AWS IoT FleetWise를 활용한 HL Mando의 실시간 차량 데이터 플랫폼 구축 사례

HL Mando는 ‘세상을 더 안전하고, 친환경적이며, 편리하게 모든 고객이 자유로워지는 내일’의 역사를 만들어 나가는 글로벌 자동차 부품 전문 기업입니다. 조향장치(Steering), 제동장치(Brake), 현가장치(Suspension)와 같은 자동차 핵심 부품 제조에서부터 최근에는 자율주행, 전기차와 같은 미래 모빌리티 역량과 e-Drive, 수소연료전지 컨버터 등 친환경차 솔루션 사업을 강화하고 있습니다. 2023년 기준 매출액은 약 7.5조 원을 기록했으며, 현재 CES 2024 최고혁신상을 수상한 주차로봇 솔루션 ‘PARKIE’, 자율주행 차량의 원격 진단 솔루션 개발 및 클라우드 기반 데이터 서비스 사업 추진 등, 미래 모빌리티 신사업으로 비즈니스 영역을 확대해 나가고 있습니다.

HL Mando의 M2MCx팀은 모빌리티 자동차 소프트웨어 전문 조직으로, 샤시(Chassis) 및 미래 제품에 대한 신규 기능의 발굴과 개발을 통해, 차량 및 모빌리티 소프트웨어 신기술을 확보하고 소프트웨어 전용 제품의 사업화를 추진하고 있습니다. 보다 구체적으로는 아래와 같은, 서비스와 플랫폼 개발에 대한 업무를 수행하고 있습니다.

차량 건전성 예측 및 관리(Prognostics and Health Management) 서비스
데이터 기반(Data-driven) 인공지능/머신러닝(AI/ML) 솔루션과 IoT부터 클라우드까지 아우르는 플랫폼(Cloud Service Platform) 개발
차량의 구동, 제어, 첨단 운전자 보조 시스템(Advanced Driver Assistance Systems, ADAS)을 결합한 크로스 도메인(Cross Domain) 기능 개발을 통해 운전자 개인화 서비스
SbW(Steer-by-Wire) 고장 상황 시 안정성 확보를 위한 후륜 조향(Rear Wheel Steering) 및 편제동에 의한 통합 제어

MiCOSA 솔루션 소개

MiCOSA(Mando integrated COntrol Software Assembly) 솔루션은, 차량 및 모빌리티에 대한 제어와 AI/ML을 기반으로 차량 안정성, 성능, 운전 편의성 등을 향상시키는 기능과 새로운 알고리즘 개발을 위해 M2MCx 팀에서 개발 중인 시스템 통합 제어 솔루션입니다.

MiCOSA는 크게 샤시(Chassis) 통합 제어와 데이터 기반(Data-driven) 통합 솔루션으로 나뉩니다.

샤시 통합 제어
샤시 통합 제어는 차량의 모든 샤시 (조향장치, 제동장치, 현가장치) 시스템을 통합하여 차량의 동역학 성능을 최대화로 끌어 올리는 기능입니다. 해당 솔루션에는 대표적으로 앞서 기술한 SbW 고장 상황 시 대처할 수 있는 SbB(브레이크를 통한 조향), SbR(후륜 조향을 통한 조향), SbR+(브레이크와 후륜 조향을 통한 조향)등이 있습니다.
데이터 기반 통합 솔루션
데이터 기반 통합 솔루션은 그림과 같이 차량 시스템 레벨에서 이상 발생을 인지하여, 차량과 운전자의 안전성을 확보할 수 있게 하는 솔루션입니다. 데이터 기반 통합 솔루션은 중앙집중형 E/E 아키텍처와 연결성(Connectivity)을 기반으로, 차량의 모든 데이터를 수집하고 활용하여 운전자에게 새로운 콘텐츠 (Contents)와 솔루션을 제공하며, 해당 솔루션에는 대표적으로 PHM(Prognostics and Health Management), RSP(Road Surface Perception)등이 있습니다.

