2026-06-18 — views

피지컬 AI 매핑 기술 2026 — Waymo HD 사전 지도 vs Tesla 지도 없는 엔드투엔드 FSD: AV 내비게이션 아키텍처 벤치마크

Waymo는 배포 전 모든 도로를 센티미터 정밀도로 사전 매핑합니다. Tesla FSD는 HD 지도 없이 주행합니다. 하나는 명시적 지식에, 다른 하나는 학습 능력에 베팅합니다.

피지컬 AI 벤치마크 시리즈 제196편: 피지컬 AI 매핑 기술 2026 — Waymo HD 사전 지도 vs Tesla 지도 없는 엔드투엔드 FSD

자율주행에서 가장 중대한 기술적 분기점은 승객에게는 보이지 않는 곳에 있다: 차량이 미리 구축된 센티미터 정밀도의 지도를 참조해 자신의 위치를 파악하는가, 아니면 신경망이 카메라 영상에서 실시간으로 도로 기하학을 추론하는가? Waymo와 Tesla는 정반대의 베팅을 했다. Waymo는 어떤 유료 탑승 서비스도 시작되기 전에 전용 매핑 차량으로 모든 상업 경로를 상세히 매핑한다. Tesla FSD v12+는 HD 지도를 전혀 사용하지 않는다 — 엔드투엔드 신경망이 실시간 카메라 입력만으로 내비게이션한다. 이 아키텍처 선택은 지리적 확장성, 엣지 케이스 신뢰성, 운영 비용 구조, 그리고 두 회사 자율주행 플랫폼의 장기적 경쟁 위치에 깊이 영향을 미친다.

제1절: 매핑 아키텍처의 분기 — HD 사전 지도 vs 실시간 지도 없는 내비게이션

AV 산업에서는 두 가지 주요 매핑 아키텍처가 확립되었으며, 각각 “차량이 도로를 달리기 전에 무엇을 알아야 하는가”라는 질문에 근본적으로 다른 답을 제시한다.

아키텍처 1: HD 지도 기반(Waymo, Cruise, Mobileye, Baidu). 매핑 차량이 상업 차량의 운영 전에 모든 상업 경로를 여러 번 사전 주행하여 센티미터 정밀도의 3D 지도를 생성한다. 지도에는 다음이 포함된다: 차선 경계 위치와 폭; 신호등 위치(각 신호 헤드의 정확한 3D 좌표); 정지선과 횡단보도 위치; 노면 세부 사항(경사 변화, 과속 방지턱, 철도 건널목); 표지판 위치; 교차로 토폴로지와 합류/분기점; 주차장 기하학적 구조. 상업 차량은 이 매핑 영역에서 운행할 때 LIDAR 센서로 실시간 3D 포인트 클라우드를 생성하고 사전 구축된 HD 지도와 대조해 정확한 위치를 특정한다. 이를 통해 GPS 단독 사용(추정 1~3미터 오차)으로는 불가능한 센티미터급 위치 정확도가 실현된다. HD 지도는 “사전 지식”이다: 차량은 신호등을 시각적으로 확인하기 전부터 그 위치를 알고 있고, 커브에 진입하기 전에 정확한 곡률을 알며, 횡단보도 위치를 미리 파악한다. 이 사전 지식은 실시간 인식 부담을 크게 줄인다.

아키텍처 2: 지도 없는 엔드투엔드(Tesla FSD v12+, 일부 중국 AV 스타트업). 사전 구축된 HD 지도가 존재하지 않는다. 차량은 오직 실시간 센서 데이터로만 내비게이션한다. Tesla의 엔드투엔드 신경망은 카메라의 원시 픽셀에서 직접 주행 명령(스티어링 각도, 가속, 제동)을 출력하며 사전 지도 참조가 전혀 없다. 이 네트워크는 수십억 마일의 인간 주행 데이터로 훈련하여 암묵적인 “세계 모델”을 내재화했다 — 명시적 지도 없이 시각적 패턴에서 도로 기하학, 신호 위치, 차선 경계를 추론하도록 학습했다. 표준 선명도(SD) 내비게이션 데이터(Google 지도나 Apple 지도와 동일한 도로 중심선 그래프)는 거시적 수준의 경로 안내를 제공하지만 차선 수준의 기하학이나 센티미터 정확도의 위치를 제공하지 않는다. 모든 실시간 도로 이해는 카메라 입력을 처리하는 신경망에 의한다.

