Shared AV Data Flywheel: 포르쉐 주도로 폭스바겐그룹이 자율주행 데이터를 공유해 실차 반복 주행 최대 90% 감축 기대

한 번 달린 실주행 기록을 검증 자산으로 바꿔 두면 새 소프트웨어가 나올 때마다 차를 다시 몰고 나가지 않아도 됩니다. 포르쉐가 폭스바겐그룹 브랜드들이 함께 쓸 이 구조를 만들고 있고 발표된 효과는 실차 반복 주행 최대 90% 감소라는 기대치입니다. 옮기려면 재구성 전 품질 점검과 브랜드끼리 공유할 공통 데이터 모델부터 갖춰야 합니다.

요약

NVIDIA는 2026년 10월 21일 GTC Berlin에 맞춰 자사 블로그에 Cosmos(피지컬 AI용 world model 플랫폼)의 새 도구를 소개했습니다. 벤더가 자사 제품을 알리는 글이고 고객 사례 가운데 하나로 포르쉐와 폭스바겐그룹이 나옵니다. 포르쉐는 폭스바겐그룹 여러 브랜드가 함께 쓰는 자율주행(AV) data flywheel(데이터가 쌓일수록 개발이 빨라지는 순환 구조) 개발을 이끕니다. 도구는 NVIDIA의 Cosmos Data Factory(데이터 라벨링·선별·증강·평가 도구 묶음)이고 데이터 플랫폼 기업 Voxel51을 거쳐 Microsoft Azure에서 씁니다. 같은 날 나온 보도에 따르면 구조는 이렇습니다. Voxel51이 주행 기록을 찾고 라벨을 붙인 뒤 약 80개 항목을 점검합니다. NVIDIA의 Omniverse NuRec이 그 기록을 가상 공간에 재구성하고 첫 용도는 새 주행 소프트웨어를 재구성된 실제 주행에 넣어 보는 가상 검증입니다.

NVIDIA가 밝힌 효과는 두 가지입니다. 실차 반복 주행을 최대 90% 줄이고 개발 주기를 최대 85% 줄일 것으로 기대한다는 것입니다. 둘 다 “기대된다”로 발표된 목표치이고 실측 결과나 기준선은 공개되지 않았습니다. Voxel51은 85%를 AI 회귀 테스트 주기 기준으로 밝혀 NVIDIA와 지표 이름이 다릅니다. 줄어드는 이유는 같은 장면을 확인하려고 차를 다시 몰 필요가 없어서입니다. 한 번 기록한 주행을 재구성해 두면 소프트웨어 버전이 바뀔 때마다 그 위에서 다시 시험할 수 있습니다. 브랜드와 차량 프로그램이 같은 데이터 모델을 쓰면 한 브랜드가 모은 장면을 다른 브랜드도 씁니다. 포르쉐 연구원이 2026년 3월 Voxel51 블로그에 쓴 글이 이 흐름의 앞단을 자세히 보여 줍니다. 아래에서는 그 글로 작동 방식을 풀고 우리 조직에 옮길 때 필요한 필드와 일정을 덧붙입니다.

핵심 메커니즘

Shared Data Flywheel: 한 브랜드가 모은 장면을 그룹 전체가 쓰는 구조

플라이휠의 핵심은 수집한 주행을 한 번 쓰고 버리지 않는 데 있습니다. 실주행 기록은 점검과 재구성을 거쳐 시나리오 자산이 되고 자산은 공통 데이터 모델로 저장됩니다. 보도에 따르면 이 모델 덕분에 시나리오를 브랜드, 차량 프로그램, 소프트웨어 릴리스 사이에서 다시 쓸 수 있습니다. 새 버전이 나오면 같은 상황을 다시 녹화하지 않고 저장된 시나리오로 시험합니다. 입력은 그룹 차량이 매일 쌓는 기록입니다. Voxel51은 그 양을 평균 운전자 11,000명분으로 설명합니다. 처리 단계는 선별·점검·재구성·변형이고 출력은 여러 팀이 꺼내 쓰는 검증용 장면입니다. 포르쉐가 첫 구현을 맡고 그룹 소프트웨어 회사 CARIAD도 참여한다고 보도됐습니다. 참여 브랜드 이름은 공개되지 않았습니다. 같은 플랫폼 위에서 여러 차종을 개발하는 그룹처럼 시나리오를 함께 쓸 수 있는 곳에서 효과가 큽니다. 차종마다 센서 구성이 완전히 달라 공통 모델로 묶기 어렵다면 공유 이득이 줄어듭니다.

