4D 밀리미터파 레이더 한 개에 10 TOPS NPU가 내장되어 있고, 로컬 AI 인식, 위성 아키텍처, 그리고 양자를 병행하는 다양한 출력 방식을 지원한다。
쉽게 말하면, 이 레이더는 안테나 설계부터 포인트 클라우드 출력까지 전체 체인을 모델에 맡긴 것이다. 자율주행 업계의 표현을 빌리자면, 어떤 의미에서 이것도 「엔드투엔드」가 된 것이며, 심지어 OTA를 통해 인식 능력을 지속적으로 업그레이드할 수도 있다.
익숙한 기술, 익숙한 방식인데, 이를 함께 놓고 보니 어쩐지 이렇게 낯설게 느껴지는 이유는 무엇일까?
3nm, 수백~수천 TOPS 칩이 이미 차량에 탑재된 마당에, 밀리미터파 레이더 하나에 굳이 독립적인 「두뇌」가 필요할까?
자세히 보면, 이는 아무 작은 회사의 변방 시도가 아니라인치(印奇)와 그가 이끄는천리과기(千里科技)의 최신 진전이다.
물리 AI라는 길에서 천리 뒤에는 인치가 이사장을 맡고 있는 스텝스타(阶跃星辰)와 길리자동차의 완차 시나리오도 있다.
퓨어 비전, 수직 통합, 풀스택 자체 개발이라는 주류 노선 외에 천리과기는 오히려 플랫폼형 회사의 체인식 협업에 가깝다.
그렇다면 더 볼 필요가 있다. 대체 어떤 일인가?
천리는 어떤 레이더를 만들었는가?
한 장면을 상상해 보자. 당신이 차를 몰고 가는데 앞쪽 머리 위에는 개선문형 간판 거치대(롱먼자)가 있고 차선에는 주차된 차 한 대가 서 있다. 기존 밀리미터파 레이더는 두 개의 반사파를 동시에 수신하지만, 세기가 비슷하여 무엇이 높고 낮은지 구분하지 못한다.
그 결과 롱먼자를 장애물로 인식해 급브레이크를 밟거나, 주차된 차를 overhead 구조물로 간주해 그냥 무시해 버린다. 이것은 가장 전통적인 3D 밀리미터파 레이더의 오래된 고질병으로, 거리 측정과 속도 측정에는 능하지만 유독 「위아래」라는 차원이 없었다.
4D 레이더가 보완하는 것이 바로 이 차원이다. 부앙각(수직각)이 추가되면 레이더는 거리, 속도, 방위각, 높이라는 네 가지 차원의 정보를 출력할 수 있고, 포인트 클라우드는 평면에서 입체적으로 변한다.
천리의 AI 레이더가 첫걸음으로 보완한 것이 바로 이 핵심 차원이다. 하지만 채널 수와 정보량이 늘어나면서 신호 처리 부담도 함께 커진다. 가드레일, 터널, 교량, 지면, 하늘 같은 강반사체는 반사파에 대량의 클러터를 섞어 넣는다.
과거처럼 고정 임계값과 인공 규칙으로 판단하던 전통 방식은 이런 환경에서 네 가지 문제가 발생하기 쉽다: 다경귀신상(multipath ghost), 클러터 간섭, 약한 목표 소실, 다중 목표 분리 부족. 센서 스펙표는 보기 좋지만, 실제 도로에서는 오보고할 것은 오보고하고, 놓칠 목표는 여전히 놓친다.
4D 레이더의 하드웨어 잠재력은 오랫동안 처리 단계에 막혀 발휘되지 못했다.
천리과기의 해법은 안테나 어레이와 파형의 설계 단계부터 알고리즘을 도입하고, 포인트 클라우드 검출, 각도 측정, 포인트 클라우드 증강, 목표 추적 및 분류 같은 핵심 단계를 데이터 기반 모델로 교체해 인공 규칙과 경험적 임계값에 대한 의존을 줄이는 것이다.
이 레이더의 AI는 신호가 생성되는 가장 앞단부터 개입해 환경 이해의 끝단까지 관통한다.
천리의 DSP 엣지 컴퓨팅을 채택한 이전 세대 4D 레이더와 비교해, 포인트 클라우드 밀도는 10배 강화되었고, 탐지 거리는 40% 향상되었으며, 귀신상 제거는 95%까지 향상되었고, 공간각 분해능은 12배 향상되었다.
