이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
자율주행 관련 프로젝트에서 관심을 갖고 공부한 것은 센서 퓨전 알고리즘이었습니다. 카메라와 LiDAR 데이터를 결합할 때 각 센서의 신뢰 구간과 지연 시간 차이를 어떻게 처리하느냐가 인식 정확도에 직접 영향을 준다는 것을 알게 됐습니다.
학교 프로젝트에서 CARLA 시뮬레이터를 사용해 간단한 장애물 인식 로직을 검증했습니다. 시뮬레이션 환경에서 잘 동작하던 코드가 실제 데이터셋에서 성능이 떨어지는 도메인 갭 문제를 직접 경험했고, 데이터 전처리와 노이즈 필터링의 중요성을 몸으로 익혔습니다.
또한 Kalman 필터 원리를 공부해 상태 추정에 적용해봤습니다. 이론과 구현 사이의 간극이 꽤 크다는 것을 알게 됐고, 실차 로그 데이터를 분석한 선행 논문을 찾아보며 실제 구현 접근 방식을 비교했습니다.
자율주행 안전 기준을 공부하면서 SOTIF(Safety of the Intended Functionality) 개념을 처음 알게 됐습니다. 기능 안전 표준인 IEC 61508이 하드웨어·소프트웨어 결함에 집중한다면, SOTIF는 기능 자체가 올바르게 동작해도 의도치 않은 상황에서 위험이 생길 수 있다는 것을 다룹니다. 학교 프로젝트에서 시뮬레이션이 잘 되던 모델이 햇빛 역광 상황에서 갑자기 오작동하는 경험을 했는데, 이것이 SOTIF가 다루는 전형적인 케이스였습니다.
엣지 케이스 데이터셋을 의도적으로 수집하는 것이 안전 검증에서 얼마나 중요한지를 이론이 아닌 실패로 배웠습니다. 이 경험에서 안전한 AI 시스템은 정확도가 높은 모델이 아니라 알려지지 않은 상황에서의 행동까지 설계된 결이라는 것을 배웠습니다.
자율주행 프로젝트에서 시뮬레이터로 학습한 모델이 실제 데이터셋에서 성능이 크게 떨어지는 도메인 갭 문제를 겪었습니다. 시뮬레이션은 조명·날씨·텍스처가 현실보다 훨씬 이상적인 조건이었고, 모델이 그 특성에 과적합됐습니다. 데이터 증강 기법으로 조도 변화, 흐림 효과, 노이즈를 학습 데이터에 추가했더니 실제 데이터에서의 정확도가 일부 개선됐습니다. 하지만 시뮬레이션 데이터만으로는 한계가 있었고, 실차 로그 데이터를 소량이라도 포함하는 것이 도메인 갭을 줄이는 데 더 효과적이었습니다. 이 경험에서 인지 파이프라인에서 데이터의 출처와 분포가 모델 성능을 결정하는 핵심 결이라는 것을 배웠습니다.
좋은 모델 아키텍처보다 현실에 가까운 데이터가 먼저라는 결이 남았습니다.
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.