데이터 기반 자율주행 시뮬레이션: 현실과 가상의 간극을 좁히는 방법

섹션별 상세

DDADS는 실제 차량 센서 데이터를 시뮬레이션 시나리오로 변환하여 기존 합성 데이터 방식의 한계를 극복한다. 실제 도로에서 발생하는 무단횡단, 급격한 차선 변경, 악천후 등 복잡한 엣지 케이스를 시뮬레이션에 그대로 반영하여 모델의 신뢰성을 높인다.

실제 도로 데이터와 가상 테스트 환경 사이의 간극을 좁히는 데이터 기반 자율주행 시뮬레이션의 개념도이다. — Infographic실제 주행 영상 위에 시뮬레이션 인터페이스가 중첩된 모습을 통해, 현실의 복잡한 데이터를 어떻게 가상 환경으로 이식하여 자율주행 AI를 학습시키는지 시각적으로 보여준다.

멀티모달 센서 퓨전과 정밀 어노테이션을 통해 LiDAR, 레이더, 카메라 데이터를 동기화한다. 3D 바운딩 박스, 궤적, 세그멘테이션 마스크뿐만 아니라 센서의 폐색(Occlusion) 정보와 캘리브레이션 데이터를 포함하여 시뮬레이션의 물리적 현실성을 확보한다.

방대한 주행 로그에서 TTC(Time to Collision)나 급감속 등의 지표를 기준으로 유의미한 시나리오를 추출하는 시나리오 마이닝을 수행한다. 추출된 데이터는 액터의 의도, 공격성, 센서 설정 값을 포함한 표준화된 JSON 형식의 시나리오 디스크립터로 변환되어 다양한 시뮬레이션 엔진에서 재현된다.

json

{
  "scenario_id": "cutin_freeway_2025_06_14_07",
  "map_id": "metro_v12",
  "seed": 421337,
  "actors": [
    {"id": "veh_12", "type": "car", "intent": "cut_in", "aggression": "0.7"}
  ],
  "sensors": {
    "lidar_roof": {"rpm": 1200},
    "cam_front": {"rolling_shutter": true}
  },
  "gt": {
    "bbox3d": true,
    "tracks": true,
    "segm": true,
    "occlusion_masks": true
  },
  "oracles": {"rss_min_ttc_s": 2.0, "jerk_max_mps3": 4.0}
}

실제 주행 데이터를 시뮬레이션 엔진에서 재현하기 위해 표준화된 시나리오 디스크립터 예시

단순한 객체 인식을 넘어 타 차량이나 보행자의 의도(Intent), 공격성(Aggression), 양보 여부 등을 태깅하여 상호작용이 가능한 에이전트 시뮬레이션을 구현한다. 이는 자율주행차가 주변 환경의 행동 패턴을 예측하고 대응하는 능력을 학습하는 데 기여한다.

데이터 거버넌스와 확장성을 위해 Ango Hub 플랫폼을 활용하여 수천 시간의 데이터를 관리한다. 개인정보 비식별화, 데이터 이력 추적(Lineage), 품질 보증(QA) 샘플링을 통해 안전성 감사에 대응 가능한 투명한 데이터 파이프라인을 유지한다.

원시 센서 데이터 수집부터 시뮬레이션 및 모델 트래킹까지 이어지는 DDADS의 6단계 워크플로우 다이어그램이다. — Diagram데이터 수집, 정제, 3D 어노테이션, 시나리오 관리(Ango Hub), 시뮬레이션 엔진(CARLA) 수출, 그리고 피드백 루프로 구성된 전체 파이프라인을 단계별로 명확히 설명한다.

용어 해설

데이터 기반 자율주행 시뮬레이션(DDADS): — 실제 도로에서 수집한 센서 데이터를 가상 시뮬레이션 시나리오로 변환하는 기술이다. 기존의 합성 데이터 기반 방식보다 실제 환경의 복잡성과 예측 불가능한 엣지 케이스를 더 정확하게 반영하여 자율주행 모델의 안전성을 높인다.
엣지 케이스(Edge Case): — 알고리즘이 처리하기 어렵거나 발생 빈도가 매우 낮은 특이 상황을 의미한다. 자율주행에서는 갑자기 튀어나오는 보행자나 악천후 등 안전에 직결되는 희귀 시나리오를 포함하며, 이를 학습하는 것이 시스템 완성도의 핵심이다.
센서 퓨전(Sensor Fusion): — LiDAR, 레이더, 카메라 등 서로 다른 특성을 가진 여러 센서의 데이터를 결합하여 주변 환경을 정밀하게 인식하는 기술이다. 각 센서의 단점을 보완하고 데이터의 신뢰도를 높여 정확한 3D 환경 재구성을 가능하게 한다.
시나리오 마이닝(Scenario Mining): — 방대한 주행 데이터 로그에서 충돌 위험(TTC)이나 급감속 등 유의미한 특정 상황을 자동으로 추출하는 과정이다. 수천 시간의 데이터 중 모델 학습과 평가에 실질적으로 도움이 되는 핵심 구간을 선별하는 역할을 한다.
충돌 시간(TTC): — Time to Collision의 약자로, 현재 속도와 경로를 유지할 때 장애물과 충돌하기까지 남은 시간을 의미한다. 자율주행 시스템에서 위험도를 평가하고 시뮬레이션 시나리오를 추출하는 주요 지표로 활용된다.

기술

LiDAR
Radar
Ango Hub
CARLA
JSON Scenario Descriptors

활용 사례

자율주행 모델의 엣지 케이스 학습
가상 환경에서의 안전성 검증 및 평가
멀티모달 센서 데이터 캘리브레이션

언급된 리소스

문서Ango Hub

DemoCARLA Simulator