“웨이모는 비싸고, 테슬라는 위험하다!”

웨이모는 너무 비싸고, 테슬라는 너무 위험하다. 자율주행의 미래를 이끄는 두 거인이 남긴 간극 속에서, 실리콘밸리의 스타트업 Zendar는 ‘AI 레이다’라는 세 번째 길을 열고 있다. 전파 천문학과 머신러닝의 원리를 품은 Zendar의 Semantic Spectrum Radar AI는 기존 포인트 클라우드 레이다보다 10배 높은 해상도와 정밀도, 10배 효율적인 연산 구조를 통해 자율주행의 인식 체계를 근본적으로 바꾸고 있다. 이 기술은 단순히 차량의 ‘눈’을 대체하는 것이 아니라, OEM이 비용 효율성과 안전성을 동시에 확보할 수 있는 새로운 아키텍처를 제시하며, 자율주행 산업이 직면한 불합리한 위험과 정체를 단숨에 돌파하고 있다. The Autonomous에서 수닐 토마스 CBO와 만났다. 

글 | 한상민 기자_han@autoelectronics.co.kr
IN ENGLISH

보쉬의 AI 선언, 레벨 2++에서 시작된 미래
비전 센서만으로 자율주행 절대! 결코! 실현되지 않는다!
안전을 설계하다: E2E 아키텍처와 자율주행의 미래
The Autonomous, 안전 아키텍처 로드맵 2판 공개
E/E 아키텍처서 10년 앞서간 리키 후디, 자율주행을 말하다
Roboauto: 자율주행과 인간을 잇는 신뢰의 다리





Zendar가 설립된 계기와 초기 비전은 무엇이었나요? 당시 자율주행 산업에서 어떤 한계가  창업을 이끌었는지 궁금합니다. 
Thomas        Zendar는 매핑과 전파 천문학 분야에서 활동하던 전문가들이 모여 설립한 회사입니다. 이들은 차량용 레이다 기술이 오랜 기간 사실상 정체되어 있다는 점을 명확히 인식했습니다. 지난 10여 년 동안 업계는 단지 미세한 개선만을 거듭했을 뿐, 자율주행이 요구하는 수준의 성능과 정밀도에는 도달하지 못하고 있었습니다.
이에 창립자들은 새로운 접근이 필요하다고 판단했습니다. 그들은 전파 천문학과 머신러닝에서 사용되는 첨단 원리를 자동차 레이다 기술에 접목함으로써, 기존의 한계를 뛰어넘는 ‘양자 도약(quantum leap)’ 수준의 혁신을 이뤄낼 수 있다고 보았습니다. 단순히 하드웨어의 성능을 개선하는 차원을 넘어 인식과 데이터 처리 방식을 근본적으로 재정의함으로써 자율주행차의 미래를 새롭게 설계하고자 한 것입니다. 결국 Zendar는 이런 한계를 극복하고 자율주행차가 세상을 바라보는 방식을 완전히 바꾸기 위한 비전에서 탄생했습니다.


 

Zendar가 현재의 AI 레이다 기술에 이르기까지 어떤 주요 전환점과 기술적 돌파구가 있었나요? 그리고 초기 단계에서 가장 큰 어려움은 무엇이었나요? 
Thomas            Zendar가 지금의 AI 기반 레이다 기술에 도달하기까지의 여정은 끊임없는 연구와 여러 차례의 중요한 기술적 돌파로 점철돼 있습니다. 초창기 Zendar 팀은 합성 개구 레이다(SAR, Synthetic Aperture Radar)의 원리를 연구하며 출발했습니다. 그러나 곧 업계가 SAR 기술이 만들어내는 복잡한 출력을 효과적으로 활용하지 못하고 있다는 사실을 깨닫게 되었습니다. 바로 이 통찰이 결정적인 전환점이었습니다.
Zendar는 방향을 전환해 ‘분산형(distributed) 레이다’ 접근법을 모색하기 시작했습니다. 이 아이디어는 전파 천문학에서 영감을 얻은 것이었습니다. 전파 천문학자들은 서로 다른 대륙에 흩어져 있는 여러 개의 망원경을 결합해 하나의 거대한 ‘가상 안테나’를 만들어내는데, Zendar는 이 원리를 자동차 레이다에 적용하고자 했습니다. 여러 대의 단순한 레이다를 정밀하게 동기화해 하나의 거대한 감지 시스템처럼 작동하도록 함으로써, Zendar는 기존보다 10배나 높은 해상도를 달성하는 데 성공했습니다. 이는 차량용 레이다 기술 발전사에서 커다란 도약이었습니다.