다음은 이 레이더에서 가장 과소평가되기 쉬운 부분이다. 세 가지 작동 모드를 지원한다. 엣지 사이드 모드에서는 반사파가 레이더 단에서 ADC 샘플링부터 목표 추적 및 분류까지 전체 체인을 거치며, NPU에 AI Detector, AI 보조 각도 측정, AI 포인트 클라우드 증강 등의 모델이 배치되어 레이더가 구조화된 인식 결과를 직접 출력한다. 장점은 로컬 체인이 짧고 응답이 빨라 도메인 컨트롤러 측의 연산 및 통신 부담을 줄일 수 있어, 성숙한 목표 수준 인터페이스나 분산형 인식 능력이 필요한 플랫폼에 적합하다는 점이다.
위성 아키텍처 모드에서는 레이더가 프론트엔드 수집과 고속 전송에 중점을 두고, 원시 신호에 더 가까운 데이터를 ADCU 또는 중앙 도메인 컨트롤러에 넘겨 통합 처리하며, 중앙 플랫폼은 더 큰 모델로 카메라, 밀리미터파 레이더 등 다중 소스 정보에 대해 더 이른 단계의 시공간 정렬과 전역 추론을 수행할 수 있다.
세 번째는 호환 모드로, 두 가지 작업을 동시에 수행한다.
레이더의 가장 원시적인 RAW 데이터는 SOC에 직접 넘겨 처리와 융합을 맡기는 동시에, 레이더 위의 엣지 사이드 프로세서가 독립적으로 한 번 처리를 완료한다.
왜 굳이 두 번 동시에 처리해야 하는가? 이 두 작업이 요구하는 시간 척도가 다르기 때문이다.
중앙 모델은 처리되지 않은 원시 반사파를 원한다. 다중 소스 전방 융합을 하려면 밀리초 수준의 정렬 정밀도와 최대한 완전한 신호 세부 정보가 필요해, 자연스럽게 느리고 체인도 길다. 하지만 차량의 실행 계층은 이런 페이스를 기다릴 수 없다. 브레이크와 경보는 당장 사용할 수 있는 결론을 필요로 하며, 빠름이 완전함보다 더 중요하다.
하나는 「최대한 온전히 보는 것」, 다른 하나는 「즉시 제공하는 것」인데, 이 두 요구는 하나로 연결될 수 없어 병행할 수밖에 없다. 업계에서 과거 듀얼 모드를 말할 때는 보통 「안전 이중화」라는 네 글자에 초점이 맞춰졌는데, 이는 중앙 시스템에 만약 문제가 생기더라도 레이더 자체가 감당할 수 있다는 의미이다.
하지만 백업이라는 것은 고장 시에 대신 나서는 것이고, 두 가지 시간 척도는 정상 상황에서 양쪽이 각자의 역할을 한다는 것을 말하는데, 후자야말로 이 설계의 진정한 무게입니다.
이 배경에는 자연스러운 질문이 있습니다: 대체로 AI 연산 요구의 어느 부분을 레이더에 넣어야 하고, 어떤 부분은 중앙 도메인 컨트롤러의 처리 참여를 유지해야 할까요?
모델은 어떻게 레이더를 바꾸는가?
변화의 출발점은 지능형 주행 자체의 요구 사항이 달라진 것입니다.
L2에서 L3, L4로 진화하면서, 비·안개, 역광, 야간, 강한 반사, 횡단 차류, 정지 장애물 같은 시나리오는 인식이 단순히 '보이는 것'을 넘어 '선명하게 보고, 정확하게 판단하고, 빠르게 반응하는 것'까지 요구한다.
이런 시나리오를 충족하려면 멀티센서 전방융합이 피할 수 없는 경로가 되는데, 여기에 필요한 것은 더 민감한 센서가 아니라 더 많은 원시 정보를 보존하고 모델이 통일적으로 이해할 수 있는 데이터 형식이다. 이것이 새로운 문제를 가져온다.
4D 레이더 포인트 클라우드 밀도는 기존 레이더의 초당 수십 개 포인트에서 초당 수만 개, 심지어 10만 개 포인트로 도약했으며, 새틀라이트 아키텍처에서는 원시 데이터 입력량이 기존 4D 레이더보다 약 100배 많아지고 ADC 대역폭은 6Gbps에 이른다.
