이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트에서 3D Object Detection 기술을 처음으로 다뤄봤습니다. LiDAR 포인트 클라우드 데이터를 입력으로 받아 차량과 보행자를 탐지하는 모델을 실험했고, PointPillars 아키텍처를 기반으로 구현했습니다. 2D 이미지 기반 탐지와 달리 3차원 좌표 공간에서 바운딩 박스를 예측해야 해서, 회전 각도 예측이 모델 출력에 추가되는 구조가 처음에는 낯설었습니다.
KITTI 데이터셋으로 학습했고, 포인트 클라우드 밀도가 거리에 따라 달라지는 특성 때문에 먼 거리 객체의 탐지 정확도가 낮게 나오는 문제를 경험했습니다. 데이터 전처리 단계에서 복셀화를 거치는 과정이 병목이었는데, 배치 크기를 줄이고 병렬 로더 수를 늘려 학습 속도를 개선했습니다. 3D 인식은 센서 데이터의 특성을 모델 구조에 어떻게 반영하느냐가 핵심이라는 결을 이 프로젝트에서 얻었습니다.
3D Object Detection 모델 성능을 개선할 때, mAP(평균 정밀도)와 클래스별 IoU를 지표로 삼아 체계적으로 측정했습니다. 초기 PointPillars 베이스라인에서 보행자 클래스 AP가 차량 대비 절반 이하로 낮게 나왔는데, 보행자가 차지하는 포인트 수가 적어 복셀 내 정보가 부족한 것이 원인이었습니다. 복셀 크기를 조정하고 앵커 크기를 보행자 치수에 맞게 튜닝하자 보행자 AP가 12포인트 상승했습니다. 추론 속도는 배치 추론 최적화로 프레임당 처리 시간을 초당 5프레임에서 12프레임으로 개선했습니다. 수치로 결과를 측정하지 않으면 어떤 변경이 실제로 효과가 있었는지 판단할 수 없다는 것을 이 실험에서 배웠습니다. 직관이 아닌 지표가 개선 방향을 이끌어야 한다는 감각을 여기서 얻었습니다.
자율주행 관련 수업 프로젝트에서 카메라 이미지와 LiDAR 포인트 클라우드를 함께 쓰는 센서 퓨전 실험을 했습니다. LiDAR 단독보다 색상 정보를 더해 물체 분류 정확도가 높아진다는 논문을 따라가며 구현했는데, 두 센서의 좌표계를 맞추는 캘리브레이션 행렬 적용이 예상보다 까다로웠습니다.
Open3D와 MMDetection3D 라이브러리를 사용했고, 데이터 포맷 변환과 전처리 파이프라인을 직접 구성했습니다. LiDAR 포인트가 희박한 먼 거리 영역에서 카메라 피처를 보조 입력으로 쓰자 해당 구간 AP가 소폭 올랐습니다. 각 도구의 API 차이를 익히는 데 전체 시간의 절반이 걸렸고, 논문 재현 자체보다 환경 세팅과 데이터 파이프라인 구축이 실제 비용의 대부분이라는 것을 실감했습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 카카오모빌리티 AI 리서처 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.