하지만 초기 단계에서 마주한 가장 큰 도전은 기술적인 문제보다도 업계의 ‘고정된 인식 구조’였습니다. 당시 자동차 산업 전반은 여전히 포인트 클라우드(point cloud)와 객체 클러스터링(object clustering)을 레이다 인식(perception)의 주된 출력 방식으로 사용하는 데 익숙해 있었습니다. Zendar의 연구팀은 곧 이런 접근이 레이다의 진정한 잠재력을 심각하게 제한한다는 사실을 발견했습니다. 레이다가 제공하는 스펙트럼 데이터(radar spectrum data) 안에는 포인트 클라우드로 단순화하는 과정에서 버려지는 막대한 양의 유용한 정보가 숨어 있었던 것입니다.

이 깨달음이 Zendar의 방향을 완전히 바꿔놓았습니다. 팀은 더 이상 기존의 단순화된 인터페이스에 머무르지 않고, 레이다 스펙트럼 전체를 활용하는 새로운 인식 접근법을 추구하기로 했습니다. 여기에 첨단 신경망 모델링(neural network modeling)을 결합함으로써, 그들은 레이다 데이터를 단순한 점의 집합이 아니라 ‘의미 있는 정보의 스펙트럼’으로 해석할 수 있는 새로운 패러다임을 구축했습니다.
그 결과물이 바로 Zendar의 혁신적인 ‘Semantic Spectrum Radar AI’입니다. 이는 레이다 인식 기술의 본질을 완전히 재정의한 기술로, 자율주행차가 세상을 인식하는 방식을 근본적으로 바꿔놓았습니다. Zendar의 여정은 이처럼 기존의 한계를 넘어선 발상의 전환과 데이터의 본질을 다시 바라본 깊은 통찰에서 출발한 것입니다. 

레이다 스펙트럼의 신경망 처리

‘비합리적 위험(Unreasonable Risk)’이란 개념을 언급하셨습니다. 이는 자율주행 산업의 어떤 구체적 문제를 지칭하는 것인가요? 그리고 왜 이런 문제들이 충분히 해결되지 않고 있다고 보시나요? 
Thomas            자율주행 산업에서 말하는 ‘비합리적 위험’이라는 개념은 서로 다른 두 가지, 그러나 모두 핵심적인 문제를 가리킵니다. 바로 ‘센서 과포화(sensor-rich) 접근의 경제적 비현실성’과 ‘카메라 중심(camera-only) 접근의 기술적 불안정성’이 그것입니다.
먼저 ‘센서 과포화’ 경로는 안전 측면에서 본질적으로 위험하다고 보긴 어렵지만, 비용 구조 면에서 보면 전혀 지속가능하지 않습니다. 다수의 고가 센서, 예를 들어 라이다, 고성능 레이다, 초고해상도 카메라, 고정밀 GPS 등을 대량으로 탑재한 시스템은 차 한 대당 비용을 지나치게 끌어 올립니다. 이렇게 되면 대규모 상용화가 사실상 불가능해지고, 결과적으로 자율주행 운영 설계 영역(ODD) 확장을 위한 핵심 동력인 ‘데이터 플라이휠(data flywheel)’, 즉 운행 데이터가 축적되며 학습이 가속되는 선순환 구조를 형성하기 어려워집니다. 비용 문제를 해결하지 못한 채 안전성만을 고집하는 접근은 결국 자율주행 기술의 확장성과 진화를 스스로 가로막게 되는 셈입니다.