핵심 트레이드오프. HD 지도는 확장이 느리다 — 각 새로운 영역에서 배포 전에 수주에서 수개월의 매핑 작업이 필요하다 — 하지만 안전상 중요한 사전 지식을 제공하고 차량이 현실과 지도의 불일치를 감지할 때 명시적인 폴백이 있다. 지도 없는 시스템은 즉시 확장 가능하지만(사전 매핑 불필요; 카메라가 인식할 수 있는 영역은 규제 승인 후 즉시 배포 가능) 모든 엣지 케이스를 실시간 인식만으로 처리해야 하며 동등한 폴백이 없다.

제2절: Waymo의 HD 매핑 인프라

매핑 차원	Waymo 접근 방식	세부 사항	운영상의 영향
HD 지도 생성 프로세스	Waymo 매핑 차량(상업 차량과 동일한 풀 센서 스위트 탑재)이 서비스 시작 전에 모든 상업 경로를 여러 번 사전 주행; 생성된 HD 지도는 차선 경계, 연석, 신호등, 정지선, 횡단보도에 대해 추정 1~5cm 정확도 달성	새 도시에서 매핑하려면 상업 서비스 시작 전에 수주에서 수개월의 작업이 필요; 샌프란시스코는 Waymo One 출시 전에 수개월의 사전 매핑이 필요했음; 애틀란타도 동일한 사전 매핑 프로세스가 필요	매핑이 Waymo의 도시 확장 타임라인에서 주요 시간 제약; 애틀란타 출시 타임라인은 상업 서비스 시작 전 HD 지도 완성에 부분적으로 의존
HD 지도 범위와 상세도	차선 수준 기하학: 정확한 차선 경계 위치, 폭, 합류/분기점; 신호등 위치: 각 신호 헤드의 정확한 3D 좌표; 정지선과 횡단보도 위치; 노면: 경사 변화, 과속 방지턱, 철도 건널목; 표지판 위치; 주차장 토폴로지	상업 서비스 구역의 완전한 HD 지도는 도로 구간당 추정 수백만 개의 3D 포인트를 포함; 압축 3D 포인트 클라우드와 구조화된 시맨틱 오버레이로 저장	지도의 차량 편대 배포는 비자명한 엔지니어링 과제; HD 지도는 도로 공사, 새 신호등, 차선 변경 후 최신 상태로 유지되어야 함 — 지도 유지관리는 지속적인 운영 요구 사항