주류 지능형 주행 차량의 센서 수는 30개를 돌파하고, 매일 발생하는 데이터량은 10TB를 넘어선다. 중앙 컴퓨팅 플랫폼이 마주하는 것은 바로 이렇게 유량이 폭증하는 강이다.
따라서 지능형 주행 모델의 출력 지연을 줄이고 중앙 연산력을 효율적으로 활용하는 것만을 위해서라도, 데이터 전처리 같은 전문적인 일은 전문가에게 맡겨야지 전부 백엔드에 떠넘겨서는 안 된다.
레이더가 예전처럼 '어떤 목표를 탐지했는가'만 답하는 것으로는 부족하고, '어떤 형식으로 얼마나 많은 유효 정보를 백엔드 모델에 넘겨줄 수 있는가'까지 답해야 한다.
기존의 레이더 제품에도 엣지 측 데이터 처리 모듈이 늘 있었지 않느냐고 반론할 수도 있다.
차이는 규칙을 누가 작성했는가에 있다. 기존 4D 레이더는 고정 임계값과 인공 규칙으로 판단하는데, 규칙은 사람이 쓴 것이고 사람은 자신이 생각해 본 경우만 적어둘 수 있다. 한 번도 본 적 없는 corner case에는 규칙 라이브러리가 답을 내놓지 못하고, 시스템은 가장 보수적인 방식으로 처리할 수밖에 없어 오제동을 하거나 놓치게 된다. 새로운 유형의 상황을 만날 때마다 재정의, 재보정, 재검증이 필요하고 한 번 돌리는 데 몇 달이 걸린다.
AI화 이후 이 일의 성질이 바뀌었다. 모델은 데이터에서 법칙을 학습하며, 훈련에 나오지 않은 조합을 만나도 이미 학습한 특징에 근거해 판단할 수 있고, 새로운 규칙이 작성되기를 기다릴 필요가 없다. 하나의 롱테일 문제가 수집, 회류, 학습 투입부터 배포까지 주기가 월 단위에서 주 단위, 심지어 더 짧게 압축된다.
천리(千里)테크가 한 첫 번째 일은 AI 연산을 레이더 내부에 넣어 센서가 스스로 수집한 데이터를 더 깊은 단계까지 처리하고 구조화된 결과를 직접 출력하게 한 것이다. 두 번째 일은 연산 후 어떻게 전달할지를 결정하는 것, 즉 앞서 언급한 세 가지 모드로, 과업을 센서 안에 얼마나 남기고 데이터를 중앙에 얼마나 넘길지는 플랫폼과 기능 등급에 따라 배정한다.
세 가지 아키텍처의 분기는 기능 등급, EE 아키텍처, 비용과 통제권이라는 세 개의 선을 따라 볼 수 있다.
목표 레벨 출력은 일반 보조 주행과 분산형 EE 아키텍처에 고정되어 있고 비용에 민감하다. 새틀라이트 아키텍처는 L2+에서 출발하여 L3/L4의 전방융합 수요 아래에서 필수적 선택이 되는데, 원시 데이터를 중앙으로 보내야만 밀리미터파 반사 신호가 이미지 특징과 통일된 BEV 공간에서 특징 레벨 융합을 할 기회가 생기기 때문이다.
진정한 엔지니어링 경계는 대역폭과 플랫폼 능력에 있다. 도메인 컨트롤러의 연산력과 고속 인터페이스가 부족하면 새틀라이트 아키텍처는 상용화의 물리적 기반을 잃는다. 기능 등급이 L2에 머물고 전방융합에 대한 실질적 수요가 없다면, 원시 데이터를 위해 전송과 연산 비용을 치르는 것은 양산 장부에서 성립하지 않는다.
천리의 이 레이더는 세 가지 경로를 동시에 유지하는데, 이는 정확히 차량 플랫폼이 분산형에서 중앙 집중형으로 전환되는 기간에 동일한 하드웨어가 서로 다른 차종, 서로 다른 기능 등급에서 위치를 찾아야 함에 대응한다.
호환 모드는 이 분석에서 특수한데, 두 개의 선을 동시에 점유한다. 중앙화를 아직 완료하지 못한 플랫폼은 엣지 측의 그 결과를 직접 쓸 수 있고, 이미 도메인 컨트롤러 연산력을 갖춘 플랫폼은 RAW 데이터를 중앙으로 보내 전방융합을 할 수 있다. 과도기에서 가장 가치 있는 것은 바로 이 '양쪽 모두에 연결 가능'이다.