반면 ‘카메라 온리’ 접근법은 앞선 경우와 달리 안전성 자체에서 ‘비합리적 위험’을 내포하고 있습니다. 카메라는 본질적으로 환경에 매우 민감한 센서입니다. 비, 눈, 안개 같은 악천후뿐 아니라, 태양광의 반사나 눈부심과 같은 단순한 조건 변화에도 인식 성능이 급격히 저하됩니다. 또한 카메라의 감지 거리 자체가 제한적이기 때문에 고속도로 주행이나 로보택시 운행처럼 높은 속도와 장거리 인식이 필요한 상황에서는 안정적인 운행을 보장하기 어렵습니다.
이처럼 근본적으로 불완전한 센서 특성과 환경 의존성이 결합될 때, ‘카메라 온리’ 접근은 자율주행의 대규모 상용화를 위한 ‘감당할 수 없는 수준의 위험’, 즉 ‘비합리적 위험’을 초래하게 됩니다. 이런 위험은 단순한 기술적 결함이 아니라, 설계 철학 자체의 한계에서 비롯된 것이기 때문에 근본적인 대안 없이는 해결될 수 없습니다.
결국 ‘비합리적 위험’이란 표현은 자율주행 산업이 현재 직면한 양극단의 문제, 즉, 너무 비싸서 확장 불가능한 접근과 너무 불안정해서 안전하지 않은 접근을 동시에 지적하는 것입니다. 그리고 이 둘 사이에서 새로운 균형점을 찾지 못하는 한 자율주행의 진정한 대중화와 안전한 확산은 요원하다는 점을 강하게 시사하고 있습니다.


 

그래요. 당신은 웨이모의 ‘안전 최우선의 비용 불문형(Safety-at-any-cost)’ 접근과 테슬라의 ‘카메라 중심의 최소주의(Camera-centric minimalism)’ 접근을 모두 비판하셨죠.  업계가 여기서 어떤 교훈을 얻어야 한다고 생각하시나요?
Thomas            Zendar는 웨이모와 테슬라가 각각 선택한 두 극단적인 접근 방식, ‘안전 최우선의 비용 불문형’ 전략과 ‘카메라 중심의 최소주의’ 전략 모두 자율주행 기술의 확장성과 신뢰성 있는 상용화를 가로막는 근본적인 한계를 지니고 있다고 봅니다.
먼저 웨이모의 접근은 안전을 최우선으로 두는 점에서 그 철학 자체는 존중받을 만합니다. 그러나 이 접근은 막대한 자본 지출(capital expenditure)을 전제로 하기 때문에 본질적으로 지속가능하지 않습니다. 다수의 고가 센서를 탑재하고, 도시마다 인프라를 맞춤 구축하며, 수십억 달러 규모의 운행 데이터를 확보하는 방식은 실험적 단계에서는 가능하지만, 산업적 규모로 확장하는 순간 경제성이 무너집니다. 이런 구조에서는 필수적인 데이터 플라이휠, 즉 운행이 늘수록 더 많은 데이터를 축적하고 이를 통해 시스템이 계속 학습·개선되는 선순환을 만들 수 없습니다. 결국, 비용을 통제하지 못한 채 안전만을 추구하는 전략은 기술적 완성도는 높더라도 산업 전체의 확산 속도를 늦추는 역효과를 낳습니다. 여기서 얻을 수 있는 교훈은 명확합니다. 안전은 물론 최우선 가치이지만, 경제적 확장성과 병행되지 않는 안전은 산업적 의미를 갖기 어렵다는 것입니다.
테슬라는 정반대의 극단에 있습니다. 테슬라는 카메라 기반 인식만으로 자율주행을 구현하겠다는 철학을 고수하고 있지만, 이 접근은 센서 자체의 물리적 한계에서 출발한 근본적 불완전성을 안고 있습니다. 카메라는 본질적으로 환경 요인에 매우 취약한 센서로, 햇빛의 반사나 눈부심, 비·눈·안개 같은 악천후, 심지어 역광과 그림자에도 인식 성능이 불안정하게 변합니다. 또한 시야가 가려진 차량(occluded vehicle)이나 정체된 교통 상황, 갑작스러운 끼어들기(cut-in) 등 실제 도로에서 자주 발생하는 복잡한 시나리오를 신뢰성 있게 처리하기 어렵습니다. 이런 한계로 인해 카메라 전용 시스템은 고속도로 등 고속 주행 환경에서 요구되는 안정적 신뢰성(reliability)을 절대 확보할 수 없습니다.
결국 업계가 배워야 할 핵심 교훈은, 단일하고 불완전한 센서 유형에 의존하는 것은 근본적으로 위험하다는 것, 그리고 다양한 센서 융합과 데이터 해석의 균형 잡힌 접근이야말로 자율주행의 지속가능한 길이라는 점입니다. 웨이모와 테슬라는 각각 ‘안전’과 ‘비용 효율성’이라는 상반된 가치를 극단적으로 추구했지만, 두 경우 모두 균형을 잃은 결과 결국 확장성과 신뢰성의 벽에 부딪히고 있습니다. 자율주행의 미래는 이 두 극단 사이에서 새로운 해법, 경제성과 안전성이 조화를 이루는 기술적 균형점을 찾는 데 달려 있습니다.