실시간 지도 위치 특정	Waymo 차량은 LIDAR로 실시간 3D 포인트 클라우드 생성; 위치 특정 알고리즘이 이를 HD 지도와 대조해 정확한 위치 결정; GPS 단독(추정 1~3미터)으로는 부족; LIDAR 대 지도 대조로 추정 센티미터급 정확도 달성	LIDAR는 HD 지도 위치 특정에 필수: 센티미터 정확도의 3D 측정이 사전 지도와의 대조에 필요한 충실도를 제공; 레이더와 카메라가 보조적인 위치 특정 데이터를 제공	HD 지도 위치 특정이 Waymo의 LIDAR가 물체 감지뿐 아니라 주요 위치 특정 센서인 이유; LIDAR 제거 시 인식 스택뿐 아니라 전체 위치 특정 파이프라인 재구축 필요
지도 유지관리 및 업데이트	HD 지도는 지속적인 유지관리 필요: 도로 공사로 차선 경계 변경; 새 신호등 설치; 표지판 변경; Waymo는 지도 업데이트 파이프라인 유지: 매핑 차량이 상업 경로를 주기적으로 재주행; 중요 변경 사항은 빠르게 업데이트	HD 지도의 마지막 업데이트 이후 변경된 도로 구간을 만난 상업 Waymo 차량은 “지도/현실 불일치”를 경험하고 감속하여 원격 운영 센터(ROC)에 지도를 요청	지도 노후화는 실제 운영 리스크; Waymo의 지도 유지관리 파이프라인은 지속적인 운영 비용; 도시 내 도로 변화 빈도가 높을수록(피닉스보다 샌프란시스코) 필요한 업데이트 빈도 증가
지도 기반 인식 유도	Waymo는 HD 지도를 통해 모든 신호등의 정확한 위치를 알기 때문에 인식 시스템이 장면 내에서 신호등을 찾을 필요 없이 신호등의 현재 상태(빨강/노랑/초록)에만 집중 가능; 횡단보도 위치를 미리 알아 어떤 보행자도 시각적으로 감지하기 전에 주의를 향할 수 있음	지도 지식에서 비롯된 “유도된 주의력”은 실시간 인식 계산 부담을 줄이고 신뢰성을 향상시킴; 지도는 주의력 사전 정보로 기능해 인식 시스템에 어디를 볼지 알려줌	여러 신호등, 횡단보도, 교차로가 있는 복잡한 도시 환경에서 지도 기반 주의력 유도는 중요한 안전 우위
지리적 커버리지 제한	Waymo는 HD 지도가 완성된 영역에서만 상업 무인 서비스 제공 가능; 새 도시로 확장하거나 기존 도시의 서비스 경계를 연장하려면 먼저 HD 매핑 완료 필요	커버리지 경계 확장은 지도에 의존: 어느 시점에서나 실제 서비스 면적은 매핑된 면적과 동일; Waymo의 서비스 경계는 모두 완성된 HD 지도의 범위로 정의됨	HD 지도 제약이 Waymo의 주요 확장성 상한; 먼저 매핑을 완료하지 않고는(수주~수개월 소요) 새 지점에 배포 불가; Tesla의 지도 없는 접근 방식이 지리적 확장성에서 우위인 구조적 이유