- PHM: 차량 내외부에서 발생하는 데이터를 활용하여, 특정 샤시 부품의 이상 여부를 인지하고, 부품의 수명을 예측합니다. 정상 상태일 때의 차량 데이터를 기반으로 샤시 부품을 디지털 트윈화하고, 이를 통해 차량 부품의 고장이 발생하기 전에 문제를 미리 예측할 수 있습니다. 이후 운전자와 정비 업체에 차량의 정보를 제공하여, 차량의 유지 관리 효율성과 주행 운행 안정성을 확보할 수 있습니다.
- RSP: 차량 주행 방향 노면의 마찰 정도를 선제적으로 판단하는 기술로, 샤시 통합 제어를 위한 마찰 계수 인자 값을 제공합니다. 카메라를 활용하여 노면을 판단하고 노면 마찰 값을 선제적으로 추론합니다. 샤시 데이터를 통해 계산된 현재 노면 마찰 값과 카메라로 추론한 값이 다른 경우에는, 재 학습을 통하여 선제 노면 추론 모델의 지속적인 학습(Continuous Training)을 수행합니다. SbB(Steer-by-Brake) 혹은 SbR+(Steer-by-Brake with Rear Wheel Steer)와 같은 통합 제어 기술에 RSP 기술이 더해지면, 정상 노면 뿐만 아니라 다양한 노면 환경에서도 제어 기술을 확장할 수 있습니다.

위와 같이 여러 MiCOSA 솔루션 프로젝트를 진행하는 데에 있어서 차량의 데이터 계측은 필수적입니다. 또한 단순 계측 뿐만 아니라, 차량에 자격 증명을 배포하여 안전하게 명령을 내릴 수 있는지, 소프트웨어를 원격으로 업데이트가 가능한지 등 차량과 클라우드 간 높은 소프트웨어 신뢰성이 요구됩니다.

차량 데이터 수집의 어려움

따라서 이러한 차량 데이터 계측 기반의 솔루션 개발을 위해서는, 차량 데이터를 유실없이 안전하게 수집할 수 있어야 합니다. 특히 그 대상이 단일 차량이 아닌, 다양한 제조사에서 개발된 차량들로부터 무선 통신 환경에서 수집하는 데이터라면, 그 수집의 난이도와 중요성이 훨씬 더 커진다고 할 수 있습니다.

네트워크 이름	목적	대역폭
Chassis CAN	실차 네트워크	10MB/s
PowerTrain CAN	실차 네트워크	14MB/s
Body CAN	실차 네트워크	12MB/s
ADAS CAN	실차 네트워크	7MB/s
Camera	연구 개발	85MB/s
Lidar	연구 개발	680MB/s
Radar	연구 개발	5MB/s
CSM(아날로그 신호 계측)	연구 개발	15MB/s

HL Mando 역시 이러한 차량들에 탑재된 주요한 부품들에서 발생하는 데이터를 안정적으로 수집하고, 도메인 관점에서 발생 가능성이 높은 고장을 예측하거나, 일반적으로 발생하지 않는 이상 패턴 등을 검출하여 차량 부품으로부터 발생하는 위험 요소를 예방하는 데에, 그 목표를 두고 있습니다.

MiCOSA 솔루션의 개발 과정에서, 차량의 샤시 CAN (Controller Area Network) 데이터를 비롯하여 레이더, 카메라 등 다양한 종류의 센서 데이터를, 수집하고 변환하여 클라우드로 전송이 필요했으며, 이때 발생했던 대표적인 어려움은 아래와 같이 3가지로 정리해 볼 수 있습니다.

차량 데이터의 다양성
- 차량 별로 다양한 데이터 포맷을 가지는 여러 시그널들의 양식을 일관된 양식으로 일치시켜야 합니다.
- 차량의 제조사 별로 정의되어 있는 양식, 같은 제조사에서도 차종에 따라 정의된 데이터 포맷이 상이합니다.
- 각 데이터 포맷에서 같은 역할을 수행하는 값의 이름도, 차량 별로 다르게 설정되어 있는 경우도 다수 존재합니다.
- 글로벌 차량 제조사에게 샤시 부품을 제공하는 HL Mando의 입장에서는 각 제조사, 차종 별로 다양한 옵션의 제공이 필수적입니다.
차량 데이터의 크기
- 일반적으로 차량 데이터의 포맷은 굉장히 복잡하고 반복되며, 조건문으로 해결할 수는 있지만 차량에서 발생하는 데이터의 크기는 상당한 도전 과제가 됩니다.
- 현재 HL Mando는 차량 내 온보드(On-Board ) 시스템을 구성해서 데이터를 수집하고 있는데, 이때 차량 1대에서 발생하는 데이터의 양은 위에서 확인한 것처럼 1초에 약 800MB이상이 수집됩니다.
- 이러한 데이터 용량은 관리되는 차량이 늘어나게 되면, 기하급수적으로 증가할 것입니다.
차량 데이터의 선별
- 연구 개발을 위한 통찰력을 확보하기 위해서는 모든 데이터를 확인해야 하지만, ‘특정 서비스를 위해 필요한 데이터만 클라우드로 업로드하고, AI/ML 모델을 학습 혹은 추론하면 데이터의 양을 획기적으로 줄일 수 있지 않을까?’ 하는 간단한 아이디어로 데이터 선별이 시작되었습니다.
- HL Mando는 기존에 직접 CAN (Controller Area Network)을 파싱(Parsing)하고, RestFul API를 통해 데이터를 업로드하는 등의 일련의 과정을 직접 구축했습니다.
- 이 과정에서 단일 차량의 경우 손쉽게 할 수 있었지만 차종, 차량의 증가에 따라 근본적인 문제 해결을 위한 고민이 필요했습니다.

