.svg)
AI 솔루션 문의하기
자율주행 로봇이 정해진 경로를 스스로 판단하여 이동하려면 주변 공간을 정확하게 인식하는 능력이 먼저 갖추어져야 하며 이런 인식 능력은 다양한 환경에서 촬영된 영상에 사람이 정보를 표시해 두는 학습 데이터를 통해 형성됩니다. 물건을 집어 올리거나 분류하는 작업과 달리 자율주행은 로봇 자체가 공간 안에서 안전하게 움직이는 것이 목표이므로 학습 데이터가 다루어야 하는 정보의 성격도 전혀 다르게 설계되어야 합니다.
이동이라는 행위는 순간의 판단을 넘어 연속된 공간과 시간 속에서 이루어지므로 학습 데이터 역시 한 장의 정지된 이미지만으로는 충분하지 않고 연속된 흐름을 담은 영상 형태의 자료가 중요한 비중을 차지합니다. 로봇이 지금 어디에 있고 앞으로 어디로 나아갈 수 있는가를 함께 판단할 수 있어야 하기 때문입니다.
물류로봇이 물건을 다루는 작업을 위한 데이터가 특정 물체의 형태와 잡을 수 있는 지점에 초점을 맞춘다면 자율주행을 위한 비전 데이터는 로봇이 지나갈 수 있는 통로와 지나갈 수 없는 장애물을 구분하는 데 초점을 맞춘다는 점에서 근본적인 차이를 가집니다. 바닥의 재질이나 경사 그리고 통로의 폭처럼 이동에 직접적인 영향을 미치는 공간적 요소가 이 데이터의 중심을 이룹니다.
이러한 차이는 라벨링 작업자에게도 전혀 다른 관점을 요구합니다. 물체를 다루는 데이터에서는 물체 자체의 특성이 중요하지만 이동을 위한 데이터에서는 그 물체가 로봇의 진행을 방해하는가라는 관계적인 정보가 더 중요한 판단 기준이 됩니다.
자율주행 로봇을 위한 비전 AI 학습데이터는 다음과 같은 절차로 구축됩니다.
이렇게 절차를 거치면 로봇이 다양한 실제 환경에서도 안정적으로 이동할 수 있는 판단 능력을 학습할 수 있는 데이터가 완성됩니다.
벽이나 기둥처럼 위치가 변하지 않는 정적 장애물과 사람이나 다른 로봇처럼 계속 움직이는 동적 장애물은 로봇이 대응해야 하는 방식이 전혀 다르므로 이 둘을 명확히 구분하여 라벨링하는 것이 매우 중요합니다. 정적 장애물은 한 번 인식되면 그 위치 정보가 계속 유효하지만 동적 장애물은 매 순간 위치가 달라지므로 지속적으로 추적하는 정보가 함께 필요합니다.
동적 장애물의 경우 존재를 표시하는 것을 넘어 이동하는 방향과 속도까지 함께 라벨링하면 로봇이 그 장애물의 다음 움직임을 예측하고 미리 대응하는 능력을 학습하는 데 도움이 됩니다.
같은 공간이라도 시간대나 날씨에 따라 밝기와 그림자의 형태가 크게 달라지므로 이런 다양한 조건에서 촬영된 자료를 폭넓게 확보하지 않으면 로봇은 특정 조건에서만 정확하게 판단하는 한계를 가지게 됩니다. 야간이나 흐린 날씨처럼 시각적 정보가 제한적인 상황에서의 자료도 충분히 포함시켜야 로봇이 다양한 실제 조건에서 안정적으로 작동할 수 있습니다.
실내와 실외를 오가는 로봇이라면 조명이 급격하게 바뀌는 전환 구간의 자료도 함께 확보하여 이런 변화 속에서도 판단력이 흔들리지 않도록 대비하는 것이 필요합니다.
자율주행 로봇은 카메라 영상과 더불어 거리를 측정하는 다른 감지 장치의 정보도 함께 활용하는 경우가 많으므로 이런 여러 정보를 서로 연결하여 정리하는 작업도 학습데이터 구축의 중요한 부분을 차지합니다. 영상에서 확인한 장애물의 위치와 다른 감지 장치가 측정한 거리 정보가 서로 일치하도록 정렬하는 작업이 필요합니다.
이렇게 여러 감지 장치의 정보가 함께 정리된 데이터는 로봇이 하나의 정보만으로 판단하기 어려운 상황에서도 여러 단서를 종합하여 더 정확한 결정을 내릴 수 있도록 돕습니다.
자율주행 로봇을 위한 비전 AI 학습데이터는 로봇이 낯선 공간에서도 스스로 안전한 길을 찾아갈 수 있도록 만드는 근본적인 토대입니다. 정적 장애물과 동적 장애물을 구분하고 다양한 환경 조건을 폭넓게 반영하며 여러 감지 장치의 정보를 함께 정리하는 과정이 꾸준히 쌓여갈 때 자율주행 로봇은 점점 더 다양한 현장에서 안정적으로 움직일 수 있는 능력을 갖추게 됩니다.
.svg)
.svg)
