TL;DR
일반적인 주행 데이터셋이 80m에서 객체 라벨을 중단하는 반면 aimotive는 고속도로 주행에서 더 긴 경고 시간을 확보하도록 200m까지 라벨을 확장했으며, 425k개 박스 중 대략 4분의 1이 75m 밖에 놓였습니다. 데이터는 LiDAR, 네 대의 카메라, 두 대의 Radar를 360도 배치로 수집하고, 캘리포니아·오스트리아·헝가리의 주간·야간·우천 176개 장면으로 구성됩니다. 전체 15초 클립을 본 Non-causal Tracker가 학습 라벨을 만들고 사람이 검증 라벨을 작성해 hindsight 기반 라벨과 인간 평가를 분리했습니다. 게시자는 모든 장면을 MCAP으로 변환해 네 영상 스트림, 투영 박스, 3D 포인트 클라우드, 원시 Radar, GPS를 동기화했으며, fiftyone에서 야간이나 우천 장면을 필터링할 수 있게 구성했습니다.
실용적 조언
- aimotive의 176개 장면을 MCAP으로 변환한 뒤 네 개 카메라와 포인트 클라우드, Radar, GPS를 같은 타임라인에서 확인하면 센서 간 객체 대응과 시간 동기화를 함께 점검할 수 있습니다. 조건 필터를 사용하면 야간이나 우천처럼 특정 환경의 장면만 분리할 수 있습니다. 시작점으로 데이터셋 카드와 Hugging Face Space 데모를 활용할 수 있습니다.
섹션별 상세
이미지 분석
화면 상단에는 색상화된 3D 포인트 클라우드와 객체 주변의 3D 큐브가 있고, 오른쪽에는 GPS 경로 지도가 배치돼 있습니다. 아래에는 camera/left, camera/front, camera/right, camera/back의 네 영상 스트림이 같은 재생 타임라인에 연결돼 있어 센서별 관측과 시간 동기화 구조를 확인할 수 있습니다.
다중 센서 주행 데이터를 한 화면에서 확인하는 시각화 인터페이스입니다.
3D 패널의 색상 포인트와 동심원 형태의 센서 시각화는 전방 주변 객체 정보를 표현하며, 카메라 패널은 좌우·전후 시야를 나눠 제공합니다. GPS 패널의 경로와 각 영상 스트림이 하나의 재생 위치에 맞물려 있어 aimotive 데이터셋을 다중 센서 기록으로 탐색하는 방식과 직접 연결됩니다.
네 대의 카메라, 3D 포인트 클라우드, GPS 경로를 결합한 주행 데이터 뷰어 화면입니다.
용어 해설
- 비인과적 추적기(Non-causal Tracker)
- — 현재 시점 이후의 프레임까지 모두 확인한 뒤 객체의 위치를 결정하는 추적기입니다. 미래 관측을 활용하므로 실제 온라인 주행 추론보다 정확한 과거 라벨을 만들 수 있지만, 실시간 모델 입력에는 그대로 사용할 수 없습니다.
- MCAP
- — 여러 센서의 시계열 데이터를 하나의 기록 파일에 저장하는 포맷입니다. 이 게시물에서는 176개 주행 장면의 카메라 스트림, LiDAR 포인트 클라우드, Radar 반환값, GPS를 동기화된 타임라인으로 묶는 데 사용됐습니다.
- 투영 바운딩 박스(Projected Boxes)
- — 3D 객체 위치를 카메라 영상 좌표에 맞춰 표시한 경계 상자입니다. 게시물의 변환 데이터에서는 네 개 카메라 스트림에 객체 상자를 투영해 센서 관측과 라벨의 대응을 확인할 수 있습니다.
- 원시 Radar 반환값(Raw Radar Returns)
- — Radar 센서가 전처리되기 전에 수집한 반사 신호 데이터입니다. 카메라와 LiDAR 결과만 제공하는 대신 원시 Radar 반환값도 같은 타임라인에 넣어 다중 센서 객체 인식 실험에 활용할 수 있습니다.
언급된 도구
176개 주행 장면을 불러와 다중 카메라 스트림, 포인트 클라우드, 객체 박스, GPS를 탐색하는 데 사용됐습니다.
카메라, LiDAR, Radar, GPS 기록을 동기화된 하나의 타임라인으로 묶는 데이터 포맷으로 사용됐습니다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
