이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
자율주행 차량 기반 프로젝트 경험은 수업 지능형 시스템 과목의 팀 프로젝트였습니다. CARLA 시뮬레이터 환경에서 인식·판단·제어 파이프라인을 설계했습니다. 인식 단계에서는 카메라 이미지에서 차선과 장애물을 탐지하는 모듈을 구현했고, 판단 단계에서는 탐지 결과를 바탕으로 조향과 속도 명령을 결정하는 규칙 기반 로직을 작성했습니다. 제가 주로 담당한 부분은 센서 데이터 전처리와 차선 인식 모듈이었습니다. 이미지 노이즈를 줄이는 필터링 단계와 허프 변환으로 차선을 검출하는 파이프라인을 구현했습니다. 시뮬레이션에서는 날씨 조건을 바꾸거나 조명이 달라지는 환경에서 인식 성능이 어떻게 달라지는지 테스트했습니다. 맑은 날에는 잘 동작하던 모듈이 역광 조건에서 차선을 놓치는 문제가 있었는데, 전처리 단계를 보강해서 개선했습니다.
시뮬레이션과 실환경의 차이도 고민하게 됐습니다.
자율주행 프로젝트에서 제가 부딪힌 어려움은, 맑은 날 잘 동작하던 차선 인식 모듈이 역광 조건에서 차선을 놓치는 문제였습니다. 수업 지능형 시스템 팀 프로젝트로 CARLA 시뮬레이터에서 인식·판단·제어 파이프라인을 설계했는데, 제가 맡은 건 센서 데이터 전처리와 차선 인식이었습니다. 그래서 제가 들고 간 절차는, 먼저 어떤 환경에서 인식이 무너지는지를 날씨·조명을 바꿔 가며 테스트로 좁히는 일이었습니다. 역광에서 실패가 잦은 걸 확인하고, 이미지 노이즈를 줄이는 필터링과 허프 변환 전처리 단계를 보강해 개선했습니다. 한 번 고치고 끝내지 않고 어떤 조건에서 보강이 필요한지를 정리해 남겼습니다. 다만 도움 받은 자리도 인정합니다. 판단·제어 모듈은 팀원이 맡았고, 저는 인식 부분을 담당했습니다. 또 시뮬레이션과 실환경의 차이는 고민만 했을 뿐 실차로 검증해 보진 못했습니다. 그래서 역광 문제를 푼 경험을 토대로, 그 인식 역량을 더 키우려 합니다.
자율주행 프로젝트에서 제가 의식한 건, 인식 성능이 환경에 따라 어떻게 달라지는지를 테스트로 직접 확인하는 일이었습니다. 한 조건에서 잘 되는 모듈도 다른 환경에선 무너질 수 있어, 추측 대신 측정으로 좁혀야 했습니다. CARLA에서 저는 날씨를 바꾸거나 조명이 달라지는 환경에서 차선·장애물 인식 성능이 어떻게 변하는지를 테스트했고, 역광에서 차선을 놓치는 약점을 찾아 전처리를 보강했습니다. 제가 맡은 센서 전처리와 차선 인식에서, 어떤 환경이 취약한지를 데이터로 짚은 게 제 손에 닿은 자리였습니다. 다만 도움 받은 자리도 인정합니다. 판단·제어는 팀원이 담당했고, 저는 인식만 맡았습니다. 또 시뮬레이션과 실환경의 차이를 고민하게 됐지만, 실제 차량 데이터로 검증해 본 경험은 없습니다. 그래서 환경 변화를 테스트로 좁힌 경험을 토대로, 그 인식 검증 역량을 더 키우려 합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 카카오모빌리티 자동차·기계 연구 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.