로보틱스 연구
합성 데이터를 활용한 수중 환경 인지 시스템 개발
Towards Scaling Marine Perception with Synthetic Data
arXiv수중 환경에서 라벨링된 실제 데이터 확보가 어려워 머신러닝 모델 개발에 한계가 있었는데, 이를 극복하기 위한 합성 데이터 생성 파이프라인을 구축했습니다.
세 줄 요약
- 새로 개발된 파이프라인은 장면의 외관, 구조, 센서 설정을 자유롭게 조정하며 대규모의 자동 라벨링된 사실적 데이터를 생성하고, 실제 성게 탐지 과제에 적용하여 성능을 검증했습니다.
- 데이터 수집 비용과 어려움이라는 현실적 장벽을 넘어, 로봇 공학 및 AI가 접근하기 어려운 해양 환경에서도 대규모 학습이 가능해진다는 점에서 큰 의미를 가집니다.
- 현재는 렌더링 충실도와 장면 다양성 확보에 한계가 있어, 향후 시뮬레이션 데이터의 현실 일반화 성능을 높이는 방향으로 개선 연구가 필요합니다.
수중과 같은 까다로운 환경에서 대규모 머신러닝 모델을 구현하는 것은 라벨링된 실제 훈련 데이터 부족으로 인해 큰 제약을 받습니다. 이러한 현실적인 어려움을 극복하기 위해, 연구진은 IsaacSim 기반의 수중 인식 시뮬레이터인 OceanSim에 생성(SDG) 파이프라인을 확장하여 구축했습니다.
제안된 파이프라인을 통해 사용자는 장면의 외관, 구조, 센서 설정 등을 자유롭게 구성하며 대규모의 자동 라벨링되고 사실적인 데이터셋 생성이 가능합니다. 연구진은 이 파이프라인을 실제 성게 탐지 과제에 적용하여 성능을 검증했으며, 다양한 합성 장면 변화가 시뮬레이션-현실(sim-to-real) 성능에 미치는 영향을 분석했습니다.
연구 결과와 함께 현재 파이프라인의 주요 한계점도 논의되었습니다. 특히 수중 렌더링 충실도와 장면 다양성 확보가 필요하며, 향후 시뮬레이션 데이터의 현실 일반화 성능을 높이는 방향으로 개선 연구를 진행할 필요성이 제기되었습니다.
용어 풀이
- 합성 데이터
- 실제로 모은 것이 아니라 AI나 프로그램으로 만들어 낸 학습용 데이터.