놀랍도록 손쉬운 AWS IoT FleetWise를 활용한 데이터 수집

AWS는 바로 이러한 고객들의 다양한 고민을 해결할 수 있는 완전관리형 서비스인 AWS IoT FleetWise 를 출시했습니다. AWS IoT FleetWise는 차량으로부터 발생하는 데이터를 효율적으로 클라우드로 수집하고, 운용중인 다수의 차량(Fleet)에 대한 통찰력을 얻을 수 있는 관리형 서비스입니다. AWS IoT FleetWise를 활용하면, 실시간으로 전송된 데이터를 기반으로 차량의 현재 상태를 분석함으로써, 유지관리와 함께 잠재적 이상을 파악할 수 있습니다. 또한 차량 내 인포테인먼트 시스템을 더욱 스마트하게 만들거나, 데이터 분석 및 머신러닝(ML)을 통해 자율 주행 및 첨단 운전자 보조 시스템(ADAS)용 기능들을 개선할 수 있습니다. 특히 HL Mando 는 MiCOSA 솔루션을 개발함에 있어 발생하는 어려움들을 AWS IoT FleetWise를 통해서 극복할 수 있었습니다. 그러면 HL Mando가 각 영역에서 AWS IoT FleetWise를 어떻게 활용을 하였는지 자세히 알아보겠습니다.

확장성 있는 차량 연결 관리

AWS IoT FleetWise는 AWS IoT Core를 기반으로 차량 데이터를 클라우드로 안전하게 전송하고 관리합니다. AWS IoT FleetWise는 AWS IoT Core의 보안 기능으로 차량에서 클라우드로 데이터를 전송하는 과정을 안전하게 보장합니다. 또한, AWS IoT Core는 수백만 대의 디바이스를 연결하고 관리할 수 있는 기능을 제공하여, 대규모의 차량 관리 플랫폼을 운영할 수 있게 합니다. 이러한 기능을 바탕으로, AWS IoT FleetWise는 광범위한 차량 데이터를 효율적으로 수집하고 처리할 수 있습니다.

효율적인 차량 환경 내 애플리케이션 운영 및 유지보수 관리

AWS IoT Greengrass는 AWS 클라우드 기능을 에지(Edge) 디바이스까지 확장하는 서비스로, 차량의 로컬 환경에서 실행되는 여러 클라우드 기반 애플리케이션들을, 대규모의 차량에 원격으로 배포 및 실행할 수 있도록 배포 관리 기능을 제공합니다. 특히 차량의 센서 데이터와 이미지 수집을 위한 AWS IoT FleetWise Edge Agent가 컴포넌트 형태로 실행될 때, AWS IoT Greengrass의 Token Exchange Service (TES) Role 기능을 통해 안전하게 AWS 임시 자격 증명을 사용할 수 있습니다. 또한, 버전 관리 기능은 AWS 클라우드에서 차량별로 배포된 각 업데이트를 추적할 수 있습니다. 필요한 경우에는 이전 버전으로 쉽게 롤백할 수 있기 때문에, 신규 업데이트 도입 시 발생할 수 있는 잠재적 문제를 신속하게 해결하고, 시스템의 안정성을 유지하는 데 중요한 기능을 합니다. HL Mando는 이러한 AWS IoT Greengrass의 여러 기능들을 활용하여 개발 및 운영 효율성을 향상시킬 수 있었습니다.

