벤치마크 성능과 실제 도로 조건의 간격을 분석하며 엣지케이스 데이터의 중요성을 이해한 흐름
자율주행 관련 수업과 논문 학습을 통해 인지 알고리즘에서 가장 도전적인 부분이 어디인지를 파악하게 됐습니다.
객체 탐지 성능은 표준 벤치마크에서 높더라도 야간, 역광, 폭우 같은 환경에서 급격히 낮아지는 경우를 논문에서 반복적으로 봤습니다. 이런 엣지케이스를 데이터셋에 얼마나 포함했느냐에 따라 실제 성능이 달라지는 거래가 있었습니다. 인지 알고리즘 자체의 구조 개선보다 학습 데이터의 다양성이 실용적인 성능을 결정하는 경우가 많다는 인사이트를 얻었습니다. 다만 실제 차량 환경에서 직접 평가해본 경험이 없어 이 이해는 문헌 수준에 머물러 있습니다.
현장에서 실제 센서 데이터를 다뤄보면서 이 부분을 보완하는 것이 목표입니다. 이론으로 이해한 알고리즘의 한계를 데이터를 통해 직접 확인하는 과정이 중요하다고 생각합니다.