ADAS 및 자율 주행: 감지 기본 사항 — 자동차 공학의 인공 지능

이득:

감지 체인 및 SAE 자동화 수준에서 카메라, 레이더, LiDAR 및 센서 융합의 역할을 설명하는 능력
객체 감지, 분류 및 추적을 위한 데이터 라벨링, 시나리오 정의 및 평가 지표를 생성하는 기능
감지 모델 출력의 엣지 케이스, 거짓 긍정/부정 균형 및 안전 여유를 비판적으로 평가하는 능력

오늘날 대부분의 차량에는 차선 이탈 경고, 자동 비상 제동 또는 적응형 크루즈 컨트롤과 같은 기능이 있습니다. 이것들은 모두 ADAS(고급 운전자 지원 시스템)의 범위에 속합니다. 이러한 시스템과 더욱 발전된 자율 주행의 중심에는 차량이 센서를 통해 주변 세계를 "보고" 인공 지능을 통해 "이해"하는 방식인 인식이 있습니다. 이 단원에서는 감지 체인, 센서, 자동화 수준 및 가장 중요한 문제인 보안 경계를 다룹니다.

처음부터 경고: 이 영역은 보안이 중요합니다. 감지 모델이 보행자를 감지하지 못하는 경우 결과는 치명적일 수 있습니다. 그렇기 때문에 여기의 모든 AI 출력은 보안 엔지니어링 프로세스(다음 단위의 ISO 26262 및 SOTIF)로 둘러싸여야 합니다.

센서: 눈, 귀, 레이더

자율 주행 스택은 각각 장단점이 있으므로 다양한 센서를 결합합니다.

카메라: 카메라는 색상, 텍스트(교통 표지판), 차선 및 물체 유형을 가장 잘 "인식"합니다. 그러나 밤, 안개, 강한 태양광 및 거리 추정에는 열악합니다.
레이더(무선 탐지 및 범위 지정): 전파로 거리와 속도를 측정합니다. 비/안개의 영향을 덜 받고 속도를 직접 측정합니다(도플러 효과 사용). 하지만 해상도가 낮아 '보행자인지 상자인지'를 구별하기 어렵습니다.
LiDAR(빛 감지 및 범위 지정): 레이저를 발사하여 주변의 정확한 3차원 "포인트 클라우드"를 생성합니다. 그것은 거리와 모양을 아주 잘 제공합니다. 하지만 비용이 많이 들고 짙은 안개/비로 인해 영향을 받을 수 있습니다.
초음파: 주차 센서와 같은 단거리.

어느 쪽도 그 자체로는 충분하지 않기 때문에 센서 융합이 수행됩니다. 즉, 서로 다른 센서의 데이터를 결합하여 각 센서의 약점을 다른 센서의 강점으로 보완합니다. 예를 들어, 카메라는 "보행자"라고 말하고, 레이더는 "12미터 거리에서 5km/h에 접근 중"이라고 말합니다. Fusion은 두 가지를 결합하여 안정적인 트랙을 만듭니다.

팁: 감지 주장을 평가할 때 "어떤 센서가 그것을 볼 수 있고 얼마나 잘 볼 수 있습니까?" 묻다. 야간에 카메라의 거리 추정이 좋지 않으면 단일 카메라를 기반으로 한 거리 결정이 의심스럽습니다.

감지 체인

원시 센서 데이터에서 결정까지의 일반적인 체인은 다음과 같습니다.

감지: 이미지/포인트 클라우드에서 개체 찾기("여기에 도구가 있습니다").
분류: 물체의 유형(보행자, 자전거, 차량, 표지판)을 결정합니다.
추적: 프레임 사이에서 개체를 따라가며 속도와 방향을 추정합니다.
융합: 센서를 결합하여 일관된 세계 모델을 만듭니다.
예측: "이 보행자가 길을 건너게 될까요?"
계획 및 제어: 결정 및 조향/브레이크/가속기 명령.

인공지능(특히 딥러닝) 1-3. 단계적으로 매우 강함; 5-6. 단계는 점점 더 엔지니어링 규칙과 보안 논리로 둘러싸여 있습니다.

SAE 자동화 수준

자율성은 "예/아니요"가 아니라 점진적입니다. SAE J3016 표준은 6가지 레벨을 정의합니다.

레벨

이름

운전하는 사람은 누구입니까?

예

자동화 없음

모두 운전하다

경고만(사각지대 경고)

드라이버 지원

드라이버 + 단일 지원

적응형 크루즈 또는 차선 유지

부분 자동화

운전자(상시 감독)

속도 + 차선 동시, 운전자 책임

조건부 자동화

시스템(특정 조건 하에서)

특정 조건에서 시스템이 구동되면 운전자가 인계받을 준비가 됩니다.