Zendar는 스펙트럼 수준의 데이터를 AI와 결합해 전통적인 포인트 클라우드 레이다의 한계를 넘어선다고 하셨습니다. 이런 접근이 기존 레이다의 한계를 어떻게 극복하는지, 그리고 현재의 4D 이미징 레이다와 비교했을 때 어떤 차별성과 보완 가능성이 있는지 궁금합니다. 통합 혹은 대체의 잠재력도 있다고 보시나요?
Thomas            Zendar의 혁신적인 접근은 ‘스펙트럼 수준의 데이터(spectrum-level data)’를 AI와 직접 결합함으로써 기존 레이다 기술의 구조적 한계를 근본적으로 뛰어넘는 데 있습니다. 전통적인 차량용 레이다 시스템은 본래 매우 복잡한 신호를 단순화해 ‘포인트 클라우드’ 형태로 출력합니다. 이 과정에서 막대한 양의 중요한 정보가 버려집니다. 즉, 레이다가 원래 감지할 수 있는 물체의 질감, 반사 특성, 공간적 맥락 등 세밀한 데이터가 단순한 점들의 집합으로 축약돼 버리는 것입니다.
Zendar의 ‘Semantic Spectrum Radar AI’는 이런 정보 손실을 근본적으로 방지합니다. 이 기술은 단순히 점 데이터를 처리하는 대신, 레이다가 수집한 풍부하고 세밀한 스펙트럼 데이터를 직접 분석합니다. 이를 통해 환경에 대한 훨씬 더 정교하고 깊이 있는 이해를 가능하게 합니다. 결과적으로 물체의 정확한 탐지(detection), 분류(classification), 추적(tracking) 성능이 크게 향상되며, 기존 포인트 클라우드 기반 시스템이 안고 있던 데이터 손실과 인식의 모호성(perceptual ambiguity)을 극복하게 됩니다.

한편, Zendar의 기술을 현재 널리 논의되고 있는 4D 이미징 레이다와 비교해 보면, 흥미로운 차이점이 있습니다. 일반적으로 4D 이미징 레이다는 여러 개의 칩을 직렬로 연결하는 ‘멀티칩 캐스케이드 구조(multi-chip cascaded arrangement)’를 사용해 기존 레이다보다 높은 해상도를 제공합니다. 하지만 이 방식에도 두 가지 근본적인 한계가 존재합니다.
첫째, 해상도의 불충분함(insufficient resolution)입니다. 현재의 4D 이미징 레이다는 수평 해상도는 어느 정도 개선됐지만, 수직 해상도(vertical resolution)가 여전히 부족합니다. 예를 들어, 150m 거리에서 ‘주차된 트럭’과 ‘교량’을 구분하기 위해서는 1도 미만의 수직 해상도가 필요합니다. 그러나 현존하는 4D 이미징 레이다는 이 기준에 도달하지 못하고 있습니다. 즉, 고정된 물체나 복잡한 구조물을 먼 거리에서 신뢰성 있게 인식하는 데 한계가 있는 것입니다.
둘째, 비용 대비 효과의 문제입니다. 4D 이미징 레이다는 단일 칩 레이다에 비해 훨씬 비쌉니다. 이로 인해 OEM들은 양산 차량에 이 기술을 적용하는 데 주저하게 됩니다. 비용이 크게 증가하는 반면, 실제 주행 안전성과 인식 성능에서 얻는 이익은 그만큼 크지 않기 때문입니다. 이런 불균형은 4D 이미징 레이다가 시장에서 광범위하게 통합되거나 표준화되는 것을 가로막고 있습니다.
이와 비교했을 때, Zendar의 기술은 전통적 레이다를 뛰어넘을 뿐 아니라, 4D 이미징 레이다가 가진 핵심적인 약점까지 해결합니다. 스펙트럼 전체를 활용해 훨씬 더 높은 인식 정밀도를 달성하면서도 시스템 설계의 단순성과 비용 효율성을 유지하기 때문입니다. 따라서 Zendar의 AI 레이다는 단순한 보완재가 아니라, 장기적으로는 기존의 고비용·저효율 솔루션을 대체할 수 있는 잠재력을 지니고 있습니다. 물론 특정한 틈새 응용 분야에서는 4D 이미징 레이다와의 통합이 가능할 수도 있습니다. 하지만 궁극적으로 Zendar의 기술은 시장 수용 가능한 가격대에서 탁월한 인식 성능을 제공함으로써 자율주행의 핵심 인식 플랫폼으로 자리 잡을 수 있는 강력한 대안을 제시하고 있습니다.



