.svg)
AI 솔루션 문의하기
로봇 AI 학습을 위해 영상과 센서 데이터를 대량으로 수집하면 데이터가 늘어나는 만큼 같은 장면이 반복되거나 라벨이 잘못 입력된 사례도 함께 누적될 수 있습니다. 특히 로봇이 동일한 작업을 반복 수행하는 환경에서는 연속 프레임이 비슷하게 저장되거나 같은 행동이 여러 차례 기록되는 경우가 많습니다. 사람이 모든 데이터를 직접 확인하면 시간이 오래 걸리고 판단 기준에도 차이가 생길 수 있습니다. 자동 검수 시스템은 이러한 데이터를 사전에 선별해 사람이 확인해야 할 사례를 줄이고, 학습에 사용할 데이터의 상태를 일정하게 관리하는 데 활용할 수 있습니다.
로봇 영상은 연속적으로 촬영되기 때문에 서로 다른 파일이라도 사실상 같은 장면을 담고 있을 수 있습니다. 카메라가 잠시 정지한 상태에서 여러 프레임이 반복 저장되거나 로봇이 같은 위치에서 작업을 준비하는 장면이 대표적입니다. 이미지의 시각적 특징이나 촬영 시점 등을 비교해 유사한 데이터를 자동으로 찾아내는 방식을 적용할 수 있습니다. 완전히 동일한 파일만 찾는 방식으로는 이러한 반복 데이터를 모두 확인하기 어렵기 때문에 일정 수준 이상 비슷한 장면을 별도 검토 대상으로 분류하는 접근이 필요합니다.
파일 자체의 오류와 학습정보의 오류를 구분해 확인하는 것이 자동 검수 체계를 구성하는 핵심 요소입니다.
로봇이 이동하면서 촬영한 영상에서는 앞뒤 프레임의 내용이 거의 같을 수 있습니다. 모든 프레임을 학습데이터로 사용하면 데이터 양은 크게 늘어나지만 실제로 새로운 정보가 추가되는 정도는 낮아질 수 있습니다. 연속된 프레임 사이의 변화량을 분석해 대표성이 낮은 데이터를 선별하는 과정을 자동화할 수 있습니다. 다만 움직임이 작더라도 로봇의 손 위치나 물체 상태가 달라지는 경우에는 학습에 의미가 있을 수 있으므로 단순히 유사도만으로 일괄 삭제하기보다 변화가 발생한 구간을 함께 확인하는 기준이 필요합니다.
동일한 로봇 작업을 여러 번 촬영하면 파일 이름이나 저장 위치는 다르지만 실제 내용은 거의 같은 데이터가 만들어질 수 있습니다. 특히 여러 카메라에서 촬영하거나 작업을 반복 기록하는 과정에서 동일한 작업 구간이 중복 수집됐는지 메타데이터와 영상 특징을 함께 비교하는 방식을 사용할 수 있습니다. 이런 중복을 찾아내면 학습데이터가 특정 작업이나 환경에 지나치게 편중되는 현상도 확인할 수 있습니다. 단순히 파일 수를 줄이는 것보다 데이터가 어떤 작업 조건에 집중돼 있는지를 파악하는 데 의미가 있습니다.
자동 검수의 대상은 중복 데이터에만 한정되지 않습니다. 로봇이 물체를 잡거나 이동하는 영상에서는 라벨이 실제 객체 위치와 맞지 않거나 작업 대상이 다른 객체로 표시되는 오류가 발생할 수 있습니다. 객체 검출 라벨의 위치가 지나치게 벗어나 있거나 동일한 대상에 여러 라벨이 겹쳐 있는 경우 자동 규칙으로 이상 사례를 찾아낼 수 있습니다. 다만 모든 라벨 오류를 시스템만으로 확정하기는 어려우므로 기준에서 벗어난 데이터를 우선 검토 대상으로 보내는 방식이 적합합니다.
로봇 학습데이터는 영상과 함께 관절 각도, 위치, 속도, 힘 등의 센서정보를 포함하는 경우가 많습니다. 이때 특정 시점의 값이 누락되거나 갑자기 비정상적으로 변하면 영상 속 행동과 센서 기록이 서로 맞지 않을 수 있습니다. 센서값의 결측 여부와 허용범위, 시간 순서 등을 자동으로 검사하는 과정을 적용할 수 있습니다. 영상에는 로봇이 움직이고 있는데 관절 데이터가 장시간 동일하게 기록되는 사례처럼 서로 다른 데이터 사이의 불일치도 검수 대상으로 분류할 수 있습니다.
정해진 규칙으로 찾기 어려운 오류를 확인하기 위해 데이터의 전체적인 분포를 분석하는 방법도 활용할 수 있습니다. 특정 작업 데이터만 지나치게 많거나 평소와 다른 센서값이 반복적으로 나타나는 경우 전체 데이터에서 벗어난 사례를 자동으로 찾아 추가 검토하는 방식입니다. 이는 명백한 오류를 즉시 삭제하는 것보다 사람이 확인해야 할 데이터를 좁히는 데 적합합니다. 정상적인 특이 사례와 실제 오류가 구분되지 않을 수 있기 때문에 자동 탐지 결과를 최종 판정과 동일하게 취급하지 않는 것도 중요합니다.
데이터 검수를 자동화한다고 해서 사람이 확인할 필요가 없어지는 것은 아닙니다. 자동 시스템은 파일 손상이나 반복 데이터, 특정 범위를 벗어난 센서값처럼 규칙화하기 쉬운 항목에서 효율적으로 작동할 수 있습니다. 반면 작업 의도나 복잡한 상황 판단처럼 단순한 수치만으로 판정하기 어려운 오류는 사람이 직접 확인해야 합니다. 자동 검수에서 발견된 이상 데이터를 별도 목록으로 만들고 사람이 최종 판단하는 방식으로 역할을 나누면 대량 데이터에서도 검수 부담을 줄일 수 있습니다.
오류 데이터를 찾아낸 뒤 어떤 조치를 취했는지 기록하지 않으면 같은 문제가 다시 발생했을 때 원인을 확인하기 어렵습니다. 중복으로 판정된 데이터의 처리 결과와 라벨 수정, 제외, 재검수 여부 등을 이력으로 남기는 구조가 필요합니다. 이후 동일한 오류가 반복되면 자동 검수 규칙을 보완하거나 라벨링 기준을 수정할 수 있습니다. 데이터셋 버전별로 검수 결과를 관리하면 재학습 이후 어떤 데이터가 추가·수정됐는지도 추적하기 수월합니다.
로봇 학습데이터의 자동 검수는 중복 파일을 찾아 삭제하는 작업이 아니라 데이터의 반복성과 오류 가능성을 체계적으로 선별하는 과정으로 볼 수 있습니다. 영상과 센서의 유사성을 확인하고 라벨 위치와 시간정보를 비교하는 동시에 전체 데이터에서 벗어난 사례를 찾아내면 사람이 집중적으로 확인해야 할 영역을 좁힐 수 있습니다. 특히 자동 시스템의 판단을 최종 결과로 바로 확정하기보다 이상 사례를 선별하고 사람이 검토하는 구조를 두면 대규모 로봇 학습데이터를 지속적으로 관리하기 수월합니다.
.svg)
.svg)