제3절: Tesla의 지도 없는 엔드투엔드 FSD 아키텍처

매핑 차원	Tesla 접근 방식	세부 사항	운영상의 영향
HD 지도 비의존	Tesla FSD v12+는 사전 구축된 HD 지도 없이 작동; 수십억 마일의 인간 주행 데이터로 훈련된 엔드투엔드 신경망이 처리하는 실시간 카메라 입력을 이용해 내비게이션	HD 지도 없이 FSD는 카메라가 지금 보는 것만으로 차선 경계, 신호 위치, 횡단보도 위치, 도로 기하학을 결정해야 함; 신경망이 도로 외관과 신호등 동작의 “세계 모델”을 내재화해야 함	지리적 사전 매핑 불필요는 즉각적인 지리적 확장성을 의미; Tesla는 매핑 차량 없이 새 도시나 국가에서 FSD 운영 시작 가능
내비게이션 데이터 소스	Tesla는 경로 계획에 표준 선명도(SD) 내비게이션 지도 데이터(Google 지도나 Apple 지도와 동일한 도로 중심선 그래프) 사용 — HD 지도가 아님	SD 내비게이션 데이터는 거시적 수준에서 도로 방향을 알려주지만 차선 수준 기하학, 정확한 신호 위치, 센티미터 정확도의 연석 위치를 제공하지 않음	SD 내비게이션 플러스 실시간 카메라가 Tesla의 매핑 스택을 구성; Waymo보다 훨씬 적은 사전 매핑 작업, 하지만 주행 시점의 사전 지식도 훨씬 적음
엔드투엔드 신경망	Tesla FSD v12+는 엔드투엔드 신경망: 원시 카메라 픽셀에서 주행 명령(스티어링 각도, 가속, 제동)으로; 차선 위치, 신호 위치, 도로 곡률에 대한 중간 추론은 네트워크 내부에서 발생	인간 주행 데이터로 엔드투엔드 훈련하면 FSD가 예시에서 운전의 암묵적 규칙을 학습 가능; 장점: 새로운 상황에 대한 일반화 능력 강함; 단점: 해석 가능성이 낮음(특정 결정이 내려진 이유 디버그 어려움)	Tesla의 600만대 이상 차량이 엔드투엔드 모델을 위한 대규모 훈련 데이터 생성; 더 많은 훈련 데이터는 더 나은 암묵적 세계 모델, 더 나은 지도 없는 내비게이션으로 이어짐
지리적 확장성	FSD는 카메라가 충분한 시각 품질로 인식할 수 있는 곳이라면 어디서나 작동 가능; 지리적 사전 매핑 불필요; FSD는 도시별 사전 매핑 없이 미국 수십 개 주, 캐나다, 중국, 유럽 국가들에서 시연됨	지리적 확장성이 Tesla 매핑 아키텍처의 가장 큰 우위; Tesla 소비자 차량이 있는 새 국가나 도시는 자동으로 잠재적 FSD 배포 영역이 됨	로보택시 확장 경로에 대한 시사점은 크다: 규제 승인만 있으면 Tesla는 마이애미, 내슈빌, 시카고에 동시 서비스를 발표할 수 있음; Waymo는 상업 서비스 시작 전에 각 도시를 먼저 매핑해야 함
새로운 환경 처리	FSD는 도로가 “어떻게 보여야 하는지”를 보여주는 사전 지도라는 안전망 없이 새로운 환경(훈련 중 주행되지 않은 도로, 비정상적인 교차로 기하학, 공사 구역)을 처리해야 함	새로운 환경에서 FSD 신경망은 훈련에서의 패턴 인식에 완전히 의존해야 함; 새로운 환경이 훈련 데이터와 충분히 다르면 FSD 성능이 저하될 수 있음; Waymo의 지도는 새로운 환경을 지도/현실 불일치로 감지하고 보수적인 폴백 행동을 유발	핵심 신뢰성 트레이드오프: Waymo의 HD 지도는 폴백을 제공하지만 Tesla의 지도 없는 FSD에는 새로운 환경 감지를 위한 동등한 폴백이 없음
암묵적 세계 모델 vs 명시적 지도	FSD는 훈련에서 암묵적 “세계 모델”을 내재화: 차선 표시 외관, 신호등 위치 방식, 교차로 구조를 수십억 마일의 훈련 데이터에서 학습	이 암묵적 지식은 신경망의 가중치에 분산 저장됨; Waymo의 HD 지도처럼 명시적 구조화 데이터베이스로 저장되지 않아 특정 위치에 대한 검사, 업데이트, 디버그가 더 어려움	암묵적 세계 모델은 강력하지만 불투명; Waymo의 명시적 HD 지도는 엔지니어가 특정 교차로에 대해 차량이 “아는” 것을 정확히 검사 가능; Tesla의 암묵적 지식은 특정 지리적 커버리지에 대한 감사가 어려움