고속도로에서의 레이더 AI 출력

도시에서의 레이다 AI 출력

레이다 AI 장면 이해

완전한 자율주행을 구현하기 위해서는 센서 융합이 매우 중요합니다. Zendar의 AI 레이다는 카메라나 라이다 등 다른 센서와 결합될 때 어떤 구체적인 시너지를 만들어낼 수 있습니까?
Thomas            Zendar의 AI 레이다는 특히 카메라와 결합될 때 매우 강력하고 구체적인 시너지를 창출합니다. 이를 통해 자율주행에 필수적인 견고하면서도 비용 효율적인 인식 시스템을 구현할 수 있습니다. 현재 저희는 여러 OEM들과 협력해 그들의 카메라 인식 출력과 Zendar의 시맨틱 스펙트럼 출력을 융합하는 프로젝트를 적극적으로 진행하고 있습니다. 이는 각 센서가 지닌 상호 보완적 강점을 극대화하기 위한 접근입니다.
현재 중간 가격대 차량에서 흔히 사용되는 센서 구성은 ‘1V5R’, 즉 카메라 1대와 레이다 5대입니다. 이 구성을 기준으로 보면, 단일 카메라는 약 30미터 거리까지는 비교적 정확한 객체 위치를 제공합니다. 그러나 그 이상의 거리에서는 신뢰성이 급격히 떨어지기 시작합니다. 이는 카메라의 감지 거리 한계와 환경 의존성(날씨, 조도, 반사 등) 때문입니다.
Zendar의 접근 방식은 이런 한계를 명확히 인식하고, 거리별로 센서의 강점을 지능적으로 배분하는 것입니다. 즉, 차량 전방 약 30미터 구간에서는 카메라의 데이터를 중심으로 활용하고, 그 이후의 장거리 구간에서는 Zendar의 시맨틱 레이다 출력을 주도적으로 사용합니다. 이렇게 함으로써 카메라 인식에서 발생할 수 있는 위치 오차를 레이다가 실시간으로 교정하게 됩니다.

이런 지능형 융합은 두 센서의 장점을 모두 살립니다. 카메라는 근거리에서 풍부한 시각적 세부 정보를 제공하며, Zendar의 레이다는 악천후나 야간, 눈부심 등 어려운 조건에서도 장거리에서 정밀하고 신뢰성 있는 인식을 보장합니다. 두 시스템을 결합하면, 각각의 단점을 상호 보완하면서 안정성과 경제성 모두를 갖춘 고성능 센서 스위트가 완성됩니다.
결국, Zendar의 AI 레이다는 단순히 하나의 센서로 작동하는 것이 아니라, 다른 센서와의 조화로운 융합을 통해 자율주행의 안전성과 효율성을 극대화하는 핵심 축이 됩니다. 이런 융합형 인식 시스템은 자율주행차가 더 멀리, 더 정확하게, 그리고 더 안전하게 주행할 수 있는 토대를 마련하며, 완전한 자율주행으로 나아가는 길을 현실로 만들고 있습니다.


AI 기반 레이다 인식은 카메라 기반 시스템보다 연산 효율 측면에서 최대 10배나 비용 효율적이라고 말씀하셨습니다. 이런 비용상의 이점이 차량의 센서 아키텍처나 OEM의 설계 전략에 어떤 영향을 미칠 것으로 보십니까? 비용, 안전성, 성능 측면에서 OEM이 어떤 선택을 하게 될 것으로 예상하십니까? 
Thomas            Zendar의 AI 기반 레이다 인식 기술은 카메라 기반 시스템보다 연산 효율(compute efficiency) 측면에서 약 10배 이상 비용 효율적입니다. 이런 구조적인 이점은 향후 차량의 센서 아키텍처와 OEM의 설계 전략을 근본적으로 재편할 잠재력을 지니고 있습니다. 특히 첨단 운전자 지원 시스템(ADAS) 산업이 기존의 규칙 기반(rules-based) 접근에서 AI 중심 패러다임으로 전환되는 시점에서 이 비용 효율성은 OEM의 의사결정에 가장 큰 영향을 미치는 요인이 될 것입니다.

