자율주행차 학습을 위한 센서 데이터 트리아지 전략

섹션별 상세

01

자율주행차의 데이터 과부하는 수동 라벨링 비용을 급증시키며, 단순하고 반복적인 데이터는 모델의 엣지 케이스 대응 능력을 저하시키는 원인이 된다.

02

규칙 기반 필터는 센서 드롭아웃이나 모션 블러 등 부적합 데이터를 제거하고, 중복 제거 기술은 유사한 장면을 걸러내어 라벨링 예산을 절감한다.

03

시나리오 분류기는 학교 버스나 보행자 등 희귀하고 중요한 이벤트를 우선순위에 배치하며, 엔트로피 점수는 모델이 가장 어려워하는 데이터를 식별하여 라벨링 효율을 높인다.

04

LiDAR, 카메라, 레이더 데이터의 시간 정렬을 보장하고 센서 간 충돌을 감지하는 다중 센서 퓨전 관리는 퓨전 알고리즘 개선에 필요한 고가치 데이터를 추출하는 핵심이다.

05

SOTIF 및 ISO 26262 표준을 활용한 시나리오 마이닝은 보호되지 않은 좌회전 등 희귀 시나리오를 자동 분류하고, 이를 향후 데이터 수집 계획에 반영하여 안전성을 강화한다.

센서 데이터 트리아지(Sensor Data Triage): — 자율주행차에서 수집된 방대한 센서 로그를 품질, 참신함, 학습 가치에 따라 평가하고 선별하는 과정입니다. 불필요한 데이터를 제거하고 모델 학습에 가장 효과적인 고가치 데이터를 우선적으로 라벨링하여 비용 효율성을 높입니다.
능동 학습(Active Learning): — 모델이 자신의 예측 불확실성을 기반으로 가장 학습이 필요한 데이터를 스스로 선택하는 기법입니다. 이 아티클에서는 모델의 불확실성 점수를 활용해 데이터 수집 및 트리아지 우선순위를 지속적으로 조정하는 데 사용됩니다.
센서 퓨전(Sensor Fusion): — LiDAR, 카메라, 레이더 등 서로 다른 센서에서 수집된 데이터를 통합하여 주변 환경을 정확하게 인식하는 기술입니다. 트리아지 과정에서 센서 간 시간 정렬과 일관성을 검증하는 것이 필수적입니다.
의도된 기능의 안전성(SOTIF): — Safety of the Intended Functionality의 약자로, ISO 21448 표준을 의미합니다. 자율주행 시스템에서 기능적 결함이 없더라도 발생할 수 있는 위험 상황을 관리하고 안전성을 확보하기 위한 기준입니다.