End-to-End
Autonomous Driving AI
End-to-End 방식으로 구현된 자율주행 모델로, 주행 안전부터 주행·주차 기능까지 통합적으로 제공합니다. 외부 인프라 의존성을 최소화한 설계를 통해 다양한 차종에 유연하게 적용 가능하며, 범용 센서만으로 주변 환경을 인식하고 주행 경로를 생성해 시스템 복잡도와 비용을 효과적으로 줄입니다.
또한 자율주행 시스템의 인식 결과와 판단 근거를 사용자에게 제공하는 설명 가능 구조를 갖추고 있으며, 주행 중 발생할 수 있는 이상 상황에 대응하는 자가 수복 로직을 통해 최적의 상태를 유지하고 안정적인 자율주행 경험을 제공합니다.
End-to-End 방식으로 구현된 자율주행 모델로, 주행 안전부터 주행·주차 기능까지 통합적으로 제공합니다. 외부 인프라 의존성을 최소화한 설계를 통해 다양한 차종에 유연하게 적용 가능하며, 범용 센서만으로 주변 환경을 인식하고 주행 경로를 생성해 시스템 복잡도와 비용을 효과적으로 줄입니다.
또한 자율주행 시스템의 인식 결과와 판단 근거를 사용자에게 제공하는 설명 가능 구조를 갖추고 있으며, 주행 중 발생할 수 있는 이상 상황에 대응하는 자가 수복 로직을 통해 최적의 상태를 유지하고 안정적인 자율주행 경험을 제공합니다.
Autonomous Driving AI Model Architecture
Autonomous Driving AI는 센서, 내비게이션 경로, 차량의 모션 정보를 입력으로 받아 주행 의도와 계획으로 변환하고,
이를 차량 제어 신호로 출력하는 end-to-end 구조로 구현되어 있습니다.
기능별로 구분된 다섯 개의 모듈이 역할을 분담하는 구조로 설계되어, 확장성과 변경 용이성을 확보했으며
다양한 주행 환경에서도 성능과 안정성의 균형을 유지합니다.
• Perception: 센서를 통해 입력되는 외부 환경 정보를 처리합니다.
• Prompting: 사용자의 의도에 맞춰 시스템이 동작하도록 각종 신호를 처리합니다.
• World Model(Driving WM): 물리 법칙과 인과 관계를 기반으로 주변 환경을 이해하고 예측하며, 이를 바탕으로 주행 계획과 차량 제어 명령을 생성합니다.
• Memory: 단기 및 장기 기억을 관리하여 일관되고 안정적인 출력이 이루어지도록 지원합니다.
• Guardrail: 제어 명령 이전 단계에서 작동하며, 각 국가의 교통 법규를 준수하고 예측 가능한 제어를 보장하기 위한 정책 기반 안전 계층으로 설계되었습니다.
Training Physical AI Models
Data flywheel 전략을 통해 실도로에서 수집되는 다양한 edge case의 시나리오를
지속적으로 학습하며 성능을 강화합니다. 자동화된 MLOps 파이프라인을 기반으로 취약 구간을 분석하고,
대규모 GPU 자원을 활용해 모델 학습과 평가를 효율적으로 수행합니다.
또한 새롭게 학습된 모델은 정밀한 회귀 테스트를 거쳐 배포되며,
이러한 반복적 학습 구조를 통해 짧은 주기로 성능을 지속적으로 개선합니다.
Next Page
Human-Like
Agentic AI
