.svg)
AI 솔루션 문의하기
자율주행 AI 데이터 구축에서는 차량에 장착된 센서에서 수집되는 정보를 어떤 기준으로 구분하고 서로 연결해 라벨링하는지가 업체를 비교하는 주요 기준이 됩니다. 카메라 영상만 다루는 경우와 라이다, 레이더, GPS 등 여러 센서의 데이터를 함께 구축하는 경우에는 작업 방식과 검수 항목이 달라집니다. 특히 차량이 이동하면서 연속적으로 수집한 데이터는 한 장의 이미지에 객체를 표시하는 것만으로 충분하지 않기 때문에 시간에 따른 객체의 움직임과 센서 간 관계까지 관리할 수 있는 역량을 살펴봐야 합니다.
자율주행 데이터 구축에서 가장 기본적으로 비교할 부분은 카메라 영상에 등장하는 객체를 얼마나 정확하게 표시할 수 있는지입니다. 차량, 보행자, 자전거, 오토바이, 신호등, 표지판 등 주행 판단에 활용되는 객체의 종류와 라벨 범위를 프로젝트에 맞게 설정해야 합니다. 단순히 객체의 위치를 사각형으로 표시하는 작업과 객체의 외곽선을 세밀하게 구분하는 작업은 난도가 다릅니다. 업체별로 제공하는 라벨링 방식과 세부 작업 범위를 비교해야 실제 필요한 데이터를 구축할 수 있습니다.
라이다와 레이더는 카메라와 다른 형태의 센서 데이터를 제공합니다. 라이다에서는 3차원 공간에 분포한 포인트를 기준으로 객체를 구분해야 하고, 레이더에서는 거리와 상대속도 등 센서 특성에 맞는 정보를 함께 고려해야 하는 경우가 있습니다. 따라서 업체를 비교할 때 이미지 라벨링 실적만 확인하기보다 3차원 데이터와 센서별 특성을 이해하고 있는지 살펴보는 것이 좋습니다. 여러 센서를 함께 사용하는 프로젝트라면 센서별 결과를 하나의 데이터 구조로 연결하는 능력도 평가 대상이 됩니다.
센서 데이터 구축에서는 개별 라벨의 정확도뿐 아니라 서로 다른 센서에서 같은 객체를 일관되게 표현하는지도 살펴봐야 합니다. 차량 한 대가 카메라와 라이다에서 각각 다른 객체로 표시되면 멀티센서 학습에 활용하기 어려워질 수 있기 때문입니다.
자율주행 차량은 정지된 장면보다 이동하면서 변화하는 상황을 지속적으로 마주합니다. 따라서 업체 비교 과정에서는 한 프레임에서 표시한 객체를 다음 프레임에서도 동일한 객체로 연결할 수 있는지 확인할 필요가 있습니다. 앞 차량이 이동하거나 보행자가 도로를 가로지르는 상황처럼 객체의 위치가 계속 바뀌는 경우에는 프레임별 라벨뿐 아니라 객체의 이동 관계를 함께 관리해야 합니다. 시계열 데이터 구축 경험이 부족하면 개별 이미지의 라벨은 정확하더라도 연속 데이터에서 연결성이 떨어질 수 있습니다.
자율주행 센서 데이터는 도심과 고속도로, 주택가 등 주행 환경에 따라 나타나는 객체와 상황이 달라집니다. 시간대와 날씨, 도로 구조, 교통량에 따른 데이터 구축 경험도 업체를 비교할 때 살펴볼 수 있는 항목입니다. 낮에 촬영된 맑은 날씨의 영상만 다루는 업체와 야간이나 우천 상황까지 포함한 데이터를 구축해본 업체는 대응할 수 있는 데이터 범위에서 차이가 생길 수 있습니다. 프로젝트에서 필요한 환경 조건을 먼저 정한 뒤 업체의 유사 구축 경험을 비교하는 방식이 적합합니다.
실제 주행 환경에서는 차량이나 건물에 가려져 객체 일부만 보이는 상황이 발생합니다. 카메라 영상에 비가 내리거나 역광이 발생할 수도 있고 라이다 포인트가 충분하게 수집되지 않는 경우도 있습니다. 이런 데이터를 모두 제외하면 실제 주행환경과 동떨어진 학습데이터가 만들어질 수 있습니다. 따라서 부분 가림이나 센서 노이즈가 포함된 데이터를 어떤 기준으로 라벨링하고 예외 상태로 관리하는지 업체별로 확인하는 것이 좋습니다.
업체별 견적을 비교할 때는 단순히 이미지나 프레임당 단가만 비교하면 실제 구축 비용을 판단하기 어렵습니다. 라벨 종류와 난도, 검수 횟수, 센서 종류, 시계열 연결 여부에 따라 실제 작업 범위가 달라지기 때문입니다. 동일한 수량의 데이터를 맡기더라도 2차원 객체 표시만 하는 경우와 3차원 라벨링 및 멀티센서 연결까지 포함하는 경우에는 투입되는 작업과 검수 과정이 크게 달라집니다.
.svg)
.svg)
