이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 연구에서 단안 카메라 기반 Visual Odometry 구현을 진행했습니다. ORB 특징점을 추출해서 프레임 간 매칭을 통해 카메라 이동 경로를 추정하는 방식이었습니다. 처음엔 특징점 매칭 오류가 누적되면서 경로 추정이 빠르게 발산하는 문제가 있었고, RANSAC을 적용해 이상점을 걸러내는 방식으로 안정성을 높였습니다. 실내 환경에서는 어느 정도 동작했지만, 반복 패턴이 많은 환경에서는 여전히 특징점 혼동이 발생했습니다.
이 한계를 인식하면서 SLAM 정확도는 센서 선택과 환경 특성에 크게 의존한다는 원칙을 갖게 됐습니다. SLAM의 한계를 직접 경험하면서 이론보다 실환경 테스트가 설계 방향을 결정한다는 걸 배웠고, 그 원칙을 앞으로도 가져가겠습니다.
Visual Odometry 프로젝트는 혼자 진행하지 않고 2인 팀으로 역할을 나눠 진행했습니다. 저는 특징점 추출과 매칭 파이프라인을 담당했고, 팀원은 카메라 캘리브레이션과 시각화 모듈을 맡았습니다. 협업에서 가장 중요하게 생각한 것은 두 모듈이 어떻게 연결될지를 먼저 합의하는 것이었습니다. 인터페이스를 먼저 정의해두지 않으면 각자 다른 형식으로 데이터를 주고받으면서 통합 단계에서 충돌이 생기기 때문입니다. 실제로 초반에 경로 좌표계 정의가 달라서 시각화가 뒤집혀 나오는 문제가 생겼고, 이를 계기로 공통 포맷을 문서로 먼저 합의하는 방식을 취했습니다.
협업에서 인터페이스 합의는 코드보다 먼저 해야 하는 설계라는 것을 이 프로젝트에서 배웠습니다.
기존 ORB 기반 Visual Odometry의 한계를 보완하기 위해 딥러닝 기반 특징점 추출인 SuperPoint를 추가로 시도했습니다. ORB는 계산이 빠르지만 저조도 환경이나 반복 패턴이 많은 환경에서 매칭 오류가 많았고, 이를 보완할 방법을 탐색했습니다. SuperPoint는 네트워크가 특징점 위치와 디스크립터를 동시에 학습하기 때문에 패턴이 단조로운 환경에서도 더 안정적인 매칭이 가능했습니다. 다만 실시간 처리 속도가 ORB보다 느려서 경량 디바이스에서는 ORB를 유지하는 방식을 택했습니다. 두 기술을 비교하면서 SLAM에서 특징점 기법의 선택이 환경 조건에 따라 달라져야 한다는 것을 실험적으로 확인했습니다.
기술 선택은 성능 수치가 아니라 작동 환경과의 적합성으로 결정됩니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 네이버 SW·시스템 R&D 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.