이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
자율주행 모션 제어 알고리즘 개발에서 처음 집중한 것은 시뮬레이터 환경에서 안전하게 실험하는 것이었습니다. 실차 테스트 전에 CARLA나 자체 시뮬레이터에서 다양한 시나리오를 반복 검증하면 실제 테스트 비용과 위험을 크게 줄일 수 있습니다.
경로 계획에서는 A*나 RRT 같은 알고리즘을 구현해봤습니다. 정적 환경에서는 잘 동작하던 경로가 동적 장애물이 추가되면 재계산이 필요해 실시간 처리 부담이 늘어나는 문제를 직접 경험했습니다.
알고리즘 성능은 실행 시간과 경로 품질의 트레이드오프로 평가했습니다. 최적 경로를 찾는 데 시간이 너무 걸리면 실시간 제어에 적합하지 않아, 계산 시간 제약 안에서 충분히 좋은 경로를 찾는 방향으로 목표를 조정했습니다.
학부 연구실에서 모션 제어 알고리즘을 시뮬레이터 상에서 구현하고 검증했는데, 소형 로봇에 실제로 올려보니 경로 추종 오차가 시뮬레이터보다 3배 이상 컸습니다. 처음에는 알고리즘 자체 문제라고 생각했는데, 원인을 추적해 보니 센서 지연과 모터 응답 지연이 시뮬레이터 모델에 반영되지 않았던 것이었습니다.
PID 제어기의 게인 값을 시뮬레이터 기준으로 그대로 썼는데, 실환경에서는 진동이 심하게 생겼습니다. 게인을 실차에서 직접 수동으로 조정하며 20회 이상 실험했고, 최종적으로 진동이 잡힌 파라미터를 찾았습니다. 시뮬레이터와 실환경 사이의 sim-to-real 격차를 처음 체감한 경험이었고, 이후 모델에 지연 요소를 추가하는 방식을 찾아보게 됐습니다.
학부 캡스톤 프로젝트에서 소형 자율주행 차량의 속도 계획 파라미터를 최적화하는 역할을 맡았습니다. 초반에는 최대 속도와 감속 기울기를 직관으로 설정했는데, 곡선 구간에서 차량이 경로를 이탈하는 케이스가 계속 나왔습니다. 곡률이 높은 구간에서 속도를 자동으로 낮추는 로직이 없다는 게 문제였습니다.
곡률 기반 속도 제한 함수를 추가해 곡률이 임계값을 넘으면 최대 속도의 60%로 제한하도록 했습니다. 이 설정을 기준으로 10회 트랙 주행 실험을 통해 이탈 없는 파라미터 범위를 찾았고, 경로 이탈이 0으로 줄었습니다. 파라미터 튜닝은 이론값보다 실험 데이터 기반으로 좁혀가는 과정이라는 걸 이 경험으로 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 배달의민족(우아한형제들) SW·IT 일반 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.