차량 운영자, 물류 관리자 또는 운전석에 사람이 운전하지 않고 패키지가 나타날 때까지 기다리는 사람 등 자동 배송 차량 공간에서 시간을 보낸 적이 있다면 이러한 시스템에 대한 과대광고가 현실이라는 것을 알 수 있습니다. 그러나 귀하가 이러한 차량을 제작, 통합 및 확장하는 임무를 맡은 공급업체라면 차량을 안정적이고 안전하며 비용 효율적으로 이동시키는 수백만 개의 작고 협상할 수 없는 세부 사항을 살펴보면서 과대 광고는 빠르게 사라집니다. 지난 6년 동안 우리 팀은 200개가 넘는 제품을 설계, 배포 및 최적화했습니다.자동 배송 차량미국 12개 도시에서 배운 교훈 중 가장 마음에 남는 교훈은 바로 "작동하는 프로토타입"과 "확장 가능하고 수익성 있는 차량" 사이의 가장 일반적인 격차는 하드웨어나 센서 기술이 아니라 데이터 관리라는 것입니다. 너무 많은 팀이 자율 전달 데이터를 사후 고려 사항, 규정 준수 또는 사고 후 검토를 위해 수집하고 보관할 항목으로 처리합니다. 실제로 이는 새벽 2시에 이동하는 경로부터 공사 구역이 나타날 때 조정하는 방법까지 이러한 차량이 내리는 모든 결정의 중추입니다. 이 게시물에서는 우리가 수천 건의 배송 실행을 통해 갈고 닦은 협상할 수 없는 데이터 관리 요구 사항을 분석하고, 한 번이라도 건너뛰면 운영 첫 해가 되기 전에 차량이 침몰할 수 있는 이유를 설명하겠습니다.
먼저, 이것을 우리가 겪고 있는 현실에 근거해 보겠습니다.무인 배송 차량실제로 매일 그렇습니다. A지점에서 B지점으로 한 사람만 이동하면 되는 자율주행 승용차와는 달리, 당사의 차량은 경로당 15개 이상의 정류장을 처리하고, 온도에 민감한 상품(식료품, 의약품, 심지어 냉동식품까지)을 운반하며, 조용한 교외 막다른 골목부터 이중 주차 차량과 무단횡단 차량이 있는 밀집된 시내 지역에 이르기까지 다양한 환경에서 작동합니다. 이러한 각 작업은 모든 구덩이와 보행자를 매핑하는 LiDAR 포인트 클라우드부터 배터리 잔량 및 도어 잠금 상태를 추적하는 원격 측정, 고객이 분실 또는 손상된 패키지를 신고할 경우 안전과 해결에 중요한 외부 및 내부 카메라의 비정형 영상에 이르기까지 엄청난 양의 데이터를 생성합니다. 배포 초기에 우리는 이 모든 데이터를 동일하게 처리하려고 했습니다. 즉, 표준화 없이 단일 클라우드 버킷에 저장하고 문제가 있을 때만 살펴보는 것이었습니다. 이러한 접근 방식은 두 가지 큰 문제를 야기했습니다. 우리는 관련성이 없고 중복된 데이터를 저장하는 데 월별 운영 예산의 35%를 낭비하고 있었고, 사고가 발생했을 때(예를 들어 개를 피하려고 방향을 바꾼 차량) 레이블이 지정되지 않은 데이터를 선별하여 무슨 일이 일어났는지 재구성하는 데 12시간 이상을 소비했습니다. 우리는 세부적인 역할 기반 데이터 관리가 있으면 좋은 것이 아니라 자동화된 제공을 위한 핵심 요구 사항이라는 것을 금방 깨달았습니다.
