런던 로보택시 테스트가 보여주는 자율주행 AI의 현실

런던은 자율주행차에게 친절한 도시가 아닙니다. 복잡한 교차로, 잦은 공사, 버스 전용차로, 수많은 보행자와 자전거, 그리고 좌측통행까지. 그래서 우버·리프트가 내년에 런던에서 바이두의 로보택시(아폴로 고) 테스트에 참여한다는 소식은 단순한 “지역 확장”이 아니라, AI 기반 자율주행이 ‘어디서든 통한다’는 가정을 실제로 검증하는 단계에 들어섰다는 신호에 가깝습니다. 이미 웨이모가 글로벌 확장에 대한 상징적 레퍼런스가 된 상황에서, 런던은 업계가 서로를 비교 평가하기 좋은 ‘어려운 시험장’이기도 하고요.

이 글은 짧은 뉴스 한 줄을 출발점으로, 왜 런던이 중요한지, 로보택시 확장 뒤에 어떤 **자율주행 AI·운영 기술(Ops)**이 숨어 있는지, 그리고 자동차 산업(완성차·부품·모빌리티 사업자)이 2026년을 앞두고 무엇을 준비해야 하는지까지 정리합니다. 우리 시리즈 **“자동차 산업 및 자율주행에서의 AI”**의 관점에서, 기술이 아니라 배치(Deployment) 단계에서 벌어지는 진짜 승부를 짚어볼게요.

런던 테스트가 특별한 이유: ‘지도’보다 ‘운영’이 어렵다

런던 로보택시 테스트의 핵심은 새 도시에서의 확장성을 보여주는 겁니다. 자율주행은 알고리즘만 좋다고 끝나지 않아요. 새로운 도시로 들어가면 성능의 병목은 대개 데이터 수집, 규제 대응, 안전 검증, 차량 운영, 고객 경험에서 터집니다.

런던이 특히 까다로운 이유는 세 가지로 요약됩니다.

1) 도로 규칙과 행동 패턴이 ‘모델의 상식’을 흔든다

대부분의 자율주행 학습 데이터는 특정 국가·도시에 편중되기 쉽습니다. 런던은 좌측통행뿐 아니라, 로터리(회전교차로) 비중이 높고 차선 규칙이 유연하게 운용되는 구간도 많습니다. 이런 환경에서는 **행동 예측(trajectory prediction)**과 **상호작용 모델링(보행자/자전거/차량 간 양보 규칙)**의 품질이 바로 드러납니다.

“새 도시 확장은 센서가 아니라, AI가 가진 ‘도로 위 상식’을 다시 학습시키는 과정이다.”

2) 도심 혼잡은 ‘인지’보다 ‘의사결정’을 괴롭힌다

센서(카메라·라이다·레이다)로 물체를 잘 보는 것과, 그 다음 행동을 결정하는 것은 다른 문제입니다. 런던 중심부처럼 정체가 잦고 끼어들기가 많은 곳에서는 **계획(Planning)**이 지나치게 보수적이면 주행이 멈춰 서고, 공격적이면 안전·승차감 이슈가 나옵니다. 결국 로보택시는 안전 + 승차감 + 교통 흐름 참여라는 3가지를 동시에 만족해야 합니다.

3) 규제·보험·책임 구조가 기술 로드맵을 바꾼다

유럽 도시에서의 상용화는 기술 스펙보다 운영 허가, 안전 케이스(safety case), 사고 대응 체계, 보험 설계가 먼저입니다. 테스트는 기술 시연이 아니라, **“안전관리 시스템을 도시 단위로 설치하는 작업”**에 가깝습니다.

우버·리프트·바이두가 손잡는 이유: AI보다 강한 건 ‘네트워크’다

우버와 리프트가 직접 자율주행 스택을 만들기보다 파트너십에 집중하는 건 현실적인 선택입니다. 로보택시에서 승패를 가르는 건 종종 **모델 성능 1%**가 아니라, **운영 효율 30%**거든요.

로보택시는 ‘차량 AI + 플랫폼 AI’의 결합 제품

바이두(아폴로 고)는 자율주행 기술과 운영 경험을 축적해 왔고, 우버·리프트는 배차·수요예측·가격·고객지원 같은 플랫폼 역량을 갖고 있습니다. 런던 테스트는 이 둘을 결합해 다음을 확인하는 자리입니다.

