로보택시는 왜 아직도 '곧 나온다'고만 할까: 여전히 해결되지 않은 인식 기술의 한계

로보택시는 더 이상 개념이 아니다. 실제 도로 위에서, 실제 도시에서, 돈을 내는 승객을 태우고 달리고 있다.

Waymo는 미국 6개 주요 도시에서 주당 40만 건 이상의 유료 탑승을 기록하며, 로보택시 상용화의 가장 명확한 사례 중 하나로 자리잡았다. ^[1] 기술은 시연에서 초기 상용화의 문턱을 넘었다. 다만 대규모 확장은 여전히 철저하게 검증된 운행 영역 안에서만 이루어지고 있다.

그럼에도 서비스 확대는 신중하고, 운행 지역도 제한적이다. 새로운 도시에 진입하려면 수개월의 매핑, 규제 승인, 성능 검증 과정을 거쳐야 한다. 기술은 현실이지만, 진정한 무제한 자율 운행으로 가는 길은 처음 예상했던 것보다 길다. 결국 핵심은 퍼셉션이다. 주행 조건이 이상적이지 않을 때 차량이 주변 환경을 얼마나 정확히 인식할 수 있는지, 그리고 사람이 개입할 수 없는 상황에서 무슨 일이 벌어지는지의 문제다.

카메라와 LiDAR가 어려움을 겪는 조건들

오늘날 대부분의 로보택시 시스템은 카메라, LiDAR, 레이더의 조합에 의존한다. 카메라는 고해상도 시각 정보를 제공하지만 근본적으로 광학 센서다. 비, 안개, 눈, 역광은 이미지 품질을 떨어뜨리고 감지 신뢰도에 영향을 준다. LiDAR 역시 광학 센서다. 악천후 조건에서 후방 산란과 신호 감쇠로 포인트 클라우드에 노이즈가 생기고, 정확한 인식이 가장 필요한 순간에 오히려 정확도가 떨어진다. ^[2]

EU의 자동화 및 무인 차량 안전 프레임워크도 이 현실을 반영한다. 정해진 운행 조건 내에서의 승인, 검증, 안전성을 강조하며, 이상적이지 않은 날씨와 조명 환경에서도 안정적으로 작동하는 인식 시스템의 필요성을 뒷받침한다. ^[3] LiDAR 기반 스택과 비전 우선 아키텍처 간의 기술적 논쟁은 아직 결론이 없다. 하지만 다수의 레벨4 운영사들 사이에서는, 단일 모달리티 의존이 아닌 센서 이중화가 더 복잡한 운행 환경으로 안전하게 확장하는 핵심 방향으로 자리잡고 있다. ^[4]

레이더의 역할이 커지는 이유

레이더는 밀리미터파 주파수 대역에서 작동하며 가시광선에 의존하지 않는다. 카메라와 LiDAR의 성능을 떨어뜨리는 조건에 상대적으로 덜 민감하다. 비, 안개, 눈, 어둠은 광학 센서의 인식을 제한하지만, 레이더는 악천후에서도 보완적인 인식 수단으로 널리 활용된다. 자율주행 시스템에서 레이더의 가치는 카메라, LiDAR와 함께 더 넓은 센서 퓨전 아키텍처의 일부로 결합될 때 가장 잘 발휘된다. ^[4]

선도적인 레벨4 운영사들도 같은 결론을 내렸다. Waymo의 6세대 드라이버는 카메라 13개, LiDAR 4개, 레이더 6개를 탑재한다. 차량 주변을 겹겹이 커버하고 더 복잡한 환경에서도 운행을 지원하기 위해 설계된 구성이다. ^[5] 4D 이미징 레이더는 거리, 방위각, 속도 측정에 고도 데이터를 더한다. 인식 시스템이 3차원 공간에서 물체의 위치와 움직임을 더 정확하게 파악할 수 있도록 돕는다.

배포 속도가 신중한 이유

로보택시 업계는 성장하고 있다. 하지만 오늘날의 도시 단위 신중한 접근 방식은, 퍼셉션 신뢰성의 현재 위치에 대한 현실적인 평가를 반영한다. 아무리 발전된 시스템이라도 더 넓은 지역과 더 복잡한 주행 환경으로 확장하려면 지속적인 검증과 모니터링, 개선이 필요하다. 재무적 규모화와 광범위한 시장 수익성도 아직 해결된 문제가 아닌, 중장기 목표로 남아 있다.

남은 퍼셉션 격차를 좁히는 데 필요한 센서, 아키텍처 그리고 데이터는 이미 존재한다. 지금 업계가 풀어가고 있는 건 이를 안정적으로 통합하고, 대규모로 검증하고, 상용 배포를 뒷받침할 운영 인프라를 구축하는 과정이다. 로보택시가 '곧 나온다'는 말을 벗어나 그냥 '있는 것'이 되는 시점은 바로 이 과정의 속도에 달려 있다.

퍼셉션 스택에서 4D 레이더의 역할

로보택시 퍼셉션의 남은 과제들은 어느 하나의 센서나 솔루션이 단독으로 해결할 수 있는 문제가 아니다. 더 강건한 센서, 더 나은 센서 퓨전 그리고 센서가 만들어내는 데이터에 대한 더 넓은 접근이 함께 필요하다.

비트센싱의 AIR4D는 그 방정식의 한 부분을 담당하도록 설계되었다. 자율주행 플릿 배포를 위한 고해상도 4D 이미징 레이더로, 포인트 클라우드, 도플러, ADC 수준의 원시 데이터에 완전한 접근을 제공한다. AV 개발팀이 실제 센서 데이터로 퍼셉션 모델을 훈련하고 개선할 수 있도록, 그리고 평균 13W의 낮은 전력 소비와 낮은 열 발생으로 장기적인 플릿 운용에서의 안정성을 지원한다. ^[6]

‍

Reference

^[1]  Waymo raises $1.6 billion investment round as it scales autonomous ride-hailing. Waymo Blog (2026).

^[2]  Evaluating LiDAR Perception Algorithms for All-Weather Autonomy. Sensors, MDPI (2025).

^[3] Vehicle safety and automated/connected vehicles. European Commission.

^[4] Sensor and Sensor Fusion Technology in Autonomous Vehicles: A Review. Sensors / PMC (2021).

^[5] Meet the 6th-generation Waymo Driver. Waymo Blog (2024).

^[6]  AIR4D Imaging Radar: A 4D Radar Purpose-Built for Autonomous Vehicles. bitsensing Blog (2026).