그렇다면 역할 기반 구조는 실제로 어떤 모습일까요? 텔레매틱스 팀의 경우 실시간 데이터 수집은 협상할 수 없습니다. 우리의배달 자율주행차GPS 좌표, 브레이크 압력, 배터리 충전 상태 및 센서 보정 상태를 포함하여 초당 100개 이상의 데이터 포인트를 명령 센터로 보냅니다. 차량의 카메라가 도중에 고장이 나면 10분이 아닌 10초 이내에 이를 알아야 합니다. 카메라 한 대의 고장이 안전 정지와 주차 차량과의 충돌을 가를 수 있기 때문입니다. 이를 수행하기 위해 우리는 지연 시간이 짧은 전송을 위해 중요한 안전 데이터(센서 상태, 장애물 감지)에 우선순위를 두는 실시간 데이터 파이프라인을 구축했으며, 중요하지 않은 데이터(주간 타이어 공기압 로그, 정기적인 카메라 보정 확인)는 일괄 처리하여 네트워크 정체가 낮고 대역폭이 더 저렴한 야간에 전송됩니다. 이러한 절충안으로 월간 데이터 전송 비용이 28% 감소했을 뿐만 아니라 안전 관련 문제의 MTTR(평균 해결 시간)이 90분에서 5분 미만으로 단축되었습니다. 운영 팀의 요구 사항은 정지 시간, 경로 효율성, 패키지 유형, 고객 액세스 메모(예: "게이트 코드 123, 옆문에서 하차") 등 구조화되고 쿼리 가능한 배송 데이터로 전환됩니다. 이 데이터를 표준화하기 전에는 운영 팀이 배송당 10개 이상의 필드를 수동으로 입력하여 경로의 15%에 정차 시간이 잘못되었고 패키지의 8%가 실수로 배송되지 않은 것으로 표시되었습니다. 이제 우리는 모든 배송을 표준화된 데이터 스키마에 연결하므로 팀은 구조화되지 않은 스프레드시트를 정리하는 데 시간을 소비하는 대신 두 번의 클릭만으로 "시카고에서 공사로 인해 지연된 모든 식료품 배달"에 대한 보고서를 가져올 수 있습니다. 이러한 수준의 구조는 단지 관리 작업을 줄이는 것이 아니라 확장에 관한 것입니다. 새로운 차량을 추가하거나 새로운 시장에 진출할 때마다 처음부터 새로운 데이터 시스템을 구축할 여력이 없습니다. 표준화된 스키마를 사용하면 첫 번째 배포에 2개월이 걸렸던 것과 비교하여 2주 만에 새로운 시장에 진입할 수 있습니다.
우리가 힘들게 배운 두 번째 빅데이터 관리 요구사항은 안정성과 중복성입니다. 자동 배송 차량은 데이터 중단을 감당할 수 없으며 운영자도 마찬가지입니다. 차량이 경로 도중에 데이터 서버와의 연결이 끊어진 경우, 연결이 다시 돌아올 때까지 그냥 정지하거나 맹목적으로 운전해서는 안 됩니다. 2021년 초에 우리는 15대의 함대를 보유했습니다.무인 배달 자동차텍사스 주 오스틴에서는 광섬유 절단으로 인해 4시간 동안 네트워크 중단이 발생했습니다. 차량 자체에 로컬 데이터가 저장되지 않아 모든 차량이 도로 옆으로 멈춰 자전거 도로를 막고 지역 경찰에 21번의 비긴급 전화를 걸었습니다. 이 사건으로 인해 우리는 벌금 45,000달러에 더해 계약 전체를 거의 취소할 뻔한 물류 파트너의 신뢰를 잃었습니다. 그 후 우리는 모든 차량에 엣지 컴퓨팅을 포함하도록 데이터 아키텍처를 완전히 재설계했습니다. 이제 모든 자동 배송 차량에는 7일간의 실시간 데이터를 로컬에 저장하는 2TB 온보드 서버가 있으므로 클라우드 연결이 끊어져도 차량은 계속해서 안전하고 올바른 경로 결정을 내릴 수 있습니다. 연결이 복원되면 중복 항목을 방지하기 위한 내장 검사를 통해 로컬 데이터가 클라우드에 자동으로 다시 동기화됩니다. 또한 멀티 클라우드 중복성 전략을 구현하여 한 클라우드 제공업체가 중단되면 데이터가 30초 이내에 보조 제공업체로 라우팅됩니다. 이는 단순한 기술적인 수정이 아니라 비즈니스 요구 사항입니다. 우리의 물류 고객은 빡빡한 배송 기간을 충족하기 위해 이러한 차량을 사용하며, 데이터 신뢰성은 정시 요금, 고객 만족도 및 브랜드 충성도로 직접적으로 이어집니다.
