform에는 현재 HD Map 제품군이 없지만, ADAS 맵으로 OEM과의 파트너십을 진행한 예가 있다. 2023년 볼보, 폴스타와의 파트너십을 공식적으로 발표하며 이들 차량의 파일럿 어시스트 기능에 Google의 지도 데이터를 제공한다고 밝혔다. 또 다른 자회사인 Waze는 커뮤니티 기반 크라우드소싱 데이터를 통해 실시간 교통 및 도로 위험 정보를 제공한다. 다른 업체들처럼 정교한 지도 데이터를 제작하는 것은 아니지만, ADAS Map의 자율주행 보조 기능과 유사한 역할을 하는 데이터 항목이 존재한다고 볼 수 있다.
지도에 의존하지 않는 자율주행 (Map Free) 방식
맵 프리(Map Free) 방식은 자율주행 시스템을 구현함에 있어 지도에 전혀 의존하지 않는다는 방법론이다. 영국의 자율주행 기업인 Wayve는 HD Map에 대한 의존성을 배제하고, 차량 센서 데이터와 엔드-투-엔드(End-to-End AI) 학습만을 통해 자율주행 제어를 완벽하게 수행할 수 있다고 공언한다.
이 접근법은 기존의 HD Map 제작 방식이 가지는 높은 초기 투자 비용, 복잡한 인프라 구축, 그리고 업데이트 및 유지보수 비용 문제를 회피할 수 있다는 장점이 있다. 소프트웨어 확장만으로 글로벌 서비스가 가능하다는 비즈니스 모델의 잠재력 덕분에 Nvidia, Uber 등 주요 기술 기업으로부터 대규모 투자를 유치했다. 만약 Wayve의 AI 기반 솔루션이 지도 기반 시스템과 동등하거나 우월한 안전성과 신뢰성을 가졌다는 점을 증명한다면, 이는 HD Map 구축 산업의 장기적인 생존성에 근본적인 질문을 던지게 될 것이다. 그러나 아직 초기 단계인 만큼 조금 더 발전과정을 지켜볼 필요가 있다.
Tesla는 공식적으로는 카메라 기반의 FSD(Full Self-Driving)를 운영하며 맵 프리에 가까운 전략을 표방해 왔다. 그러나 실질적으로는 차량으로부터 수집되는 센서 데이터를 통해 자체적인 고정밀 지도 레이어를 개발해 사용하고 있다는 소문도 있어 확인이 필요한 지점이다.
결론
맵 프리를 표방하는 AI 기반 자율주행 솔루션이 시장의 주목을 받고 있는 상황에서, 자율주행에 지도가 정말 필요한지에 대한 의문이 다시 제기되는 것은 사실이다. 그러나 아직까지는 ISA와 같은 규제 준수 및 시스템 안정성 확보 측면에서 지도가 여전히 중요한 역할을 수행하고 있는 것도 맞다. 지도 제작업체 입장에서는 자율주행 용 지도 제작 및 유지보수 비용을 얼마나 절감하고, 업데이트 주기를 빠르게 가져갈 수 있는지가 관건이다. 사용자 측면에서는 필요한 지도 데이터를 정확히 파악하고 최적화된 솔루션을 선택하여, 빠르게 변화하는 환경에 효율적으로 대응할 수 있도록 준비하는 것이 전략적인 방법이다.
어피스오브맵(주)와 상의해보세요.
차량이나 모바일 디바이스를 대량으로 운영하고 계신가요? 디바이스에서 수집되는 공간정보 데이터의 숨은 가치를 찾아 새로운 수익 모델을 찾아드립니다.
새로운 공간정보 데이터를 찾고 계신가요? 조건에 맞는 가장 최적화 된 데이터를 찾아 매칭 해드립니다. 시장 조사에서 기술 평가, 계약까지 원스톱으로 진행합니다.