차량 관리, 캠패인(Campaign) 배포의 이점

AWS IoT FleetWise를 활용하면, 차량의 원하는 데이터 신호만 AWS 클라우드에 전송하도록 사용자가 정의한 규칙을 적용할 수 있는데, 이를 이용함으로써 당면한 가장 큰 문제였던 차량별로 각기 다른 데이터의 다양성 문제를 해결할 수 있었습니다. 또한, AWS IoT FleetWise는 VSS(Vehicle Signal Specification)을 사용하여 차량 데이터 모델링을 표준화하며, 플릿(Fleet) 단위의 차량을 손쉽게 관리하고, 원하는 콘텐츠의 캠페인만 선택하여 배포할 수 있습니다.

유연한 저장소 선택

AWS IoT FleetWise를 활용하면 실시간 처리 혹은 배치 처리에 따라 저장소의 선택도 자유롭기 때문에, 성격이 다른 콘텐츠 개발도 손쉽게 처리할 수 있었고, 또한 AWS IoT FleetWise vision system을 이용했을 때 비정형 영상 데이터의 수집도 동시에 처리할 수 있었습니다. 특히 HL Mando 에서 개발중인 PHM 콘텐츠는 실시간 추론을 위해서, AWS IoT FleetWise의 목표 저장소를 Amazon Timestream 시계열 데이터베이스로 선택함으로써 10초 이내에 추론을 시작할 수 있었습니다. 그리고 RSP 콘텐츠는 학습 데이터 수집의 목적으로 사용하기 때문에, Amazon S3를 이용해 비정형 데이터와 정형 데이터 모두 수집이 가능했습니다.

트리거(Trigger)를 이용하여 원하는 데이터만 선별 수집

AWS IoT FleetWise의 에지 에이전트(Edge Agent)를 생성하여 차량과 클라우드 사이의 통신을 안정적으로 수행할 수 있습니다. 에지 에이전트를 활용하면 캠페인의 생성부터 설치까지 모든 프로세스 단계를 제어할 수 있습니다. 바로 이 캠페인에 대한 RSP의 학습데이터 수집을 예로 들면 아래와 같은 특징을 꼽을 수 있습니다.

트리거를 이용한 시그널 비교 : 시그널 간의 비교를 상수 값이 아닌 시그널과 시그널간 비교로 원하는 데이터만 선별 수집
원하는 주기마다 수집 : 2초에 한 번씩 데이터를 수집하게끔 minimumTriggerIntervalMs설정
카메라 영상 수집 : signalsToCollect에 Signal Catalog에서 정의된 이름을 사용

이제 실제 RSP에서 활용된 캠페인 예시를 json 파일로 확인해보겠습니다. json 뿐만 아니라 AWS 콘솔로도 캠페인을 손쉽게 생성할 수 있습니다.

# RSP 캠페인에서 트리거를 이용한 데이터 선별 수집
{
    “name” : “HLMando-RSP-Project”,
    “targetArn”: “[Vehicle or Fleet ARN]”,
    “signalCatalogArn” : “[Signal Catalog ARN]”,
    “collectionScheme”: {
        “conditionBasedCollectionScheme”:{
#시그널과 시그널 비교 구문
            “expression” : “$variable.`CHASSIS.Road_Surface_Reference` != $variable.`MiCOSA.Road_Surface_Perception`”,
# 2초마다 한번씩 수집하도록 조건 정의
            “minimumTriggerIntervalMs”: 2000
        }
    },
# 데이터 수집 장소 정의(S3)
    “dataDestinationConfigs”:[
        {
            “s3Config”: {
                “bucketArn” : “[Target Bucket ARN]”,
                “dataFormat”: “[JSON or parquet]”,
                “prefix”: “[S3 prefix name]”,
            }
        }
    ],
# 수집 하고자 하는 데이터 정의
    “signalsToCollect”: [
        {
            “maxSampleCount”: 1,
            “name”: “Cameras.Front.Image”
        },
        {
            “maxSampleCount”: 1,
            “name”: “CHASSIS.Road_Surface_Reference”
        }
    ]
}

캠페인에서 지원하는 트리거 기능으로 기존의 차량 내에 설치되어 있던 온보드 시스템(On-Board System)에서 선별된 데이터가, 1초에 최대 125MB가 수집되던 것에 비해 AWS IoT FleetWise의 캠페인 트리거로 수집된 데이터는 PHM에서 약 0.7MB, RSP에서 약 0.4MB로 획기적으로 절감할 수 있었습니다.

