이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
배달 로봇의 위치 추정 개선에 관심을 갖고 논문과 오픈소스 프로젝트를 통해 최신 기술 동향을 파악하고 있습니다. 최근에는 전통적인 필터 기반 방식(EKF, UKF)에서 딥러닝 기반 위치 추정으로 연구가 이동하는 흐름을 확인했습니다. 특히 카메라와 LiDAR를 결합한 Visual-Inertial Odometry 계열 방법이 실내외 전환 환경에서 강건성이 높다는 것을 논문에서 읽었습니다. 기존 GPS 기반 위치 추정은 실내나 건물 밀집 환경에서 한계가 있어, 지도 기반 위치 추정과 상대 위치 추정을 병행하는 방식이 배달 로봇에 더 적합하다고 봅니다. 연구 과제에서 ORB-SLAM3를 실험해보면서 환경 변화에 따라 성능이 달라지는 것도 직접 확인했습니다.
단일 센서보다 융합 방식이 실환경 강건성에서 유리하다는 방향으로 개선을 탐색 중입니다.
배달 로봇 위치 추정에서 혼자 해결하지 못하고 도움을 받은 자리가 있었습니다. ORB-SLAM3를 처음 돌렸을 때 특정 환경에서 트래킹이 끊기는 자리가 생겼는데, 왜 그 환경에서 실패하는지 혼자서는 파악하기 어려운 자리였습니다. 로보틱스 스터디 선배에게 물어봤더니 빛 변화가 심한 환경에서 특징점 추출이 불안정해지는 자리가 있다는 것을 알려줬습니다. 조명이 불균일한 환경에서 발생하는 문제라는 것을 파악하고 나서야, LiDAR 기반 NDT 매칭 방식이 이런 환경에서 왜 더 안정적인지 이해됐습니다.
단일 센서 의존이 왜 실환경에서 한계가 생기는지를 그 자리에서 직접 알게 됐습니다. 아직 부족한 건 NDT likelihood 기반 위치 신뢰도 점수로 재추정 필요 시점을 자동으로 감지하는 방법인데, 이 부분은 실무 환경이 필요한 자리입니다. 환경 조건에 따른 트래킹 실패 원인을 도움 받아 파악한 자리라는 걸 생각하고 있습니다.
배달 로봇 위치 추정 연구에서 경험을 다음에도 쓸 수 있게 절차로 남긴 자리가 있습니다. ORB-SLAM3 실험에서 어떤 환경에서 트래킹이 실패하는지를 정리해뒀습니다. 빛 변화가 심한 환경, 단색 평탄 벽이 많은 환경, 빠른 이동 중인 환경이 실패가 잦은 자리입니다. 이 정리를 해두면 다음에 비슷한 위치 추정 시스템을 실험할 때 어느 환경을 먼저 테스트해야 하는지 알 수 있는 자리가 됩니다.
실내 고정 환경 → 조명 변화 환경 → 동적 장애물 있는 환경 순서로 단계적으로 검증하는 방식이 체계적인 자리입니다. 실험을 무작위로 진행하면 어느 조건이 실패 원인인지 알기 어려운 자리가 됩니다. 아직 부족한 건 야외 환경에서 GNSS와 IMU를 결합한 융합 시스템을 직접 실험해보는 경험인데, 이 부분은 더 많은 실습이 필요한 자리입니다.
실패 환경 조건을 정리해두는 것이 다음 검증의 출발 자리라는 걸 생각하고 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성디스플레이 공통직무·미지정 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.