셋째, 흔히 간과되는 부분은 데이터 개인정보 보호 및 규정 준수입니다. 자동 배송 차량은 주택 진입로의 카메라 영상부터 고객이 집에 있는 시간을 추적하는 GPS 좌표에 이르기까지 엄청난 양의 개인 데이터를 수집합니다. 미국에서는 CCPA(캘리포니아 소비자 개인 정보 보호법) 및 VCDPA(버지니아 소비자 데이터 보호법)와 같은 연방 규정과 크게 다를 수 있는 주 차원 규칙을 준수해야 합니다. 국제적으로 유럽으로 확장하면 세계에서 가장 엄격한 데이터 개인 정보 보호 규칙을 적용하는 GDPR이 적용됩니다. 초기에 우리에게는 문제가 있었습니다. 외부 카메라는 고객이 문에 접근할 때 고객의 얼굴 장면을 포착하고 "보안 목적"을 위해 해당 장면을 무기한 저장하고 있었습니다. 이로 인해 캘리포니아에서는 세 건의 고객 불만이 접수되었고, 우리는 고객과 회사 모두 심각한 법적 위험에 노출되어 있다는 것을 깨달았습니다. 우리는 두 가지 주요 개인 정보 보호 규칙을 포함하도록 데이터 정책을 즉시 업데이트했습니다. 첫째, 카메라 영상은 24시간 이내에 자동으로 익명화되어 저장되기 전에 얼굴과 번호판이 흐려집니다. 둘째, 고객은 배송 완료 후 72시간 이내에 배송과 관련된 모든 데이터(GPS 로그, 카메라 영상, 패키지 세부 정보 포함)를 삭제하도록 요청할 수 있습니다. 또한 우리는 개인 데이터에 대한 접근을 제한하는 데이터 접근 통제 시스템을 구축했습니다. 우리의 개인 정보 보호 팀만이 조사 목적으로 익명화된 영상을 볼 수 있으며, 모든 접근은 분기별로 기록되고 감사됩니다. 이 수준의 규정 준수는 선택 사항이 아닙니다. 단일 데이터 개인 정보 보호 벌금으로 인해 회사는 수백만 달러의 비용을 지출할 수 있으며, 우리와 같은 공급업체의 경우 매우 엄격한 규정 준수 요구 사항을 가진 기업 고객과의 관계를 망칠 수 있습니다. 몇 달 전, 우리는 공급업체 온보딩 프로세스의 일환으로 전체 데이터 개인정보 보호 감사를 요구하는 전국 식료품 체인에 온보딩했습니다. 우리의 체계적이고 규정을 준수하는 데이터 시스템은 큰 차별화 요소였으며, 그 계약은 현재까지 우리의 최대 규모입니다.


넷째, 지속적인 개선을 위한 데이터입니다. 자동화된 배송 시스템은 첫날부터 완벽할 수 없습니다. 항상 예외적인 경우가 있습니다. 거리로 공을 쫓는 어린이, 보도를 막고 있는 주차된 이동 트럭, 무성한 덤불 뒤에 숨겨진 고객 게이트 등이 있습니다. 이러한 극단적인 사례를 해결하려면 단순히 수집하는 것이 아니라 레이블을 지정하고 분석하는 데이터가 필요합니다. 우리의 1세대 자율 배송 소프트웨어는 도로변 픽업 구역에서 어려움을 겪었으며 차량이 주차 차선으로 너무 멀리 들어와 다른 차량을 막는 경우가 12번 있었습니다. 우리는 데이터가 수집되고 있다는 것을 깨달았지만 그러한 실수가 발생한 이유를 표시하는 라벨이 지정되지 않았습니다. 그래서 우리는 모든 배송의 카메라 영상과 LiDAR 데이터의 10%를 검토하고 장애물, 도로 상태 및 운전자(또는 이 경우 차량) 동작에 태그를 지정하는 데이터 주석자 팀을 구성했습니다. 3개월 이내에 우리는 50,000개 이상의 극단적인 사례에 라벨을 붙였고 도로변 픽업 구역을 인식하도록 소프트웨어를 업데이트하여 해당 사고를 85% 줄일 수 있었습니다. 이러한 지속적인 개선 주기는 데이터가 이를 지원하도록 관리되는 경우에만 가능합니다. 데이터가 구조화되지 않았거나 검색하기 어려운 방식으로 저장되어 있으면 극단적인 사례를 찾을 수 없고 소프트웨어를 수정할 수 없으며 더 빠르게 반복하는 경쟁업체보다 뒤처지게 됩니다. 우리에게 이는 데이터 라벨링 및 분석을 위해 매달 운영 예산의 15%를 할당하는 것을 의미하며, 이는 비용이 아닌 투자로 간주됩니다. 지난 2년 동안 이를 통해 정시 배송률이 12% 향상되고 안전 사고가 40% 감소하여 보험 비용이 30% 절감되었습니다.