Quality Gate: 재구성하기 전에 원본부터 거르기

재구성은 비쌉니다. 그래서 원본 기록이 쓸 만한지 먼저 거릅니다. 보도에 따르면 Voxel51은 재구성 전에 기록 하나마다 센서 무결성, 시각 동기, 캘리브레이션을 포함해 약 80개 항목을 점검합니다. 포르쉐 연구원 글은 이 단계를 FiftyOne Physical AI Workbench(Voxel51의 멀티모달 데이터 점검 도구)로 설명합니다. 자세(pose) 캘리브레이션, 센서 정렬, 좌표 규약, 메타데이터 일관성, LiDAR 정렬을 봅니다. 그 앞에서는 임베딩 유사도 검색으로 중복 장면을 걸러 냅니다. 날씨나 등장 객체가 한쪽에 몰려 있는지도 분포로 확인합니다. 골라내는 대상은 좁은 간격의 합류, 가려진 보행자, 복잡한 표지판, 급격한 조명 변화, 기존 모델이 실패했던 구간 같은 장면입니다. 센서가 어긋난 채로 재구성하면 어긋난 디지털 트윈이 생기고 그 위에서 만든 변형 데이터도 모두 틀어집니다.

Neural Reconstruction: 실주행을 다시 돌릴 수 있는 디지털 트윈으로

점검을 통과한 카메라·LiDAR 기록을 Omniverse NuRec(NVIDIA의 신경망 기반 장면 재구성·렌더링 도구)에 넣으면 디지털 트윈이 나옵니다. 이 트윈은 원래 주행 경로가 아닌 새 시점에서도 렌더링할 수 있고 조건을 바꿔 다시 재생할 수 있습니다. 포르쉐 연구원 글은 이 단계를 NVIDIA 8×H100 GPU 노드 한 대에서 돌렸다고 적습니다. 처리량은 수작업 기준 주 약 1개에서 주 약 1,300개로 늘었습니다. 같은 글은 2년 걸릴 수작업 분량을 약 12.5시간으로 줄였다고 표현합니다. 재구성이 빨라야 플라이휠이 돕니다. 주 1개 속도로는 소프트웨어 릴리스마다 필요한 장면을 대기 어렵습니다.

Controlled Variants: 장면 하나에서 날씨·시점 변형 묶음 만들기

재구성한 장면 하나를 여러 조건으로 늘립니다. 포르쉐 연구원 글에 따르면 Cosmos Transfer(분할 지도·깊이 지도 같은 조건을 받아 영상의 날씨·조명·외관을 바꾸는 모델)가 비, 눈, 안개, 황혼, 야간 변형을 만듭니다. Cosmos Reason(영상을 보고 추론하는 모델)은 “야간 도심 교차로”처럼 구조화된 장면 설명과 주석 후보를 붙입니다. 만든 변형은 FiftyOne에서 원본 장면과 비교해 통과한 것만 학습·검증용으로 올립니다. 변형마다 어느 원본에서 왔는지 추적됩니다. 이 글은 추가 주행 없이 시나리오 다양성을 약 10배 늘렸다고 밝힙니다. NVIDIA 블로그도 Cosmos Data Factory의 AV 데이터셋 생성 블루프린트를 소개합니다. 주행 데이터를 선별·라벨링한 뒤 얻기 어려운 상황을 합성해 더하는 묶음입니다. 기존 영상의 날씨와 조명만 바꾸는 비디오 증강 블루프린트도 함께 소개됩니다.

Virtual Validation: 새 릴리스를 재구성 주행에 다시 넣어 보기

플라이휠의 첫 용도는 가상 검증입니다. 새 주행 소프트웨어 버전을 재구성된 실제 주행에 넣고 소프트웨어가 가상 환경에서 보인 반응을 원래 주행에서 잰 값과 비교합니다(EconoTimes 보도). 포르쉐 연구원 글은 자산을 오픈소스 시뮬레이터 CARLA로 내보내 학습, closed-loop 검증(소프트웨어의 판단이 다음 장면에 반영되는 순환 시험), 회귀 테스트에 쓴다고 적습니다. 실패가 나오면 원본 장면까지 거슬러 올라가 재현하고 매개변수를 바꿔 봅니다. NVIDIA 블로그에 따르면 새 Cosmos 3 Nano 시뮬레이션 변형은 카메라별 시작 이미지와 LiDAR 스캔을 받아 다중 시점·다중 센서 영상을 만듭니다. 자율주행 정책을 실제 시험 전에 closed-loop로 돌려 보는 용도입니다. 반복 실차 주행이 줄어드는 지점이 바로 이 단계입니다.