• 수요 예측과 배치 최적화: 어느 시간/구역에 몇 대를 깔아야 대기시간이 줄어드는가
• 원격 관제(Remote assistance) 연동: 예외 상황에서 누가 어떤 권한으로 개입하는가
• 서비스 품질: 탑승 성공률, 취소율, 재호출, 컴플레인 발생 패턴

여기서 중요한 포인트 하나. 로보택시의 “AI”는 주행 모델만이 아닙니다. 차량을 굴리는 모든 운영 의사결정이 AI화되고 있고, 도시 확장은 그 운영 AI를 다른 규칙·다른 수요곡선에 맞게 재학습하는 과정이기도 합니다.

왜 ‘런던’이 글로벌 확장의 기준점이 되나

미국의 일부 도시는 도로 폭이 넓고 교차로 규칙이 상대적으로 단순한 편입니다. 반면 런던은 오래된 도로 구조와 다양한 이동 수단이 뒤섞여 있어 **자율주행 AI의 일반화(Generalization)**를 검증하기 좋습니다. 웨이모에 이어 바이두 로보택시까지 들어오면, 시장은 다음 질문을 던질 겁니다.

• 누가 더 적은 원격 개입으로 같은 수준의 안전을 만들까?
• **누가 더 높은 가동률(차량이 손님 태우는 비율)**을 확보할까?
• **누가 더 낮은 운영비(세척·정비·충전·관제 인력)**로 굴릴까?

이 질문들은 전형적인 “AI 모델 비교”가 아니라, AI 기반 서비스 시스템 비교입니다.

런던에서 검증될 자율주행 AI 핵심 기술 5가지

런던 테스트에서 특히 드러날 기술 포인트를 5개로 압축하면 아래와 같습니다. 자동차 산업 종사자라면 이 목록을 체크리스트처럼 보셔도 좋아요.

1) 멀티모달 인지: 카메라·라이다·레이다의 역할 분담

도심에서는 역광, 비, 야간, 헤드라이트 난반사, 차선 지워짐 등 ‘시각적 불확실성’이 늘어납니다. 이때 센서 퓨전이 취약하면 **유령 물체(false positive)**나 **놓침(false negative)**이 늘고, 결국 보수적 주행으로 이어집니다.

실무에서 좋은 시스템은 “센서가 많다”가 아니라 불확실성을 정량화하고 행동에 반영합니다. 예를 들어 객체의 위치 분산이 커지면 차선 변경을 미루고, 감속·거리 확보 전략을 쓰는 식이죠.

2) 행동 예측: 보행자 ‘눈치게임’을 수학으로 푸는 능력

런던에서는 횡단보도 밖 무단횡단, 버스 정류장 주변의 갑작스런 이동, 자전거의 차선 침범 등이 자주 발생합니다. 고정 규칙 기반으로는 한계가 있고, 확률적 예측 + 상호작용(Interaction-aware) 계획이 중요합니다.

3) 계획(Planning): 안전을 지키면서도 ‘멈추지 않는’ 주행

로보택시가 처음 도입될 때 흔한 불만은 “너무 멈춘다”입니다. 승차감이 아니라 서비스 효율이 떨어지면 확장도 막힙니다. 런던 같은 환경에서는

• 합류/끼어들기
• 차선 막힘(불법 주정차, 배달 차량)
• 회전교차로 진입/탈출

에서 사람 운전자 수준의 자연스러움이 요구됩니다. 여기서 AI가 해야 할 일은 ‘위험 회피’만이 아니라 **교통 흐름의 일부로 참여하는 안전한 주장(assertive safety)**입니다.

4) HD맵 의존도 낮추기: 공사·차선 변경이 일상인 도시

도심은 맵이 매일 바뀝니다. 특히 연말(12월) 런던은 쇼핑 시즌과 이벤트로 임시 차단·차선 변경이 잦습니다. 그래서 “정밀지도만 믿는” 구조는 운영비가 치솟습니다.

현장에서 각광받는 방향은 지도 기반 + 온보드 인지 기반의 하이브리드입니다. 즉, 맵은 강한 프라이어(prior)로 쓰되, 실제 차선/표지판/콘을 보고 빠르게 갱신하는 구조죠.

5) 안전 검증과 데이터 플라이휠: ‘좋은 로그’가 배포 속도를 만든다

확장은 데이터 싸움입니다. 테스트 차량이 쌓는 로그를

1. 자동 라벨링
2. 시나리오 분류(near-miss, hard brake, uncertain object 등)
3. 시뮬레이션 재현
4. 회귀 테스트

로 빠르게 돌릴수록, 같은 기간에 더 많은 기능을 안정화할 수 있습니다. 여기서 AI는 주행뿐 아니라 **검증 자동화(Validation AI)**에도 쓰입니다.