마지막으로 확장성입니다. 자동 배송 차량 공급업체로서 우리는 단지 제품을 판매하는 것이 아니라 고객과 함께 성장할 서비스를 판매하고 있습니다. 우리는 이미 의약품 배송을 위한 온도 모니터링을 추가하고, 타사 물류 소프트웨어와 통합하고, 비접촉 반품을 추가해 달라는 요청을 받았습니다. 이러한 모든 기능은 데이터에 의존하므로 우리의 데이터 관리 시스템은 신속하게 적응할 수 있어야 합니다. 초기에 우리는 모듈식 프레임워크에 데이터 아키텍처를 구축했기 때문에 전체 시스템을 점검하지 않고도 새로운 데이터 유형을 추가할 수 있었습니다. 예를 들어 고객이 냉동 식품 배달에 대한 온도 추적을 요청했을 때 우리는 차량에 새 센서를 추가하고 온도 판독값을 포함하도록 데이터 스키마를 업데이트한 다음 새 데이터 포인트를 실시간 파이프라인에 통합했습니다. 전체 프로세스는 일주일도 채 걸리지 않았지만 첫 번째 데이터 시스템에서는 새로운 데이터 유형 하나를 추가하는 데 6주가 걸렸습니다. 확장성은 증가하는 데이터 볼륨을 처리할 수 있다는 의미이기도 합니다. 차량이 200대에서 500대로 확장됨에 따라 5배 더 많은 데이터를 수집하게 되며 시스템은 기하급수적인 비용 증가 없이 확장할 수 있어야 합니다. 차량의 자동 확장 및 엣지 컴퓨팅 기능을 갖춘 클라우드 기반 스토리지를 사용함으로써 우리는 성장함에 따라 차량당 데이터 비용을 일정하게 유지할 수 있었으며 이는 고객을 위한 경쟁력 있는 가격을 유지하는 데 중요합니다.
신뢰할 수 있는 자동 배송 차량 공급업체와 협력하려는 물류 제공업체이거나 이러한 차량을 귀하의 차량에 추가하려는 기업 운영자라면 데이터 관리가 질문 목록의 최우선 순위에 있어야 합니다. 이는 단순한 기술적인 세부 사항이 아니라 차량이 안전하고 안정적이며 수익성 있게 운영될 수 있는지 여부를 결정하는 요소입니다. 지난 6년 동안 우리는 개인 정보 보호 규칙을 무시하거나, 중복 시스템을 갖추지 않거나, 실제 데이터를 사용하여 소프트웨어를 반복하지 못하는 등 데이터 관리에 대한 소홀함 때문에 유망한 자율 배송 프로젝트가 실패하는 것을 너무 많이 보았습니다. 우리에게는무인 배송 차량우리가 구축하는 것은 단순한 하드웨어가 아닙니다. 데이터를 생성하는 시스템이며, 해당 데이터를 잘 관리하는 것이 자율 배송이라는 약속을 이행할 수 있는 유일한 방법입니다. 즉, 모두를 위한 더 빠르고 저렴하며 안정적인 물류입니다.
당사의 데이터 기반 자동 배송 솔루션이 귀하의 비즈니스에 어떻게 도움이 되는지 알아볼 준비가 되었거나 당사의 차량 배포 프로세스에 대해 자세히 알아보고 싶다면 귀하의 의견을 듣고 싶습니다.
참고자료:
- 국립고속도로교통안전국(NHTSA). (2022). 자율주행 시스템: 안전 2.0을 위한 비전. 미국 교통부.
- 국제표준화기구(ISO). (2021). ISO 22737: 지능형 교통 시스템 - 경차용 자동 운전 시스템(ADS) - 성능 요구 사항 및 테스트 절차.
- 캘리포니아 소비자 개인 정보 보호법(CCPA). (2020). 캘리포니아 소비자 개인정보 보호법의 내용. 캘리포니아 행정법 사무소.
- 맥킨지 앤 컴퍼니. (2023). 자율 배송: 라스트 마일 확장. 글로벌 기술, 미디어 및 통신 실무.
- 자동차공학회(SAE International). (2021). 도로용 자동차용 운전 자동화 시스템 관련 용어에 대한 분류 및 정의(J3016).