통념과 다른 주장

저자가 든 사례

포르쉐·폭스바겐그룹: 브랜드 공유 AV 데이터 플라이휠

항목	내용
상황	소프트웨어 버전이 바뀔 때마다 같은 상황을 확인하려 실차를 반복해 몰아야 합니다. 그룹 차량은 매일 평균 운전자 11,000명분의 데이터를 쌓습니다(Voxel51 설명).
한 일	포르쉐가 그룹 브랜드 공유 플라이휠 구축을 이끕니다. Voxel51 위에서 Cosmos Data Factory를 쓰고 Microsoft Azure에서 돌립니다. 재구성은 Omniverse NuRec이 맡습니다. 첫 적용은 가상 검증입니다.
결과	실차 반복 주행 최대 90% 감소, 개발 주기 최대 85% 단축을 기대합니다(NVIDIA). 두 수치 모두 기대치이고 실측 결과는 원문에서 밝히지 않음. Voxel51은 85%를 AI 회귀 테스트 주기 기준으로 밝혔습니다.
연결	Shared Data Flywheel, Quality Gate, Virtual Validation이 함께 쓰인 사례입니다.

포르쉐 연구원의 시나리오 생성 워크플로 (2026년 3월)

항목	내용
상황	차량 기록은 넘치지만 검증할 만한 장면을 골라 재사용 자산으로 만드는 일이 느렸습니다. 수작업으로는 주 약 1개 자산이었습니다.
한 일	선별 → 점검·보강 → 재구성 → 변형·주석 → 분석 → 학습·시뮬레이션 검증 순서로 묶었습니다. FiftyOne, Omniverse NuRec, Cosmos Transfer·Reason, CARLA를 썼습니다.
결과	8×H100 노드 한 대로 주 약 1,300개 자산, 2년 분량 수작업을 약 12.5시간으로, 추가 주행 없이 시나리오 다양성 약 10배. 측정 방법과 표본은 원문에서 밝히지 않음.
연결	Quality Gate, Neural Reconstruction, Controlled Variants의 실제 구현입니다.

기술 디테일: 우리 시험 데이터에 이 구조를 옮기려면

Shared Data Flywheel을 돌리려면 자산 하나의 필드부터 고정합니다. 브랜드와 팀이 장면을 주고받으려면 원본, 트윈, 변형, 실행 결과가 같은 키로 이어져야 합니다. 원문이 밝힌 요소(점검 통과 여부, 재구성, 변형 조건, 원본 추적, 릴리스별 검증)를 필드로 옮기면 아래와 같습니다. 필드명과 값은 가상 예시입니다.

{
  "scenario_id": "SC-2026-04812",
  "source_drive": {"drive_id": "D-B3-20260914-0233", "sensor_rig": "rig_v4", "qc_status": "pass", "qc_failed": []},
  "tags": ["unprotected_left", "occluded_pedestrian", "dusk"],
  "twin": {"twin_id": "TW-04812", "recon_version": "nurec-2026.09", "gpu_hours": 0.4},
  "variants": [{"variant_id": "V-04812-rain", "controls": ["seg", "depth"], "filter_score": 0.91, "promoted": true}],
  "runs": [{"sw_release": "adas-7.3.0-rc2", "metric": "trajectory_dev_m", "value": 0.38, "verdict": "pass"}],
  "owner_brand": "brand_A", "shared_with": ["brand_B", "brand_C"]
}

Quality Gate는 통과·실패를 숫자로 남깁니다. 약 80개 점검을 한 번에 다 만들 필요는 없습니다. 재구성을 망치는 순서대로 1015개부터 시작합니다. 프레임 누락률, 센서 간 타임스탬프 오차, 캘리브레이션 버전 일치, LiDAR와 카메라 투영 오차, 필수 메타데이터 누락이 첫 후보입니다. 항목마다 임계값을 두고 실패 항목을 qc_failed에 남겨야 같은 차량·같은 리그에서 반복되는 문제를 찾습니다. 중복 장면은 클립 임베딩의 코사인 유사도로 거르고 기준값(예: 0.95 이상이면 중복)은 사람이 100200쌍을 직접 보고 맞춥니다.

