거리뷰 기반 국가 간 ADAS 데이터 수집 효율화 전략

초록

본 논문은 공개된 거리뷰 이미지(예: Mapillary)를 활용해 교통표지판 감지에 중요한 장소(POI)를 사전 탐색하고, KNN 기반 특징 거리와 vLLM 기반 시각 속성 두 가지 점수화 방법을 제안한다. 수집‑탐지 프로토콜을 도입해 독일을 소스 도메인으로, 폴란드·스웨덴·프랑스를 목표 도메인으로 설정한 실험에서, 무작위 샘플링 대비 절반 수준의 데이터만으로도 동일한 검출 성능을 달성함을 보이며, 대규모 국가 수준 적용 비용도 경제적임을 입증한다.

상세 분석

이 연구는 ADAS/ADS 시스템을 새로운 국가에 배포할 때 발생하는 도메인 시프트 문제를 데이터 수집 단계에서 완화하려는 데이터‑중심 접근법이다. 기존의 대규모 온로드 테스트는 시간·비용이 과다하고, 실제로 어떤 위치가 모델에 가장 큰 영향을 미치는지 사전에 알기 어렵다. 저자들은 전 세계적으로 공개된 거리뷰 이미지가 이러한 사전 탐색에 적합하다고 판단하고, 두 가지 POI 점수화 방식을 설계하였다. 첫 번째는 사전 학습된 비전 파운데이션 모델(예: CLIP)에서 추출한 이미지 임베딩을 이용해, 목표 국가의 거리뷰 이미지와 소스 국가(독일) 주행 이미지 간의 k‑nearest‑neighbor 거리(d_k)를 계산한다. 거리값이 클수록 소스 도메인과 시각적 차이가 크므로 POI 후보로 선정한다. 두 번째는 vLLM(vision‑LLM)을 활용해 이미지당 교통표지판을 탐지하고, 사전 정의된 속성(형태, 색상, 기호, 텍스트 등)을 구조화된 JSON 형태로 추출한다. 이렇게 얻은 속성 벡터를 소스 국가의 속성과 비교해 차이가 큰 위치를 POI로 선택한다. vLLM 방식은 인간이 이해하기 쉬운 의미론적 차이를 제공해 선택 과정이 투명해진다.

논문은 “collect‑detect” 프로토콜을 도입해 실험적 재현성을 확보한다. 즉, 먼저 다국가 주행 데이터셋(ZOD)과 동일 GPS 좌표의 거리뷰 이미지를 수집하고, POI 탐색 알고리즘을 적용해 상위 k개의 위치를 선정한다. 이후 해당 위치에 해당하는 실제 주행 이미지만을 추출해 모델을 미세조정하고, 목표 도메인 검증 셋에서 교통표지판 검출 성능을 평가한다. 이 방식은 실제 “detect‑collect”(거리뷰 탐색 후 현장 수집)와는 차이가 있지만, 동일한 데이터 예산 하에서 다양한 POI 선정 전략을 공정하게 비교할 수 있게 한다.

실험 결과는 두 방법 모두 무작위 샘플링 대비 효율성을 보였으며, 특히 vLLM 기반 방법은 50 % 수준의 데이터만 사용해 거의 동일한 평균 평균정밀도(mAP)를 달성했다. 이는 속성 수준의 차이를 직접 반영함으로써, 모델이 실제로 어려움을 겪는 표지판 유형(예: 색상·형태가 다른 경고표지)을 효과적으로 포착했기 때문이다. 또한 저자들은 국가 전체를 대상으로 거리뷰 이미지를 처리하는 비용을 추정했으며, 현재 클라우드 기반 이미지 처리 비용과 인건비를 합산해도 수십만 달러 수준으로, 전통적인 온로드 데이터 수집에 비해 크게 절감된다고 주장한다.

한계점으로는 거리뷰 이미지의 품질(해상도·시점·날씨) 변동성이 크고, 일부 지역은 이미지가 부족하거나 오래된 경우가 있어 POI 탐색 정확도가 떨어질 수 있다. 또한 현재는 교통표지판 검출 하나에 초점을 맞추었지만, 보행자·차선·동적 객체 등 다른 인식 과제로 확장하려면 속성 정의와 vLLM 프롬프트 설계가 추가로 필요하다.

요약하면, 이 논문은 비전 파운데이션 모델과 vLLM을 활용해 사전 비용을 최소화하면서도 목표 국가에 특화된 데이터 수집을 효율적으로 설계하는 프레임워크를 제시하고, 실증 실험을 통해 그 실효성을 입증하였다.