이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
로보틱스 수업에서 경로 계획(Path Planning) 과제로 모션 플래닝 문제를 처음 다뤘습니다. 시작 위치에서 목표 위치까지 장애물을 피하는 경로를 생성하는 문제였는데, 처음엔 BFS로 접근했다가 연속 공간에서 계산 비용이 너무 커지는 한계를 만났습니다. 이후 RRT 알고리즘을 공부해 적용해봤는데, 공간을 무작위 샘플링하며 트리를 확장하는 방식이 고차원 공간에서도 실용적인 경로를 빠르게 찾는 걸 확인했습니다.
모션 플래닝에서 최적 경로와 실시간 계산 가능한 경로 사이의 트레이드오프를 직접 체감했고, 실제 로봇 시스템에서는 완벽한 최적해보다 충분히 빠르고 안전한 경로가 더 중요하다는 점을 배웠습니다. 지금도 이 분야에 지속적인 관심을 갖고 심화 학습을 이어가고 있습니다.
학부 연구실에서 RRT로 3D 환경 경로 계획을 구현했는데, 경로가 생성되기는 했지만 불필요하게 구불구불한 경로가 나왔습니다. 시뮬레이터에서는 차량이 경로를 따라 움직이기는 했는데, 거리가 최적 경로보다 40% 이상 길어져 실용적이지 않았습니다. 처음에는 후처리 스무딩만 추가했는데 근본적인 해결이 안 됐습니다. 논문을 찾아보니 RRT*가 점진적으로 경로를 개선하는 알고리즘이라는 걸 알게 됐고, 직접 구현해봤습니다.
rewiring 단계를 추가하는 게 핵심이었는데, 처음 구현에서 cost 계산을 잘못해 이틀을 디버깅했습니다. 결국 최적 경로 대비 15% 이내로 줄일 수 있었고, 알고리즘을 바꾸기 전에 어떤 특성이 부족한지부터 분석하는 습관이 생겼습니다.
학부 연구실에서 모션 플래닝 문제를 처음 다뤘을 때, 상태 공간 크기가 커지면 탐색이 너무 오래 걸리는 문제에 막혔습니다. 처음에는 컴퓨터 사양 문제라고 생각해 최적화 코드를 이틀 동안 혼자 붙잡았는데 해결이 안 됐습니다. 교수님께 현상을 설명하자 차원의 저주 문제이고, 고차원에서는 탐색 전략 자체를 바꿔야 한다는 방향을 잡아주셨습니다. 그 이후 샘플링 기반 알고리즘과 히어리스틱 탐색을 비교하며 공부했고, 문제에 맞는 알고리즘을 고르는 기준을 처음 갖게 됐습니다.
혼자 붙잡는 시간의 한계를 미리 정해두고 막히면 먼저 공유하는 방식이, 혼자 고민하는 것보다 문제를 더 빨리 풀게 해준다는 걸 이 경험으로 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 배달의민족(우아한형제들) ML 엔지니어 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.