4D 이미징 레이다 (4D Imaging Radar) — 거리·방위각·고도 + 속도(도플러)를 함께 출력하는 차량용 mmWave 레이다. 기존 1세대·2세대 레이다 대비 고해상도 포인트 클라우드를 만들어내며, 레이다를 ADAS·자율주행의 보조 센서가 아니라 딥러닝의 직접 대상으로 끌어올린 흐름의 핵심 하드웨어다. DeepFusion AI 유승훈 CEO 표현으로 “라이다가 대략 4년차에 들어갔을 때와 비슷한 위치” — 성능 임계점이 보이기 시작했고, 데이터·알고리즘이 뒤따르며 산업 전체가 한 단계 도약하기 직전 상태.
라이다·카메라 대비 운영 특성
| 축 | 카메라 | 라이다 | 4D 이미징 레이다 |
|---|---|---|---|
| 형상 정보 | 풍부 | 정밀 | 약함 |
| 거리·속도 직접 측정 | 추정 | 거리 정밀 | 거리·속도 직접 |
| 안개·비·먼지 내성 | 약함 | 약함 | 강함 |
| 야지·전장 환경 | 약함 | 1분 흙먼지로 무력화 | 강함 |
| 정기 캘리브레이션 부담 | 중 | 회전식은 미세 진동·축 정렬 → 큼 | 작음 |
| 폼팩터·배치 자유도 | 중 | 큼(루프) | 작은 폼팩터, 배치 자유 |
라이다의 밀리미터급 정밀도는 컴퓨팅 부담 + 정기 캘리브레이션·전문 인력 + 광학계 수명 단축이라는 운영 인프라의 무게를 함께 끌고 다닌다. 자율주행이 요구하는 허용오차는 항상 밀리미터가 아닐 수 있다 — 10 cm 수준의 안정성·지속가능성이 더 중요한 장면이 많다 (DeepFusion AI 유승훈).
포인트 클라우드 임계
- 측정 단위 — DeepFusion AI는 ‘초당 포인트 수’가 아니라 센서 사이클 기준으로 본다. 통상 40~50 ms 사이클 기준.
- 현 4D 이미징 레이다 — 한 사이클당 약 2,000 포인트 수준. 회전식 라이다와 비교하면 절대량은 적지만 폼팩터·배치 자유도를 고려하면 무시할 수 없는 수치.
- 다음 임계점 — 사이클당 1만 포인트 도달 시 디테일이 훨씬 살아남.
핵심은 ‘딥러닝을 걸 수 있는 임계점이 보이기 시작했다’는 감각이며, 이것이 4D 이미징 레이다를 딥러닝의 직접 대상으로 만드는 출발점이다.
딥러닝 접근법 — 산업 사례
DeepFusion AI — RAPA-R + 퍼셉티브 센서 스탠다드
DeepFusion AI는 RAPA-R(Real-time Attention-based Pillar Architecture for Radar) — 레이다 전파 데이터를 그대로 인식의 입력으로 삼는 전파계 딥러닝 엔진을 통해 레이다를 독립적인 인지 주체로 만든다. 이를 ‘퍼셉티브 센서 스탠다드(Perceptive Sensor Standard)’로 표준화. 가상 레이다 프리트레이닝으로 하드웨어가 바뀌어도 짧은 파인튜닝만으로 인지 구조 이식.
Zendar — Semantic Spectrum Radar AI
Zendar는 포인트 클라우드를 버리고 레이다 스펙트럼 전체를 신경망으로 분석해 10배 해상도 + 10배 연산 효율 달성. 20 TOPS급 SoC로 1V5R 구성을 구동해 별도 고가 HW 없이 NoA·레벨 3 구현 — 현 레벨 2+ 시스템 200~500 TOPS 대비 획기적 절감.
Calterah — 칩 레벨 4D 이미징 레이다 SoC
Calterah는 2014년 설립 후 2017년 세계 최초 CMOS 77/79 GHz RF 프론트엔드 양산. AiP(Antenna-in-Package) ·RoP®(Radiator on Package) 패키지 혁신. 4D 이미징 레이다 전용 Andes 시리즈(22 nm, 멀티코어 CPU + DSP + 자체 RSP)와 Alps-Pro(4T4R에서 1.8 W) 등 SoC 라인업으로 OEM 양산을 가속.
근거리 통합인지 (Near-Field Integrated Perception)
- 레이다의 약점(형상 정보·시야각 제약)을 4D 이미징 레이다 + 중첩(오버랩)으로 우회
- 전면·코너에 여러 레이다 배치 → 근거리에서 포인트가 겹치며 인식 밀도 자연 상승
- 사고·충돌이 실제로 발생하는 근거리 영역을 ‘여러 센서 결과의 후합산’이 아니라 하나의 인지 공간으로 통합 해석
- 차량 기본 배치(전방 카메라 1 + 다수 레이다)를 유지하면서 인식 구조만 업그레이드 — 4D 이미징 레이다는 센서 추가가 아니라 기존 레이다 대체
해상·방산이 첫 운용처가 된 이유
- 무인 수상정 — 안개·태풍 속에서도 출동. 해상 X-band 레이다는 약 500 m 이내 근거리 음영 구간 발생 — 그 구간이 충돌·교전이 발생하는 가장 중요한 범위. 4D 이미징 레이다로 메움. 부표·파도까지 인식 대상.
- 무인 전투 차량 — 야지에서 1분 흙먼지로 라이다 즉시 무력화. 회전식 라이다를 닦아가며 쓰는 것은 비현실적.
- 광학계+전파계 융합이 ‘성능 향상’이 아니라 생존성(survivability)의 문제로 바뀜.
산업 동향
- 한국 bitsensing, 독일 보쉬, 중국 Calterah 등이 4D 이미징 레이다를 출시·양산 중. ‘성능이 꽤 좋다’는 평가가 산업 전반에 형성되며 딥러닝 결합의 임계점에 도달했다는 인식 확산(DeepFusion AI 유승훈).
- 대안 센서 vs 라이다 대체 논쟁이 있으나 DeepFusion AI는 ‘대체가 아닌 역할 재정의’ 로 정리 — 라이다는 여전히 높은 정밀도가 필요한 영역에서 중요하지만 운영 환경에서는 4D 이미징 레이다가 인지의 기준점이 될 수 있음.