먼저 비용 측면에서 보면, OEM은 이제 양산 가능한 ADAS 솔루션을 우선적으로 채택할 수밖에 없습니다. 현재 레벨 3 자율주행 차량의 보급이 제한적인 이유는 명확합니다. 바로 높은 시스템 비용이 데이터 축적과 전체 비용 절감을 동시에 가로막고 있기 때문입니다. Zendar의 솔루션은 이런 구조적 병목을 해소합니다. 예를 들어, Zendar의 AI 레이다를 중심으로 하는 1V5R 센서 구성은 단 20 TOPS급 SoC 위에서도 구동이 가능합니다. 이는 현재 레벨 2+ 시스템이 요구하는 200~500 TOPS급 SoC와 비교하면 연산 비용이 획기적으로 감소하는 수준입니다. 이렇게 되면 OEM은 별도의 고가 하드웨어를 추가하지 않고도 Autopilot, Navigate on Autopilot(NoA), 나아가 레벨 3 수준의 고도화된 기능까지 구현할 수 있습니다. 즉, 고성능과 대중성을 동시에 실현하는 새로운 길이 열리는 셈입니다.

안전성 측면에서 보면, 자율주행이 규칙 기반 시스템에서 AI 기반 시스템으로 전환되는 과정에서는 방대한 데이터와 지속적인 피드백 루프가 필수적입니다. AI 모델은 더 많은 데이터를 학습할수록 정교해지고 안전해집니다. Zendar의 솔루션은 그 자체가 비용 효율적이기 때문에 더 많은 차량에 탑재될 수 있으며, 이는 곧 더 많은 데이터 수집으로 이어집니다. 즉, 비용 효율성이 곧 안전성의 확장을 가능하게 하는 구조입니다. 대규모 차량 플릿을 통해 얻어지는 실도로 주행 데이터는 AI 모델을 끊임없이 개선시키는 연료가 됩니다. OEM은 이런 점에서 확장 가능하고 지속적으로 개선되는 안전 프레임워크를 구축할 수 있는 솔루션을 선호하게 될 것입니다.

마지막으로 성능 측면에서 보면, 오늘날 고객들은 단순히 개별 기능의 조합이 아닌, 일관되고 매끄러운 ADAS 경험을 원하고 있습니다. 규칙 기반 시스템이 제공하던 단편적인 기능의 한계를 넘어, AI 기반 인식과 융합을 통해 신뢰성 있는 성능을 지속적으로 경험하기를 기대합니다. Zendar의 레이다 중심 인식은 카메라 데이터와의 융합을 통해 이런 요구를 가장 비용 효율적으로 충족시킵니다. OEM은 결국 레벨 2+에서 레벨 3, 레벨 4, 그리고 로보택시에 이르는 전 라인업에 걸쳐 일관된 고성능 인식 기능을 제공하면서도 비용을 효율적으로 관리할 수 있는 기술을 선택하게 될 것입니다.
요약하자면, Zendar는 OEM이 앞으로 비용 효율적이면서도 확장가능한 AI 기반 ADAS의 경로를 우선시할 것으로 예상하고 있습니다. 안전과 성능에 대한 고객의 기대가 높아지는 가운데, 과도한 비용을 들이지 않고 이를 충족시킬 수 있는 유일한 현실적 해답이 바로 이러한 접근이기 때문입니다. Zendar의 기술은 경제성, 안전성, 성능이라는 세 가지 축을 모두 균형 있게 충족시키며, 자율주행 시대의 센서 아키텍처 재편을 주도할 것으로 확신합니다.


 