Controlled Variants는 원본과의 비교 점수로 승격합니다. 변형 영상에서 차선, 차량, 보행자 위치가 원본과 어긋나면 검증 자산으로 쓸 수 없습니다. 원본과 변형에 같은 객체 검출기를 돌려 박스 겹침(IoU)을 재고 기준 미달은 버립니다. Cosmos Reason 같은 모델이 붙인 장면 설명은 검색용 태그로만 쓰고 판정 기준이 되는 라벨은 사람이 표본 검수합니다. 한 원본에서 변형을 몇 개 낼지는 장면의 드문 정도로 정하고 흔한 장면을 과하게 늘리지 않습니다.

Virtual Validation은 지표와 허용 오차를 미리 정합니다. 원래 주행 측정값과 가상 반응을 비교할 지표를 시나리오 유형별로 고릅니다. 궤적 편차(m), 제동 시작 시점 차이(초), 최소 차간 거리가 기본입니다. 같은 릴리스를 같은 시나리오에 3회 이상 돌려 편차가 흔들리는지 봅니다. 재구성 품질 탓에 실패한 건과 소프트웨어 탓에 실패한 건을 나눠 기록해야 합니다. 그래야 실패가 원본 장면 추적으로 이어집니다.

실패하는 경우를 미리 정합니다. 센서 리그가 바뀐 차량의 기록은 이전 트윈과 섞이지 않게 sensor_rig로 나눕니다. 같은 시나리오가 연속 3회 재구성 결함으로 실패하면 회귀 테스트 목록에서 빼고 원본 재점검으로 돌립니다. 가상 검증 통과를 실차 시험 생략 근거로 쓸 범위는 인증·규제 담당과 먼저 정합니다. Automotive World는 EU·UNECE 규정이 정해진 범위 안에서만 시뮬레이션 근거를 인정한다고 전했습니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	자율주행·ADAS 개발 총괄	첫 브랜드(또는 첫 차종)와 공유 범위 승인
시험 엔지니어	2명	시나리오 50개 선정, 지표·허용 오차 정의, 결과 판정
데이터 엔지니어	2명	품질 점검 항목, 공통 데이터 모델, 저장소 연동
시뮬레이션 엔지니어	1~2명	재구성·변형·시뮬레이터 실행 환경
인증·규제	1명	가상 검증으로 대체할 수 있는 시험 범위 확인
그룹 IT·보안	1명	클라우드 워크로드를 기존 보안·거버넌스 안에 두기

시작 전에 모을 것. 최근 1~2개 릴리스에서 실차로 반복 확인한 시나리오 목록과 반복 횟수, 해당 주행 기록과 센서 리그 정보, 과거 실패 사례, 회귀 테스트 판정 기준, 실차 시험 1회당 비용과 소요 일수입니다. 마지막 두 가지가 있어야 기대치가 아닌 우리 수치로 효과를 잽니다.

기간	할 일	산출물
1~2주	반복 주행이 많은 시나리오 50개 선정, 지표·허용 오차 정의	시나리오 목록, 판정 기준표
3~5주	품질 점검 10~15개 적용, 재구성·변형	점검 통과율, 디지털 트윈 50개
6~9주	섀도 회귀 테스트: 새 릴리스를 가상·실차 양쪽에서 돌려 비교	판정 일치율, 실패 원인 분류
10~12주	판정 회의, 다음 브랜드·차종에 자산 공유 시험	판정 보고서, 공유 대상

시험 담당에게 물을 것.

1. 지난 릴리스에서 같은 상황을 확인하려고 실차를 몇 번 다시 몰았나요?
2. 그중 녹화된 기록으로 대신할 수 있었던 것은 무엇이고 꼭 실차여야 했던 것은 무엇인가요?
3. 가상 결과를 믿으려면 어떤 지표가 어느 오차 안에 들어와야 하나요?
4. 다른 브랜드·차종 기록을 그대로 써도 되는 시나리오는 무엇인가요?