높은 자동화

시스템(특정지역)

지정된 지역에서는 무인 운전

완전 자동화

시스템(모든 조건에서)

어디에서나 무인운전(아직은 아님)

주의: 가장 위험한 오해는 레벨 2입니다. 레벨 2에서는 차량이 조향과 속도를 지원하지만 운전자는 지속적인 감독과 책임을 집니다. 시스템을 '자동 조종 장치'로 착각하고 주의를 기울이지 않아 치명적인 사고가 발생했습니다. 레벨 2는 "운전자 없는"을 의미하지 않습니다.

평가 지표: 거짓양성 및 거짓음성

감지 모델을 평가할 때 두 가지 유형의 오류가 중요합니다.

거짓양성(false positive): 존재하지 않는 것이 있다고 생각하는 것. 예를 들어, 다리 그림자를 '장애물'로 생각하고 불필요하게 제동을 하는 것입니다. 방해가 되고 때로는 위험합니다(후방 충돌).
거짓 부정(false negative/miss): 존재하는 것을 볼 수 없는 것. 예를 들어, 실제 보행자를 볼 수 없습니다. 이는 자율주행에서 가장 치명적인 실수다.

다음을 요약하는 측정항목:

정밀도: 표시한 내용 중 실제로 정확한 부분이 얼마나 됩니까?
리콜(감도) : 실제로 존재하는 것을 얼마나 포착했는가.
mAP(평균 정밀도): 객체 감지를 위한 일반적인 복합 측정항목입니다.

리콜(보행자를 놓치지 않음)은 자율 주행에서 보행자 감지와 같은 문제에 매우 중요합니다. 이 값을 늘리면 거짓양성이 증가하는 경우가 있습니다. 이러한 절충안은 순수한 모델 정확도가 아닌 보안 엔지니어링 결정입니다.

엣지 케이스와 롱테일

자율주행에서 가장 어려운 부분은 흔한 상황이 아니라 드물고 이상한 상황입니다. 눈 아래 반쯤 보이는 표지판, 거꾸로 뒤집힌 트럭, 의상을 입은 보행자, 도로에 떨어진 가구 등입니다. 이러한 드물지만 위험한 상황을 롱테일이라고 합니다. 모델은 수백만 마일의 "정상" 주행 거리에서는 완벽할 수 있지만, 이전에 본 적이 없는 극한 상황에서는 실패할 수도 있습니다. 이것이 바로 시나리오 기반 테스트, 시뮬레이션 및 실제 검증이 끝이 없는 이유입니다.

미니 사례 연구

사례 1 - 융합의 가치. ADAS 팀은 자동 비상 제동을 테스트하는 동안 카메라만으로는 밝은 태양 아래서 앞에 있는 어두운 색상의 차량을 발견하는 것이 느리다는 사실을 발견했습니다. 레이더 데이터가 추가되면(레이더는 눈부심의 영향을 받지 않음) 시스템이 차량을 0.4초 더 일찍 감지합니다. 이는 90km/h에서 약 10m의 제동 거리를 의미합니다. 결과: Fusion은 단일 센서 사각지대를 폐쇄했습니다.

사례 2 - 재현율/정밀도 균형. 보행자 감지 모델의 임계값을 낮추면 재현율은 96%에서 99%로 증가하지만 오탐지(그림자, 덤불)가 증가하여 불필요한 제동이 발생합니다. 보안 팀이 결정을 내립니다. 보행자를 피하는 것이 최우선이지만 융합 및 추적 논리를 통해 오탐지를 제거하여 편안함을 유지합니다. 결론: 측정항목 선택은 엔지니어링/보안 결정이며 단일한 "정확한 숫자"는 없습니다.

사례 3 - Edge 사례 놀라움. 모델은 검증 세트에서 99.8% 성공했지만, 현장에서 스노우 타이어 광고를 싣고 있는 트럭 뒤에 있는 거대한 보행자의 사진을 '진짜 보행자'로 착각하고 갑자기 브레이크를 밟았습니다. 팀은 이 엣지 케이스를 시나리오 라이브러리에 추가하고 모델을 재교육합니다. 결론: 긴 꼬리는 결코 "끝나지" 않습니다. 지속적인 시나리오 수집이 필요합니다.

프롬프트 템플릿

템플릿 1 - 시나리오 목록 생성:

역할: 당신은 ADAS 테스트 케이스 엔지니어입니다. 작업: 자동 비상 제동에 대한 까다로운(최첨단 사례) 테스트 시나리오를 생성합니다. 상황: 도시, 30-50km/h, 보행자와 자전거 이용자가 혼합되어 있습니다. 제약: 빈번한 시나리오가 아닌 희귀/위험한 시나리오에 우선순위를 둡니다. 각 시나리오에 대해 예상되는 올바른 동작을 작성합니다. 출력: Scenario | 상태 | 예상되는 동작 | 위험 수준.

