자율주행 시스템에서 정지한 물체를 움직이는 것으로 잘못 분류하는 지각 떨림(perception jitter) 문제를 완화하는 실용적인 방법이 제안됐다. 잘못된 동적 예측은 불필요한 플래너 개입을 연쇄적으로 유발해 주행 안정성을 저해하는 주요 원인이며, 경계 박스 예측의 불안정성이 추적 단계에서 가짜 속도 추정과 잘못된 궤적 예측으로 이어진다는 점이 연구 배경으로 제시됐다.
연구진이 제안한 방법은 3D 객체 감지기에 무작위 불확실성(aleatoric uncertainty) 추정 기능을 추가하고, 짧은 관측 구간에 걸쳐 2표본 z-검정을 적용해 실제 움직임과 지각 떨림을 구분하는 방식이다. 이 접근법은 오픈소스 자율주행 플랫폼인 Autoware에 최소한의 수정으로 통합됐으며, 기존 데이터 연관 처리를 재활용해 추가 연산 부담을 최소화했다. nuScenes 데이터셋에서는 기존 속도 임계값 방식과 대등한 성능을 보였지만, 실제 도로 주행 시험에서는 오탐 동적 예측과 불필요한 정지 횟수가 뚜렷이 줄었다. 이는 실제 데이터에 속도 규칙만으로는 구분하기 어려운 중간 지각 떨림 구간이 존재하기 때문이라고 연구진은 설명했다.
이번 연구는 복잡한 새 아키텍처를 추가하지 않고도 기존 감지 파이프라인에 불확실성 추정을 접목해 실질적인 성능 향상을 이끌어낼 수 있음을 실도로 실험으로 입증했다는 점에서 실용적 가치가 있다. 경계 박스의 흔들림 자체를 오류로 보고 제거하기보다, 그 흔들림이 통계적으로 의미 있는 움직임인지 아니면 단순 잡음인지를 짧은 관측 구간의 검정으로 판별한다는 발상이 핵심이다. 기존 데이터 연관 처리를 그대로 재활용하는 설계 덕분에 연산 비용 증가가 거의 없어, 실시간성이 중요한 차량 탑재 환경에도 부담이 적다. 실험실 데이터셋과 현실 주행 환경 사이에 존재하는 성능 격차를 좁히는 접근법으로, 자율주행 시스템의 안전성과 승차감 개선에 기여할 수 있는 방법론으로 주목된다.
국내에서도 자율주행 셔틀과 로보택시 실증이 도심 도로로 확대되면서, 정지 차량이나 보행자를 잘못 움직이는 물체로 인식해 급제동하는 현상은 승차감과 안전을 동시에 위협하는 과제로 지적돼 왔다. 무거운 학습 비용 없이 오픈소스 스택에 가볍게 얹을 수 있는 이번 접근법은, 자체 인지 모델을 다루는 국내 자율주행 기업과 연구팀에도 곧바로 적용을 검토해 볼 만한 참고 사례가 될 수 있다. 다만 nuScenes 같은 공개 벤치마크에서는 기존 방식과 대등한 수준에 그친 만큼, 실제 효과는 각 운영 환경의 데이터 특성에 따라 검증이 필요하다.