예를 들어, 천리 AI 레이더의 정지한 어린이에 대한 안정 탐지 거리는 100~150미터로, 어린이 횡단와 깜짝飞出(튀어나옴) 시나리오에서 AEB에 더 긴 반응 시간을 제공할 수 있다.
AI 후처리와 다중경로 특징 모델링은 고스팅과 오경보를 약 95% 제거했으며, 4D 포인트 클라우드 강화는 주행 가능 공간 판단을 보조할 수 있다.
인치(印奇)의 물리 AI 폐쇄 루프
천리테크의 AI 레이더, 가장 근원적인 논리는 '모델 탑재량(含模量)'이 하위 센서를 재편하기 시작했다는 것이다.
소프트웨어·하드웨어 일체에 깊이 들어가면서 센서 전체의 개발도 변화했다. 도파관 안테나, RF 프론트엔드, SoC/NPU, 변조 방식부터 모델과 데이터 폐쇄 루프까지 전부 협업 설계한다. 겉으로는 하드웨어 업그레이드지만 실질은 센서가 '목표 레벨 보고자'에서 '특징 레벨 협업자'로 전환한 것이다.
레이더의 AI화는 선택 사항이 아니다. 인식 단은 데이터와 지능의 입구이며, 밀리미터파 레이더는 이 경로에서 피해 갈 수 없다.
인치는 초기부터 'AI+물리 단말'을 근본 신조로 삼았다. 3D 카메라는 디지털 세계와 물리 세계를 잇는 다리이고, AIoT는 'AI+IoT+공간'이며, 조직 형태도 의도적으로 소프트웨어·하드웨어 결합 쪽으로 만들었다.
그러나 AI 1.0의 딜레마는 알고리즘적 깊이는 있었지만 규모화되고 지속적으로 실제 피드백을 만들어내는 단말 매개가 없어 폐쇄 루프가 진정으로 닫히지 않았다는 점이다. 그래서 그는 후에 '폐쇄 루프를 만들지 못하는 영광은 모두 일시적이다'라고 말했다.
천리와 스텝퓨(阶跃)의 조합은 신조에서 늘 빠져 있던 한쪽을 채웠다. 핵심은 '네이티브 기반 모델'의 사전학제 동일 원천 입력이다. 범용 코퍼스와 실제 지능형 주행 인식, 제어 데이터를 함께 넣어 기반 모델이 태어날 때부터 3차원 공간과 시계열의 인지 구조를 갖게 했다.
인치가 두 회사를 동시에 이끌면서 모델 회사와 단말 회사 사이의 흔한 간극이 메워졌고, '두뇌가 단말의 출력을 정의하고, 단말이 모델의 학습에 피드백한다'는 순환이 같은 총수 아래에서 돌아가게 되었다.
이것은 AI+물리 단말 이념의 폭적 확장이자, 순수 비전, 수직 통합, 풀스택 자체 개발 외의 그 또 하나의 길이다.
AI+물리 단말이라는 표현은 업계에도 유사한 말이 있지만, 논의는 대부분 'AI赋能(조력)'이라는 층위에 머물러 AI가 바꾸는 것은 업무 프로세스이고 제공하는 가치는 더 자동화된 정보 제시라고 본다.
모델 패러다임의 반복에서 출발하여 하위 센서와 컴퓨팅 아키텍처를 바꾸려 한 것, 이것이 천리의 이번 시도에서 가장 주목할 부분이다.
과거에는 '사람이 레이더에게 무엇을 보길 원하는가'였다면, 이제는 AI 모델과 Agent의 관점에서 거꾸로 추론한다. 이 시스템이 물리 세계에서 어떤 과업을 완수해야 하는지, 어떤 정보 형식이 필요한지, 어느 정도의 유효 거리, 어느 정도의 분해 능력이 필요한지를 말이다.
이것은 근원에서 '인간 시각'과 '패러다임 관성'이 가져오는 간섭을 차단한다.
디지털 AI는 막대한 파라미터와 거의 손에 잡히는 데이터로 성장해 왔다.
그러나 현 단계에서 물리 AI의 천장은 실제 데이터 폐쇄 루프의 속도와 고품질 데이터의 밀도가 결정한다. 그래서 이러한 시도 자체만으로도 천리테크는 대체하기 어려운 독특한 가치를 지닌다.