템플릿 2 - 라벨링 가이드 개요:

역할: 데이터 라벨링 품질 책임자.작업: 보행자 라벨링에 대한 일관성 규칙 초안 작성.컨텍스트: 보행자가 부분적으로 보이고, 앉아 있고, 휠체어에 앉아 있고, 그룹으로 있습니다.출력: 규칙 | 예 | 제한 상태 등급표.

템플릿 3 - 측정항목 해석:

역할: 컴퓨터 비전 평가 전문가. 작업: 보행자 감지 결과를 해석합니다. 맥락: 정밀도 0.93, 재현율 0.90, 밤이나 비가 올 때 가장 많이 빗나갑니다. 제약: 보안을 위한 회수의 중요성을 강조합니다. 어떤 조건에서 추가 확인이 필요한지 알려주세요. 결과: 의견 + 개선이 필요한 우선순위 영역.

템플릿 4 - Fusion 논리 개요:

역할: 당신은 센서 융합 엔지니어입니다. 작업: 카메라와 레이더가 충돌할 때 초안 결정 논리를 제안합니다. 상황: 레이더는 15m 거리에서 움직이는 작은 물체를 감지하고 카메라는 '보행자 없음'이라고 말합니다. 제약: 안전(안전한 측면)을 선호하는 가정 원칙을 적용합니다. 출력: 결정 테이블 + 타당성.

약한 프롬프트 / 강한 프롬프트

약한 프롬프트:

내 자율주행차 모델은 안전한가요?

맥락 없이; "안전함"은 정의되지 않았습니다. AI는 일반적인 용어로만 말하며 오해의 소지가 있는 자신감을 줄 수 있습니다.

강력한 프롬프트:

역할: 귀하는 ADAS 보안 평가 컨설턴트입니다. 작업: 보행자 감지 모델의 취약점에 대해 질문할 수 있는 체크리스트를 만듭니다. 맥락: 도시 레벨 2 시스템; 리콜은 밤과 비에 내립니다. 카메라+레이더만 있고 LiDAR는 없습니다. 제약사항: '안전함'을 선언하지 마세요. 시스템이 한계에 도달하는 조건과 추가 테스트가 필요한 조건을 지정합니다. 출력: 위험 영역 | 왜 | 추천 테스트 | 중요도 테이블.

일반적인 실수

레벨 2를 "운전자 없는" 것으로 착각합니다. 책임은 운전자에게 있습니다. 이 오해는 치명적이다.
단일 센서에 의존합니다. 모든 센서에는 사각지대가 있습니다. 융합이 필수적이다.
평균 정확도만 보면 됩니다. 99% 성공, 1% 놓친 보행자는 치명적일 수 있습니다. 리콜 및 엣지 케이스는 매우 중요합니다.
극단적인 경우는 무시합니다. 긴 꼬리는 끝나지 않습니다. 시나리오 수집은 계속됩니다.
보안 결정을 모델에 맡깁니다. 임계값 및 균형 결정은 보안 엔지니어링의 책임입니다.

요약하면

ADAS와 자율주행 센싱의 핵심은 카메라, 레이더, LiDAR, 센서 융합입니다. 각 센서에는 서로 다른 강점/약점이 있습니다.
탐지 체인은 탐지, 분류, 모니터링, 융합, 예측 및 제어로 구성됩니다. AI는 첫 단계에서 강하다.
SAE 수준의 범위는 0에서 5까지입니다. 2단계에서는 책임이 운전자에게 있습니다.
거짓 부정(보행자 납치)은 가장 치명적인 오류입니다. 리콜 및 특수 사례가 우선적으로 적용됩니다.
보안 결정은 엔지니어링 책임입니다. 모델 정확도가 유일한 기준은 아닙니다.

응용과제

ADAS 기능(예: 차선 유지 보조)을 선택합니다. (1) 어떤 센서가 이 기능을 지원하는지, 그리고 얼마나 잘 지원하는지 표를 작성하세요. (2) 템플릿 1을 사용하여 5개의 엣지 케이스 시나리오를 생성하고 각각에 대해 예상되는 안전한 동작을 지정합니다. (3) 이 함수에 대한 위양성과 위음성의 결과를 비교합니다. (4) 모델이 "안전하다"고 주장하기 전에 어떤 독립적인 테스트가 필요한지 나열하십시오.

체크리스트

[ ] 기능에 따른 센서의 장단점을 평가해보았습니다.
[ ] 최종 사례(롱테일) 시나리오도 나열했습니다.
[ ] 안전성을 위해 위양성/음성 결과를 비교했습니다.
[ ] 보안에 있어서 Recall의 중요성을 고려했습니다.
[ ] SAE 수준과 책임자를 명확히 했습니다.
[ ] "안전하다"고 주장하기 전에 독립적인 테스트 계획을 준비했습니다.