지금까지 Zendar의 기술이 적용된 가장 주목할 만한 프로젝트나 파일럿 프로그램에는 어떤 것들이 있습니까? 고객이나 파트너로부터 받은 주요 피드백을 공유해주실 수 있을까요? 혹시  독일의 특정 위치에 기반을 두고 있는 만큼 아우모비오 같은 기업과 협업이 있는지도 궁금합니다. 
Thomas            Zendar는 현재 유럽과 아시아 전역의 다양한 고객들과 함께 다수의 프로젝트 및 파일럿 프로그램을 활발히 진행하고 있습니다. 다만 이런 협력의 세부 내용은 아직 공식 발표 이전 단계에 있기 때문에 구체적인 파트너사나 프로젝트 명을 공개하기는 어렵습니다. 그럼에도 불구하고 지금까지 저희가 파트너들로부터 받은 피드백은 매우 긍정적이며, 나아가 큰 자신감을 주고 있습니다. 
특히 많은 파트너사가 Zendar의 시맨틱 스펙트럼 기술이 자율주행과 ADAS의 혁신을 가속화한다고 평가하고 있습니다. 이 기술을 통해 그들은 고속도로에서의 완전한 핸즈프리 주행(hands-free driving)과 같은 고도화된 기능을 구현하면서도 시장 경쟁력을 유지할 수 있는 비용 수준에서 이를 제공할 수 있게 되었다고 말합니다. 이는 바로 Zendar가 지향하는 핵심 목표, 고성능이면서도 비용 효율적인 자율주행 인식 솔루션을 제공한다는 비전이 실제 시장에서 입증되고 있다는 것을 보여줍니다.
독일 내 협업과 관련해서 말씀드리면, Zendar는 현재 독일을 포함한 유럽 여러 지역에 기반을 두고 있으며, 다양한 산업 파트너들과 활발히 교류하고 있습니다. 다만 아우모비오와 같은 특정 기업명은 아직 공개할 단계가 아니기 때문에, 현재는 구체적인 협력 관계를 언급드리기 어렵습니다. 그러나 독일 내 자동차 산업 전반과의 기술적 협력과 공동 연구 활동은 꾸준히 확대되고 있으며, Zendar의 기술이 현지 OEM과 티어 1 공급망의 관심을 받으며 빠르게 확산되고 있는 것은 분명한 사실입니다.


레이다 기반 인식 기술은 여전히 명확한 규제나 표준이 마련되지 않은 상황입니다. Zendar는 이런 표준화나 생태계 구축 측면에서 어떤 역할을 하고 있습니까?
Thomas            현재 카메라 시스템과 마찬가지로, 레이다 기반 인식 분야는 아직 명확하게 확립된 규제나 산업 표준이 존재하지 않습니다. 그러나 Zendar는 이런 제도적 표준화 작업보다는 보다 직접적이고 실질적인 방식으로 생태계에 기여하고 있습니다.
Zendar의 핵심 목표는 세계에서 가장 발전된 인식 기술을 가능한 한 낮은 비용으로 시장에 제공하는 것입니다. 즉, 규제를 만드는 것이 아니라, 기술력과 경제성을 통해 시장이 자발적으로 따르게 될 새로운 기준을 제시하는 것입니다. 저희는 AI 기반 레이다 인식이 실제로 어떤 성능과 가치를 제공할 수 있는지를 명확하게 증명함으로써 향후 산업 표준의 방향성을 자연스럽게 이끌어갈 수 있다고 믿습니다.

현재 Zendar는 자사 기술을 특정 표준으로 고정하거나 제도화하는 데 집중하고 있지 않습니다. 대신 탁월한 성능과 경제적 실현 가능성을 실증함으로써, 시장이 스스로 인정하고 수용하게 되는 사실상의 기준을 만들어가고 있습니다. 이는 표준화를 ‘문서로 정의’하는 대신, 기술로 증명하는 접근 방식이라고 할 수 있습니다.
또한, Zendar는 글로벌 OEM 및 티어1 기업들과의 협력을 통해 이런 철학을 실제 시장에 구현하고 있습니다. 비록 구체적인 협력 사례를 아직 공개할 수는 없지만, 현재 여러 글로벌 완성차 제조사들이 Zendar의 기술을 파일럿 단계에서 검증하고 있으며, 그 결과에 매우 긍정적인 반응을 보이고 있습니다. 이는 Zendar의 기술이 단순히 새로운 레이다 솔루션이 아니라, 미래 자율주행 산업의 인식 표준을 재정의할 잠재력을 지닌 기술임을 보여주는 단적인 예라고 할 수 있습니다.