자동차 산업 관점: 완성차·부품·모빌리티가 얻을 교훈

이 뉴스가 자동차 산업에 주는 메시지는 분명합니다. 자율주행은 ‘기술 옵션’이 아니라, 플랫폼과 운영이 결합된 제품군으로 굳어지고 있습니다.

완성차(OEM): “차량 판매”에서 “차량 가동률”로 KPI가 이동한다

로보택시 파트너십이 늘수록 OEM이 묻게 되는 질문은 단순합니다. “우리 차량이 로보택시로 굴러갈 때, 유지비가 얼마고 다운타임은 얼마나 되나?”

• 센서/컴퓨팅 모듈의 내구성
• 청소·정비 동선 최적화(서비스 센터 설계)
• 배터리 열관리와 충전 사이클

이게 자율주행 시대의 품질지표가 됩니다. 품질 관리는 공장 출고에서 끝나지 않고, 운영 데이터로 계속 측정돼요.

부품·소프트웨어 공급망: ADAS에서 로보택시로 요구 수준이 바뀐다

ADAS는 운전자 책임이 섞여 있지만, 로보택시는 시스템 책임이 더 커집니다. 따라서

• 센서 진단(self-diagnostics)
• 이중화(redundancy)
• 장애 안전(fail-operational/ fail-safe) 설계

같은 요구가 강해집니다. 부품사는 단품 성능보다 차량 전체 안전 케이스에 기여하는 증거 데이터를 제공할 준비가 필요합니다.

모빌리티 사업자: AI는 ‘배차’에서 ‘안전 운영’으로 확장된다

우버·리프트가 보여주는 방향은 명확합니다. 로보택시 시대의 플랫폼은

• 수요-공급 매칭
• 가격 최적화

를 넘어,

• 원격지원 워크플로우
• 사고/이슈 대응(고객 커뮤니케이션 포함)
• 지역별 규제 리포팅

까지 포함한 안전 운영 플랫폼이 됩니다.

실무자가 바로 쓸 수 있는 체크리스트 (도시 확장 관점)

런던 같은 신규 도시에서 로보택시를 준비한다면, 제가 현장에서 가장 먼저 확인하라고 권하는 건 아래 8개입니다.

1. **ODD(운행 설계 영역)**를 “넓게”가 아니라 “운영 가능하게” 정의했나?
2. 원격 관제의 **개입 기준(언제/누가/무엇을)**이 문서화돼 있나?
3. 고위험 시나리오(회전교차로, 스쿨존, 버스 전용차로)의 테스트 커버리지가 수치로 관리되나?
4. 지도 업데이트와 실차 인지의 충돌 처리 로직이 준비돼 있나?
5. 승차감 지표(급가감속, jerk)와 안전 지표를 동시에 최적화하고 있나?
6. 세척·정비·충전까지 포함한 **턴어라운드 타임(TAT)**이 측정되나?
7. 고객 앱/콜센터가 로보택시 특성을 반영해 이슈 분류 체계를 갖췄나?
8. 규제기관·지자체에 제출할 안전 리포팅 템플릿이 자동화돼 있나?

이 리스트는 “AI 모델을 더 키우자”가 아니라, AI가 안전하게 돈을 벌도록 만드는 운영 체계에 초점이 있습니다.

런던 이후를 어떻게 봐야 하나: 2026년의 승자는 ‘확장 비용’을 줄인다

우버와 리프트가 바이두 로보택시를 런던에서 테스트한다는 소식은, 자율주행 기술 경쟁이 다음 라운드로 넘어갔다는 뜻입니다. 이제 관전 포인트는 “누가 더 잘 달리나”에서 “누가 더 빨리, 더 싸게, 더 안전하게 도시를 늘리나”로 바뀌고 있어요. 그리고 그 중심에 **자율주행 AI(인지·예측·계획)**와 **운영 AI(배치·원격지원·검증 자동화)**가 함께 있습니다.

우리 “자동차 산업 및 자율주행에서의 AI” 시리즈에서 계속 강조해온 것도 이 지점입니다. AI는 차량 안에서만 똑똑해지는 게 아니라, 차량이 산업 시스템 속에서 굴러가도록 바깥(공장, 정비, 관제, 고객 경험)까지 재편합니다.

당신이 자동차 OEM이든, 부품사든, 모빌리티 플랫폼이든 지금 던져야 할 질문은 하나입니다. “우리 조직은 다음 도시 확장 때 드는 비용을 얼마나 줄일 수 있나?” 런던에서 나올 답이, 2026년 로보택시 시장의 속도를 결정할 겁니다.