Type	PHM	RSP
온보드 시스템(On-Board System)	약 40MB/s	약 125MB/s
AWS IoT FleetWise	약 0.7MB/s	약 0.4MB/s

PHM에서는 스티어링 휠을 일정 속도 이상 회전 시켰을 때 샤시 데이터 약 10개를 수집하고, 수집된 데이터를 기반으로 실시간 추론 및 결과 값을 사용자에게 즉시 알려 줄 수 있었습니다.

RSP에서는 샤시에서 계산된 노면 마찰 값과 영상에서 추론된 노면 마찰 값이 다를 경우에만 영상 데이터를 수집하고, 수집된 학습 데이터를 기반으로 HL Mando에서 자체 개발한 MLOps 파이프 라인의 지속적인 학습(Continuous Training)을 통해 모델을 더욱 강건하게 만들 수 있었습니다.

MiCOSA 솔루션 구현

HL Mando는 MiCOSA 솔루션을 구성하는 컴포넌트인 PHM과 RSP를 개발하며, AWS의 다양한 서비스를 활용하여 데이터 수집, 적재, 분석, 추론을 위해 다음과 같이 아키텍처를 구성했습니다.

이러한 AWS 아키텍처는 PHM과 RSP 각 영역의 기술적 요구사항을 아래와 같이 충족했습니다.

PHM(Prognostics and Health Management)

PHM은 실시간으로 추론을 진행해야 하기 때문에 데이터가 적재됨과 동시에 학습할 수 있는 Amazon Timestream 시계열 데이터베이스를 사용합니다. Amazon Timestream에 적재된 시그널 데이터를 Amazon Lambda에서 쿼리하여 추론을 수행하고, 수행된 결과는 Amazon RDS(Relational Database Service)에 적재됩니다. 적재된 데이터의 분석 결과는 Amazon S3 정적 Web Hosting 기능을 활용하여 운전자에게 즉시 결과 값을 보여줍니다. 데이터 수집, 추론, 결과 확인까지 50초 이내에 진행이 되어 운전자는 주행을 마치거나 주행 중에 결과를 확인할 수 있습니다. Amazon Timestream 데이터베이스에서 쿼리를 사용할 때 WHERE를 사용한 조건문의 경우 데이터베이스의 크기에 따라 응답속도의 지연 문제가 발생할 수 있습니다.

#기존 TimeStream Query 
SELECT * 
FROM "[Table_Name]" 
WHERE campaignName='[CampaignName]' and vehicleName='[VehicleName]' and time between ago(10s) and now()

위 쿼리에서 “time between ago(10s) and now()”로 최근 10초의 데이터를 불러오지만, Amazon Timestream 데이터베이스의 Time 필드를 전역적으로 조회하여 응답속도 지연이 발생합니다. HL Mando는 10초 동안 수집되는 데이터의 평균 개수를 이용하여 아래의 쿼리와 같이 limit 100000으로 응답속도 지연 문제를 해결하였습니다.

#개선된 TimeStream Query 
SELECT * 
FROM "[Table_Name]" 
WHERE campaignName='[CampaignName]' and vehicleName='[VehicleName]' limit 100000

Amazon Timestream 데이터베이스의 내부 정렬도 시간 순서로 되어 있기 때문에 time between을 이용한 구절과 동일한 결과를 얻을 수 있었습니다. 또한 쿼리의 응답 속도도 기존 5분에서 30초로 줄일 수 있었습니다. 이렇게 수집된 데이터는 아래와 같은 일련의 과정을 통해 사용자에게 표시됩니다.

AWS Lambda를 통한 추론
추론된 결과를 Amazon RDS에 적재
HL Mando에서 자체 제작한 대시보드(Mando Cloud Service Platform)에 출력

[ML Mando의 대시보드(Mando Cloud Service Platform)]

RSP(Road Surface Perception)

RSP에서는 AWS IoT FleetWise를 이용해 학습 데이터를 수집합니다. 실측 값(Ground Truth)에 해당하는 샤시 시스템에서 계산된 노면 마찰 값과 이미지 데이터의 쌍(Pair)으로 S3에 저장됩니다. 데이터는 Amazon S3 버킷에 구조화되지 않은 데이터(Unstructured-data)와 처리된 데이터(Processed-data)로 나누어서 저장되기 때문에, 어떤 데이터 쌍인지 식별할 수 있도록 별도의 작업이 필요합니다. 이를 해결하기 위해 AWS Glue의 크롤러(Crawler)를 이용해, 일주일 간격으로 Amazon S3 데이터로 카탈로그를 생성하고, Amazon Athena 에서 쿼리를 이용해 각 데이터 쌍을 조회할 수 있게 구성하였습니다.