진행 판정 기준(예시). 섀도 회귀 테스트에서 세 조건을 모두 채우면 넓힙니다. 가상 판정과 실차 판정 일치율 90% 이상, 재구성 결함으로 인한 실패 10% 미만, 대상 시나리오의 실차 재주행 횟수 절반 이하입니다. 기준은 섀도 테스트 전에 정해 둡니다.

AX 적용 제언. 자동차뿐 아니라 로봇, 농기계, 건설장비처럼 소프트웨어 업데이트마다 실물 시험을 되풀이하는 제조사라면 같은 구조를 쓸 수 있습니다. 출발점은 새 데이터 수집이 아니라 이미 쌓인 기록에서 반복 시험이 많은 장면 50개를 고르는 일입니다. 계열사가 여럿인 그룹이라면 포르쉐처럼 한 곳이 첫 구현을 맡고 공통 데이터 모델을 정한 뒤 나머지가 자산을 받아 쓰는 순서가 맞습니다. 성과 지표는 실차 재주행 횟수, 회귀 테스트 주기, 가상·실차 판정 일치율, 시나리오 재사용 횟수 넷으로 시작합니다. 현업 스폰서는 IT가 아니라 시험·검증 조직에 둡니다.

원문 사례

항목	내용
원문	NVIDIA Blog, Pranjali Joshi, 2026.10.21 (GTC Berlin 발표). NVIDIA가 자사 제품을 소개하는 벤더 블로그
포르쉐·폭스바겐그룹	포르쉐가 그룹 브랜드 공유 AV 데이터 플라이휠 개발 주도. Cosmos Data Factory를 Voxel51 경유로 Microsoft Azure에서 사용
기대 효과	실차 반복 주행 최대 90% 감소, 개발 주기 최대 85% 단축 (기대치, 실측 미공개)
같은 주 보도	Voxel51 약 80개 점검, Omniverse NuRec 재구성, 첫 적용은 가상 검증, 평균 운전자 11,000명분/일, CARIAD 참여, 85%는 AI 회귀 테스트 주기(Voxel51)
포르쉐 연구원 글	Tin Stribor Sohn, Voxel51 블로그 2026.3.17. 주 약 1개 → 약 1,300개 자산, 시나리오 다양성 약 10배
같은 글의 다른 사례	ANYbotics 합성 영상 1,500개 이상(Encord로 검증), Ultralytics YOLO 결함 검출 재학습, Fogsphere·ADNOC 65개 현장 위험 감지
함께 발표된 도구	Cosmos Data Factory 블루프린트 5종, Cosmos Framework, Cosmos 3·Cosmos 3 Nano, Cosmos 3 NIM(최대 2배 빠른 추론), Metropolis VSS 3.3

핵심 개념

world model

물리 세계가 시간에 따라 어떻게 바뀌는지 배워 영상·센서 데이터를 만들거나 예측하는 모델. Cosmos가 이 계열입니다.

Cosmos Data Factory

피지컬 AI 학습 데이터를 라벨링·선별·증강·평가하는 NVIDIA 도구 묶음. GitHub, Azure, Nebius, CoreWeave로 제공됩니다.

디지털 트윈

실제 주행 장면을 가상 공간에 옮겨 시점과 조건을 바꿔 다시 돌릴 수 있게 만든 복제본.

회귀 테스트

새 소프트웨어 버전이 예전에 통과하던 상황에서 여전히 통과하는지 다시 확인하는 시험.

FiftyOne

Voxel51의 시각 데이터 관리 도구. 장면 검색, 임베딩 기반 중복 찾기, 생성 결과 비교에 씁니다.

CARLA

자율주행 연구에 널리 쓰는 오픈소스 주행 시뮬레이터.

내 메모

TODO: 내 생각 추가

원문: Pranjali Joshi, 「NVIDIA Cosmos Opens New Tools to Train, Evaluate and Deploy World Models」(NVIDIA Blog, 2026.10.21). NVIDIA가 자사 플랫폼을 소개하는 벤더 블로그이며, 90%·85%는 실적이 아니라 발표된 기대치입니다. 작동 방식은 포르쉐 연구원 Tin Stribor Sohn의 Voxel51 블로그 글 「From Real Drives to Virtual Validation: Porsche’s Workflow for Scalable AV Scenario Generation」(2026.3.17)과 같은 주 보도(Automotive World 2026.10.22, EconoTimes 2026.10.21)로 보강했습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 이 자료들의 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 원문 전체는 NVIDIA 블로그에서 볼 수 있습니다.