제4절: 확장성 vs 신뢰성 — 매핑 아키텍처 트레이드오프

차원	HD 지도 접근(Waymo)	지도 없는 접근(Tesla FSD)	전략적 시사점
지리적 확장성	낮음: 각 새로운 영역에서 배포 전에 수주 또는 수개월의 사전 매핑 필요	높음: 카메라가 인식할 수 있는 영역은 규제 승인 후 즉시 배포 가능	Tesla의 지도 없는 접근은 구조적 확장성 우위를 가짐; Waymo의 매핑 병목이 확장 속도를 제한
새로운 환경 신뢰성	높음: 지도/현실 불일치 감지가 폴백을 제공; 차량이 기대 상태를 “알고” 있음	낮음: 새로운 환경을 실시간 인식만으로 처리해야 함; 명시적 폴백이 없음	Waymo는 매핑된 영역에서 신뢰성이 높음; Tesla는 진정한 새로운 환경에서 신뢰성이 낮을 수 있음
지속적인 유지관리 비용	높음: 지속적인 업데이트 필요; 도로 변화로 인한 노후화 리스크; 매핑 차량이 상업 경로를 정기적으로 재주행해야 함	제로: 유지관리할 지도 없음; FSD 소프트웨어 업데이트가 지도 업데이트를 대체	Tesla는 매핑 운영 비용에서 구조적 우위: 지도 유지관리 차량 편대 불필요, 지도 업데이트 파이프라인 불필요, 지도 노후화 리스크 없음
지정학적 데이터 리스크	높음: 중국은 HD 지도 데이터가 국내에 남을 것을 요구; EU는 센티미터 수준 도로 기하학 데이터에 대한 데이터 주권 고려 사항이 있음	낮음: 지도 없는 접근은 HD 지도 데이터 주권 문제를 회피: 저장, 공유, 보안이 필요한 센티미터급 도로 데이터베이스 없음	Tesla의 지도 없는 접근은 지정학적 데이터 리스크가 낮음; HD 지도 데이터 주권법이 엄격한 지역에서의 국제 확장에 있어 중요
실행 시 계산 요구 사항	일부 측면에서 낮음(지도가 사전 지식을 제공해 실시간 추론 부담 감소)하지만 지도 배포와 위치 특정 계산이 필요	실시간 추론 부담이 높음(사전 지식 없이 카메라에서 모든 도로 구조를 추론)하지만 지도 배포나 위치 특정 계산 불필요	혼합: Waymo는 일부 계산을 지도에 오프로드; Tesla는 더 많은 실시간 추론이 필요하지만 지도 인프라 오버헤드를 제거
훈련 데이터 의존성	낮음: 지도가 훈련 데이터가 암묵적으로 인코딩해야 할 명시적 지식을 제공	높음: 모든 도로 지식이 훈련에서 나와야 함; 더 많은 데이터가 더 나은 암묵적 세계 모델을 의미	Tesla의 600만대 이상 차량이 이 훈련 데이터 요구 사항을 규모로 충족; Waymo의 더 작은 상업 차량 편대는 훈련 데이터 면에서 열위에 있으며 HD 지도가 이를 부분적으로 보완
지리적 커버리지 업데이트 주기	길음: 새 도시 추가에 수주~수개월의 매핑, 검증, 상업 출시 필요	짧음: 새 도시 추가에 규제 승인과 FSD 소프트웨어 검증만 필요(매핑 단계 없음)	규제 승인을 얻으면 Tesla는 Waymo보다 극적으로 빠르게 지리적 커버리지를 확장 가능; 이것이 결정적인 확장성 우위

