이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
모션 플래너에서 주변 환경 정보를 활용하는 방식으로 가장 먼저 적용한 것은 점유 격자 지도(Occupancy Grid Map)였습니다. 센서 데이터를 격자로 표현해 어느 셀이 장애물인지 확률로 표현하면 노이즈에 강건한 경로 계획이 가능했습니다.
동적 장애물 처리는 정적 지도만으로는 부족했습니다. 움직이는 보행자나 차량은 위치가 계속 바뀌기 때문에 예측 모듈에서 다음 위치를 추정하고, 경로 계획 시 예측 경로와의 충돌 여부를 함께 검사하는 구조를 구성했습니다.
안전 마진 설정도 중요한 파라미터였습니다. 장애물 경계에서 얼마나 여유를 둘지는 차량 크기·속도·센서 오차를 모두 고려해야 했고, 마진이 너무 크면 좁은 공간 통과가 불가능해져 균형점을 실험으로 찾았습니다.
학부 연구실 프로젝트에서 동적 장애물 추적 모듈을 처음 구현했을 때, 추적 결과가 잡음 때문에 프레임마다 5~10cm 씩 튀는 문제가 있었습니다. 그 영향으로 플래너가 매 프레임마다 다른 경로를 계획해 차량이 좌우로 진동하는 현상이 나타났습니다. 처음에는 플래너 쪽 문제라고 봤는데, 장애물 위치 데이터의 표준편차를 계산해보니 추적 단계에서 이미 노이즈가 컸습니다.
칼만 필터의 프로세스 노이즈와 측정 노이즈 파라미터를 실측 데이터를 기반으로 재조정했더니 추적 오차가 2cm 이내로 줄었고, 경로 진동도 사라졌습니다. 센서 출력 품질을 플래너 이전에 먼저 검증하지 않으면 문제 원인을 잘못 짚는다는 걸 이 경험으로 배웠습니다.
학부 캡스톤에서 모션 플래너에 고정된 안전 마진을 썼는데, 좁은 통로에서는 마진 때문에 경로 자체가 생성되지 않는 문제가 있었습니다. 반대로 넓은 공간에서는 마진이 너무 작아 장애물과 아슬아슬하게 지나치는 케이스도 있었습니다. 고정 마진으로는 다양한 환경을 하나의 값으로 다룰 수 없다는 걸 알게 됐습니다. 이후 통로 폭과 장애물 이동 속도를 기반으로 마진을 동적으로 조정하는 방식을 실험했습니다. 통로가 좁을수록 마진을 줄이되 속도도 함께 낮추고, 동적 장애물이 빠를수록 마진을 늘리는 방식이었습니다. 이 방식으로 세 가지 시나리오 모두 경로 생성에 성공했고, 고정값보다 상황 인식 기반으로 제어 변수를 정하는 게 얼마나 중요한지 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.