Helm.ai 드라이버, 비전만으로 도시 자율 주행 달성, 레벨 2+부터 레벨 4까지 확장성 확보

Helm.ai, 자율주행 AI 소프트웨어 역량 대폭 강화 레드우드 시티, 캘리포니아 – 자율주행 및 로봇 자동화 분야의 선도적인 AI 소프트웨어 제공업체인 Helm.ai가 오늘 생산 준비가 완료된 비전 전용 소프트웨어 스택인 Helm.ai Driver의 주요 기능 확장을 발표했습니다. 이 솔루션은 고급 레벨 2+ 시스템부터 레벨 4 도시 자율주행까지 원활하게 확장 가능하도록 설계되었습니다. Helm.ai의 독자적인 Factored Embodied AI 아키텍처를 기반으로 구축된 이 시스템은 고해상도(HD) 지도나 라이다 센서에 의존하지 않고 복잡한 도시 교통 상황에서 인간과 유사한 수준의 원활한 주행을 제공합니다. 핵심 기반 모델이 레벨에 구애받지 않기 때문에 자동차 OEM은 즉시 고급 레벨 2+ 시스템을 배포할 수 있으며, 하드웨어 및 규제 로드맵이 발전함에 따라 동일한 소프트웨어 아키텍처를 활용하여 인증된 레벨 3 "눈 떼기" 및 레벨 4 완전 자율 기능을 구현할 수 있습니다. 이번 발표를 기념하여 Helm.ai는 캘리포니아 레드우드 시티의 도시 환경을 주행하는 Helm.ai Driver의 시연 영상을 공개했습니다. 이 영상은 교차로에서의 좌회전 및 우회전, 복잡한 신호등 준수, 다른 도로 이용자와의 역동적인 상호 작용을 시스템이 자율적으로 처리하는 모습을 보여줍니다. 이 모든 과정은 생산 의도 자율 시스템에 대한 표준 테스트 및 검증 프로토콜에 따라 안전 운전자가 감독했습니다. 레벨 3 및 레벨 4 인증을 위한 "데이터 벽" 해결 자동차 산업은 현재 "데이터 벽"에 직면해 있습니다. 이는 자율주행 접근 방식이 예외적인 시나리오에서 성능을 향상시키기 위해 기하급수적으로 더 희귀하고 값비싼 실제 데이터를 필요로 하는 지점입니다. 또한, 이러한 데이터가 존재하더라도 단일한 픽셀 대 제어 "엔드-투-엔드" 모델은 레벨 3 이상에서 엄격한 안전 인증에 필요한 해석 가능성이 부족한 "블랙박스" 역할을 합니다. 이에 반해 Helm.ai Driver는 데이터 부족과 해석 가능성 문제를 동시에 해결하는 Factored Embodied AI 아키텍처를 활용합니다. 이 접근 방식은 자율성 문제를 인식(Perception)과 정책(Policy)이라는 두 가지 별개의 해석 가능한 계층으로 분할합니다. 인식을 별도로 해결함으로써 시스템은 원시 센서 데이터를 정보가 풍부하고 고도로 구조화된 의미론적 분할 및 3D 정보로 변환합니다. Helm.ai의 엔드-투-엔드 정책 모델은 원시 픽셀이 아닌 이 해석 가능한 의미론적 기하학을 입력으로 받아 도로 구조와 교통 규칙을 "추론"합니다. 이러한 요인별 접근 방식은 인터넷 규모의 데이터셋에 대한 대규모 학습을 가능하게 하며, 엔드-투-엔드 정책 모델의 데이터 효율적인 학습을 지원하여 "데이터 벽"을 돌파하는 데 도움을 줍니다. 중요한 것은 이 구조가 자동차 OEM에게 중요한 투명성을 제공하여, 감독되는 레벨 2+부터 ISO 26262 인증 가능한 레벨 3 및 레벨 4 배포까지 확장 가능한 명확하고 감사 가능한 소프트웨어 기반을 제공한다는 것입니다. Helm.ai의 CEO 겸 설립자인 Vladislav Voroninski는 "업계는 고성능 자율주행을 위해 무차별적인 데이터 수집이 더 이상 상업적으로 실행 가능하지 않은 전환점에 도달했습니다."라며, "Helm.ai Driver를 통해 확장 가능한 자율주행의 단위 경제를 근본적으로 변화시켰습니다. 오늘날 고급 레벨 2+를 지원하고 레벨 3 및 레벨 4 자율주행으로의 전환을 위한 소프트웨어 두뇌 역할을 하는 비전 우선 시스템을 제공함으로써, OEM에게 대중 시장 컴퓨팅 플랫폼에 차세대 자율주행을 배포할 수 있는 유일한 현실적인 경로를 제공하고 있습니다."라고 말했습니다. Deep Teaching™ 및 의미론적 시뮬레이션을 통한 수 배의 효율성 전통적인 접근 방식은 일반적으로 도시 기능을 달성하기 위해 수십억 달러의 자본 지출과 수백만 마일의 학습 데이터를 필요로 하지만, Helm.ai Driver의 플래너는 단 1,000시간의 실제 주행 데이터만으로 이 수준의 성숙도를 달성했습니다. 이러한 혁신은 Helm.ai의 독자적인 비지도 학습 기술인 Deep Teaching™에 의해 지원됩니다. 이 기술은 신경망이 인터넷 규모의 시각 데이터셋에 대한 값비싼 인간 주석의 필요성을 우회하면서 쉽게 사용할 수 있는 방대한 양의 비주행 데이터에서 직접 학습할 수 있도록 합니다. 의미론적 시뮬레이션과 결합된 이 시스템은 사실적인 픽셀을 렌더링하는 계산 오버헤드 없이 사실상 무한한 기하학적 시나리오에 대해 학습할 수 있습니다. Helm.ai는 원시 픽셀이 아닌 세계의 "의미론적 기하학"에 대해 시스템을 학습시킴으로써 자율 개발의 전통적인 비용 및 시간 장벽을 우회합니다. 지역 간 일반화: "제로샷" 이점 대량 생산 차량을 위한 자율 시스템의 진정한 시험은 수동 조정이나 HD 지도 없이 "보지 못한" 환경을 처리하는 능력입니다. 이를 검증하기 위해 Helm.ai는 최근 캘리포니아 토랜스(로스앤젤레스 광역권)에 소프트웨어를 배포하여 시스템의 일반화 능력을 시연했습니다. 해당 지역의 특정 거리에 대한 사전 학습 없이도 Helm.ai Driver는 "제로샷" 자율 조향을 수행할 수 있었습니다. 이러한 지역 간 일반화 능력은 Helm.ai의 OEM 파트너가 도시별 데이터 수집 또는 지오펜싱의 막대한 비용 없이 레벨 2+부터 레벨 4 기능까지 전 세계적으로 확장할 수 있도록 보장합니다. Helm.ai는 ADAS, 자율주행 및 로봇 자동화를 위한 AI 소프트웨어를 개발합니다. 2016년에 설립된 이 회사는 Deep Teaching™ 및 생성 AI 기반의 온카 배포용 풀스택 주행 소프트웨어와 시뮬레이션 도구를 제공합니다. Helm.ai는 생산 예정 프로그램에 대해 글로벌 자동차 제조업체와 협력하고 있습니다.