Helm.ai Driver, 비전만으로 도심 자율주행 구현…L2+~L4 확장성 확보

비전 전용 맵리스 스택으로 L2+~L4까지 확장

회사에 따르면 Helm.ai Driver는 고정밀 지도나 라이다에 의존하지 않고도 복잡한 도심 주행을 자연스럽게 수행하는 비전 전용 맵리스 소프트웨어 스택입니다. 단일 기반 모델을 바탕으로 즉시 고급 L2+ 기능을 제공하고, 동일한 아키텍처로 하드웨어와 규제가 성숙함에 따라 인증된 L3 ‘아이즈오프’와 L4까지 단계적으로 확장하도록 설계됐습니다. 레드우드시티 도심 데모에서는 교차로 좌·우회전, 복잡한 신호 준수, 도로 이용자와의 상호작용을 안전요원 감독하에 시연했습니다. 전체 보도자료와 영상은 Business Wire(https://www.businesswire.com/news/home/20260225868470/en/)에서 확인할 수 있습니다.

Helm.ai Driver 아키텍처: 맵리스·비전 퍼스트

핵심은 ‘팩터드 임바디드 AI(Factored Embodied AI)’입니다. 자율주행을 퍼셉션(지각)과 폴리시(주행 의사결정) 두 층으로 분해해 해석 가능성을 확보합니다. 퍼셉션이 원시 센서 데이터를 시맨틱 분할과 3D 정보로 구조화하고, 엔드투엔드 폴리시 모델은 픽셀 대신 이 ‘시맨틱 기하’를 입력으로 도로 구조와 교통 규칙을 추론합니다. 이 방식은 인터넷 규모 데이터로의 대규모 학습을 열어주고, 폴리시 학습의 데이터 효율을 높여 ‘데이터 월’을 넘도록 돕습니다. 동시에 ISO 26262를 염두에 둔 투명하고 감사 가능한 소프트웨어 기반을 제공해 L2+에서 L3/L4로의 안전 인증 경로를 뒷받침합니다.

Deep Teaching·시맨틱 시뮬레이션으로 데이터 효율 극대화

전통적 접근이 막대한 자본과 수백만 마일의 주행 데이터를 요구하는 데 비해, 회사는 자사 계획기가 약 1,000시간의 실주행 데이터로 도심 성숙도를 달성했다고 밝혔습니다. 이를 가능케 한 것은 대규모 비(非)주행 영상 등 쉽게 구할 수 있는 데이터에서 라벨 없이 학습하는 독자적 비지도 학습 기법 ‘Deep Teaching’과, 포토리얼 렌더링 부담 없이 사실상 무한대의 기하 시나리오를 생성해 학습하는 시맨틱 시뮬레이션입니다. 픽셀이 아닌 세계의 ‘시맨틱 기하’에 모델을 학습시킴으로써 시간·비용 장벽을 낮춥니다.

Helm.ai Driver 제로샷 일반화

대량 양산차용 자율주행의 관건은 지도나 수작업 튜닝 없이 ‘처음 보는’ 지역을 다루는 능력입니다. Helm.ai Driver는 로스앤젤레스권 토런스에 소프트웨어를 배포해 지역 특화 학습 없이 ‘제로샷’ 자율 조향을 시연하며 지리적 일반화 가능성을 확인했습니다. 이로써 제조사는 도시별 데이터 수집이나 지오펜싱 비용 부담 없이 L2+에서 L4 기능까지 전 세계로 확장할 수 있는 길을 모색할 수 있습니다.

‘데이터 월’과 안전 인증을 동시에 겨냥

업계가 희귀한 엣지케이스 데이터를 기하급수적으로 더 필요로 하는 ‘데이터 월’에 직면한 가운데, 팩터드 설계는 데이터 효율과 해석 가능성을 동시에 해결합니다. 모놀리식 픽셀-투-컨트롤 E2E 모델의 블랙박스성 한계를 피하고, 감사 가능한 계층 구조로 L3 이상 안전 인증 요구에 부합하는 설명력을 제공합니다.

적용·검증 현황과 파트너십

레드우드시티 도심 주행 데모는 표준 시험·검증 프로토콜에 따라 안전요원이 감독하는 가운데 진행됐습니다. 회사는 글로벌 완성차와 양산 연계 프로그램을 추진 중이며, ‘비전 퍼스트’ 접근을 통해 오늘의 고급 L2+를 제공하는 동시에 향후 L3/L4 전환을 위한 ‘소프트웨어 브레인’을 양산형 컴퓨팅 플랫폼 위에 구현한다는 전략을 제시합니다.