# Image와 Signal의 매칭을 위한 쿼리
SELECT
    *
FROM (
    SELECT
        campaignname,
        eventid,
        measure_name,
        time,
        (
            SELECT
                measure_value_bigint
            FROM fleetwise_db.rsp_processed_data
            WHERE eventid = fleetwise_db.rsp_processed_data.eventid
            and measure_name = 'CHASSIS.MiCOSA.Road_Surface_Reference'
            order by time desc limit 1
        ) as road_surface_reference,
        "measure_value_struct"."camera.sensor_msg_image"."data" as s3_img_path,
        year,
        month,
        day
    FROM fleetwise_db.rsp_processed_data
    WHERE fleetwise_db.rsp_processed_data.measure_value_struct is not null
) rsp_matching_data
WHERE rsp_matching_data.road_surface_reference is not null

수집된 데이터는 위와 같은 Amazon Athena 쿼리를 통해 이미지, 라벨 파일의 쌍을 찾을 수 있습니다. 이렇게 수집된 데이터는 일정 주기에 따라 HL Mando에서 개발한 학습 파이프라인(Training Pipeline)으로 지속적인 학습을 수행합니다. 데이터를 학습 파이프라인에 입력하기 전에 사용자 혹은 관리자의 데이터 검증이 필요하므로, 시각화 도구로 Amazon QuickSight를 활용했습니다. 이전에 소개해 드린 쿼리를 Amazon QuickSight 에 데이터 소스로 연결만 시켜주면 손쉽게 데이터를 식별할 수 있습니다.

결론

지금까지 AWS IoT FleetWise를 활용하여 차량의 데이터를 수집하고 활용하는 방법을, HL Mando 에서 개발중인 서비스를 통해 살펴보았습니다. 차량 데이터를 수집하여 클라우드로 전송하기 위해서는 데이터 크기, 다양성, 선별과 같은 등 수많은 어려움이 있었습니다. 하지만, AWS IoT FleetWise로 차량 데이터 전송에 대한 고민을 한 순간에 해결할 수 있었습니다. AWS IoT FleetWise 뿐만 아니라 AWS 에서 제공하는 수 많은 완전 관리형 서비스를 이용해 클라우드의 비용을 절감하고, 인프라의 구축을 쉽게 할 수 있었습니다. 따라서 HL Mando는 인프라, 인터페이스 등과 같은 부수적인 개발을 보다 쉽게 할 수 있었고, 핵심적인 알고리즘에 대해 더욱 집중할 수 있는 시간을 확보할 수 있었습니다.

HL Mando는 차량 데이터 수집을 하기 위해 AWS와 진행한 첫 번째 PoC를 성공적으로 마치며, 지난 2023년 5월에 개최된 국내 최대 규모 IT 컨퍼런스인 AWS Summit Seoul에서 ‘HL Mando가 AWS IoT Fleetwise로 그리는 미래 커넥티드 모빌리티 기술’이라는 주제로 발표한 바 있습니다. 더불어 AWS IoT FleetWise vision system을 활용한 RSP를 주제로 CES 2024에서 공동부스를 개최하는 등, AWS와 함께 다양한 활동을 해왔습니다. HL Mando의 MiCOSA 솔루션에 대한 자료는 아래에서도 확인할 수 있습니다.

AWS 고객 성공사례: Developing Connected Vehicle Software Using AWS IoT Services with HL Mando
HL Mando Tech Blog: 세계를 놀라게 한 모빌리티 소프트웨어 솔루션, MiCOSA

끝으로 HL Mando의 M2MCx 팀은 AWS IoT FleetWise 구축 사례의 성공적인 결과를 바탕으로, 우리가 꿈꾸는 미래 모빌리티 솔루션 연구를 계속할 것이며, 현재의 솔루션을 최종 사용자들이 빠르게 만날 수 있도록 완성도를 높이고 있습니다. 자동차 샤시 전문 기업인 HL Mando의 역사와 정체성을 바탕으로, 자동차 영역에서 MiCOSA를 통해 한 걸음 더 나아가는 모습을 보여드리도록 하겠습니다.

AWS 기술 블로그