DGIST 연구팀, 적은 데이터로 자율주행 인지 성능 혁신…ICCV 2025 논문 채택

(왼쪽부터) 미래모빌리티연구부 권순 책임연구원, 이진희 선임전임연구원./DGIST 제공

 DGIST(대구경북과학기술원) 미래모빌리티연구부 권순·이진희 연구팀이 라벨이 극히 적은 환경에서도 최신 성능(SOTA)을 구현하는 3D 준지도 학습(SSOD) 프레임워크 ‘MultipleTeachers’를 개발했다. 

이 기술은 ICCV 2025(국제 컴퓨터 비전 학회)에 논문이 채택됐으며, 자체 구축한 라이다(LiDAR) 데이터셋 ‘LiO’도 공개할 예정이다.  

연구팀은 유사한 객체를 그룹화해 범주별 교사 네트워크를 구성하고, 협력적으로 의사 라벨을 생성하는 새로운 학습 전략을 도입했다. 

또 희소한 라이다 포인트 문제를 보완하는 ‘PointGen’ 모듈을 결합해 차량·보행자·이륜차 등 도심 객체 인지 정확도를 크게 향상시켰다. 이는 적은 데이터로도 높은 학습 효과를 이끌어 자율주행 인지 기술 발전에 기여할 것으로 기대된다.  

기존 자율주행 기술 고도화의 걸림돌인 방대한 라벨링 작업의 시간·비용 문제를 해결하기 위해, 연구팀은 소량의 라벨 데이터와 대량의 무라벨 데이터를 결합하는 준지도·자기지도 학습을 고도화했다. 

실험 결과, Waymo Open Dataset(라벨 1%)에서 47.5 mAP, KITTI(라벨 2%)에서 72.2 mAP, 자체 데이터셋 LiO Large(라벨 15%)에서 61.4 mAP를 기록해 기존 최신 기법을 일관되게 뛰어넘었다. 특히 보행자와 이륜차 같은 작은 객체 검출 성능이 크게 개선됐다.  

연구팀은 DGIST 창업기업 ㈜퓨처드라이브와 협력해 한국 도심 환경을 반영한 라이다 데이터셋 ‘LiO’를 구축했다. 

LiO는 128채널 라이다 1대와 6대의 카메라로 수집한 데이터를 기반으로 7개 클래스에 대해 최소 3회 이상 전문가 검수를 거쳐 높은 품질을 확보했다. 평균 35.8개의 객체, 약 2.1만 개의 라벨 프레임과 9.6만 개의 언라벨 프레임으로 구성돼 다양한 실험 환경에 활용 가능하다.  

이진희 박사는 “ICCV 2025에서 DGIST의 인지 기술을 발표할 수 있어 영광”이라며 “LiO 데이터셋 공개로 연구 커뮤니티와 지식을 공유하고, 자율주행·스마트시티·물류 로보틱스 등 다양한 분야로 기술 적용을 확대하겠다”고 밝혔다.  

이번 연구는 DGIST 기관고유사업과 과학기술정보통신부 연구개발특구육성(R&D) 사업의 지원을 받아 수행됐으며, 연구결과는 10월 개최되는 ICCV 2025에서 공식 발표될 예정이다.

/김락현기자 [e-mail]