향후 5~10년 동안 Zendar가 추구하는 주요 기술적 및 비즈니스 목표는 무엇입니까? 그리고 SDV 시대에 Zendar가 어떤 역할을 하기를 기대하십니까? 
Thomas            향후 5~10년 동안 Zendar의 핵심적인 기술 및 비즈니스 목표는 비용 효율적이면서도 신뢰성이 높은 자율주행 인식 시스템 분야에서 확고한 리더십을 구축하는 것입니다. 저희는 레이다 중심 인식 체계가 카메라 데이터와 지능적으로 융합될 때 자율주행의 안전성과 효율성을 동시에 달성할 수 있는 가장 이상적인 접근 방식이라고 확신합니다.
단기적으로는 향후 2~3년 동안 이 신뢰성을 완벽하게 다듬고, Zendar의 기술이 탑재된 레벨 2+ 차량을 실제 도로에 내보내는 것이 목표입니다. 이 과정을 통해 현실적인 주행 환경에서 시스템의 성숙도를 검증하고, 동시에 대규모 양산을 위한 기반을 마련할 것입니다.
장기적으로는 이런 핵심 기술이 레벨 3와 레벨 4 수준의 자율주행차, 그리고 궁극적으로는 로보택시와 같이 극도로 높은 신뢰성과 정밀도를 요구하는 영역으로 자연스럽게 확장될 수 있다고 확신합니다. Zendar의 기술은 이미 그 구조와 연산 효율, 확장성 면에서 이러한 상위 단계의 요구사항을 충족할 준비가 돼 있습니다.

한편, SDV의 전환이 본격화되는 시대에 Zendar는 진정한 ‘지능형 인식’의 구현을 가능하게 하는 핵심 인에이블러로 자리매김하고자 합니다. SDV는 하드웨어 중심에서 소프트웨어 중심으로 패러다임이 완전히 이동하는 변혁의 시대를 상징합니다. 이 과정에서 인식 시스템 역시 정적 기능이 아니라, 지속적으로 학습하고 진화하는 적응형 구조로 변화해야 합니다.
Zendar의 AI 레이다는 이런 변화의 중심에 있습니다. 탁월한 연산 효율성과 데이터 활용 능력을 갖춘 Zendar의 기술은 SDV 아키텍처에서 핵심적인 기반(backbone) 역할을 하게 될 것입니다. 
저희는 Zendar의 기술이 OEM이 ADAS와 자율주행 기능을 더 빠르고 더 효율적으로 소프트웨어를 통해 배포·업데이트할 수 있도록 지원할 것으로 기대합니다. 즉, Zendar의 비용 효율적이고 고성능의 인식 기반을 활용함으로써, OEM은 새로운 기능을 지속적으로 확장하고 차량의 안전성·성능·기능성을 소프트웨어 레벨에서 강화할 수 있습니다.
결국 Zendar는 SDV 시대의 핵심 역할을 맡아, 자율주행차가 진정으로 지능적이고, 적응하며, 진화하는 시스템으로 발전하는 데 기여하고자 합니다. 그리고 그 여정의 중심에는 언제나 “더 안전하고, 더 효율적이며, 더 접근 가능한 인식 기술”이라는 Zendar의 철학이 자리하고 있습니다.


 

마지막으로, 한국의 자동차 산업과 기술 커뮤니티에 전하고 싶은 메시지가 있으신가요? 
Thomas            존경하는 한국의 자동차 산업과 기술 커뮤니티에 Zendar는 혁신과 협력의 메시지를 전하고자 합니다. 저희는 자율주행의 미래가 고신뢰성과 비용 효율성을 동시에 갖춘 인식 시스템으로의 패러다임 전환에 달려 있다고 믿습니다.
Zendar의 AI 레이다는 레이다 스펙트럼에서 풍부한 의미적 정보(semantic information)를 추출해 내는 독자적인 능력을 바탕으로, 이런 전환을 실현할 수 있는 검증된 해답을 제시합니다. 이 기술은 단순히 인식을 ‘정확하게’ 하는 수준을 넘어, 자율주행의 안전성과 효율성, 그리고 대중적 접근성을 동시에 가능하게 합니다.
저희는 한국의 완성차 OEM과 기술 선도기업들과의 협력을 진심으로 기대하고 있습니다. Zendar의 혁신적인 레이다 솔루션을 한국의 첨단 개발 생태계와 결합함으로써 ADAS와 자율주행 기술의 발전을 가속화하고 함께 더 안전하고, 더 효율적이며, 더 많은 사람들이 누릴 수 있는 이동의 미래를 만들어가고 싶습니다.
Zendar는 자사의 기술이 한국 자동차 산업이 이 새로운 지능형 모빌리티 시대(Intelligent Transportation Era)의 선두에 설 수 있도록 강력한 동력이 될 것이라고 확신합니다. 한국의 창의성과 기술력, 그리고 글로벌 시장에서의 실행력을 바탕으로, 우리는 함께 자율주행의 미래를 재정의할 수 있을 것입니다.

AEM(오토모티브일렉트로닉스매거진)

---