제5절: 매핑 기술 벤치마크 스코어카드

매핑 차원	Waymo	Tesla	우위	2028년 전망
지리적 확장성	낮음: 지도 제약 확장; 새 도시마다 수주 또는 수개월	높음: 규제 제약 확장; 매핑 단계 없음	Tesla (결정적)	로보택시 출시가 진행되면서 Tesla의 지리적 확장성 우위가 확대됨; Waymo는 매핑 속도에 제약
매핑된 영역에서의 신뢰성	높음: HD 지도가 사전 지식과 새로운 감지에 대한 폴백 제공	중간: 사전 지식 폴백 없음; 실시간 인식에 완전 의존	Waymo (매핑된 영역 내)	Waymo는 매핑된 영역에서 신뢰성 우위 유지; FSD 신경망이 향상됨에 따라 격차 축소
지도 유지관리 부담	높음: 지속적인 비용; 지도 노후화 리스크; 도로 변화 후 재매핑 필요	제로: 유지관리할 지도 없음; FSD 업데이트가 지도 업데이트를 대체	Tesla (제로 유지관리 부담)	Tesla의 제로 유지관리 부담 우위는 아키텍처에 의해 영구적
국제 데이터 주권	어려움: 센티미터 HD 지도 데이터는 중국, 인도, EU에서 데이터 주권 문제를 야기	더 간단: 현지화하거나 규제할 HD 지도 데이터베이스 없음	Tesla (데이터 주권 리스크 낮음)	AV가 국제적으로 확장됨에 따라 중요성 증가; Waymo는 기존 시장에서 이미 이를 헤쳐나갔음
훈련 데이터 활용	제한적: 추정 2,500대의 상업 차량이 데이터 생성; 지도가 데이터 열위를 보완	높음: 600만대 이상 소비자 차량이 지속적으로 훈련 데이터 생성; 암묵적 세계 모델이 매 마일마다 향상	Tesla (훈련 데이터 플라이휠)	Tesla의 데이터 플라이휠 우위는 구조적이며 차량 편대 규모와 함께 성장
엣지 케이스 안전망	지도/현실 불일치 감지가 명시적인 엣지 케이스 폴백 제공	명시적 폴백 없음; 엔드투엔드 네트워크가 인식에서 모든 엣지 케이스를 처리해야 함	Waymo (명시적 안전망)	FSD의 암묵적 세계 모델 향상에 따라 격차 축소; 진정한 엣지 케이스는 여전히 Waymo의 구조적 우위

종합 평가. 매핑 아키텍처의 분기점은 Waymo와 Tesla가 AV 확장성으로 가는 길에서 정반대의 베팅을 한 가장 명확한 예다. Waymo는 명시적 사전 지식에 베팅했다: HD 지도와 LIDAR 위치 특정이 매핑된 영역에서 마일당 더 높은 신뢰성을 생산한다. Tesla는 암묵적 학습 지식에 베팅했다: 엔드투엔드 신경망과 훈련 데이터가 매핑 제약 없는 지리적 확장성을 생산한다. 두 베팅 모두 근거가 있다. Waymo의 접근 방식은 매핑된 영역에서 세계에서 가장 신뢰할 수 있는 상업 무인 운전을 만들어냈다. Tesla의 접근 방식은 세계에서 지리적으로 가장 광범위한 감독형 AV 시스템을 만들어냈다. 2028년의 질문은 FSD의 암묵적 세계 모델이 엣지 케이스에서 Waymo의 명시적 지도 신뢰성에 필적할 수 있는지다. 그렇다면 Tesla의 확장성 우위가 결정적이 된다. 그렇지 않다면 Waymo의 도시별 신뢰성 우위가 Tesla의 지리적 도달 범위보다 상업적으로 더 가치 있을 수 있다.

이 시리즈에 대하여

이 글은 피지컬 AI 벤치마크 시리즈 제196편입니다. 이전 편에서는 램프 지수, 휴머노이드 5개사 경쟁, 규제, 자본, 컴퓨팅, 센서, 유닛 경제학, 글로벌 경쟁, HD 매핑, 차량 편대 운영, 소프트웨어 아키텍처, 보험과 책임, 소비자 수요, 파트너십, 경쟁 우위, 안전 데이터, Waymo Gen 6, Optimus 제조, 스코어카드 스냅샷, 2030년 예측, 투자자 프레임워크 종합 분석, 도시별 확장 분석, 데이터 프라이버시와 사이버보안, 날씨 회복력, 응급 대응, 국제 확장, 경쟁사 환경, 소비자 만족도, 플랫폼 라이선스, 센서 공급망을 다루었습니다. 이 글은 두 회사가 2028년 이후에 내릴 모든 지리적 확장 결정의 근본에 있는 매핑 아키텍처 기반을 확립합니다.