한 줄로 요약하자면
ODD를 넓힐 때마다 반복되는 3D 데이터 준비를, 같은 인수 품질로 더 적은 수정과 더 짧은 기간 안에 끝내는 것. X Factory가 집중하는 지점입니다.
새로운 기능과 지원 조건을 확대하려는 완성차·Tier 1의 인지·데이터 조직
새로운 도시와 도로 유형으로 서비스를 넓혀 가는 robotaxi·robotruck·셔틀 개발사
자체 데이터 파이프라인을 갖추고 있지만, 신규 ODD 데이터의 추가 물량을 빠르게 보완해야 하는 자율주행 개발사
자율주행 학습 데이터를 대량으로 조달하거나 3D 어노테이션을 운영하며 품질 기준과 납기를 관리하는 데이터 조직
이들이 마주한 핵심 질문은 결국 하나입니다. "확장 시 필요한 데이터를, 우리 기준의 품질로, 얼마나 빠르고 비용 효율적으로 준비할 수 있는가."
ODD(운영 설계 도메인) 확장은 단순한 지역 이동을 넘어 지리, 도로 유형, 날씨, 주야간 등 시스템이 설계된 작동 조건 전반의 확장을 의미합니다. 차량과 센서 구성이 같아도 환경 변화로 인한 '도메인 갭(Domain Gap)'이 존재하기에 데이터 재검증은 필수적입니다. 그렇다고 기존 데이터를 모두 새로 라벨링할 필요는 없습니다.
진짜 문제는 환경이 확장될 때마다 아래와 같은 반복 업무가 발생합니다.
독립 평가 데이터 준비
부족분 보완을 위한 추가 학습 데이터 선별
신규 데이터의 라벨링·수정·검수
위와 같은 현상은 끊임없이 반복되며 결국엔 비용과 일정을 압박한다는 점입니다. X Factory는 성능 평가와 판단이라는 고객의 영역은 존중하면서, 가장 고된 '라벨링·수정·검수' 구간의 리소스를 획기적으로 줄여 자율주행 업계의 자동 라벨링 수요를 완벽히 충족합니다.
비용: 신규 데이터의 3D 박스를 사람이 처음부터 그리면, 데이터 양이 늘어나는 만큼 투입 인력과 비용도 함께 늘어납니다.
시간: 데이터 준비에 걸리는 시간이 그대로 확장 일정에 얹힙니다. 확장 계획이 많을수록 이 대기 시간도 쌓입니다.
품질: 대량의 신규 데이터에서 객체 누락이나 불필요한 객체 생성, 잘못된 클래스 지정, 3D 박스 위치·치수 오류, yaw와 방향 오류를 일관되게 통제해야 합니다.
운영: 정확도만으로는 부족합니다. 생산량, 재작업률, 납기 준수율, 품질 이슈 대응 시간이 결국 확장 일정을 좌우합니다.
기술: 센서·차량 좌표계와 캘리브레이션을 잘못 해석하면 같은 오류가 데이터 전체에 반복됩니다.
작업자가 포인트클라우드에서 박스를 처음부터 그리는 비중이 크면, 신규 데이터의 양이 곧 투입 인력과 기간이 됩니다.
센서·차량 좌표계와 3D geometry에 대한 이해 없이 작업하면 치수와 방향 오류가 반복되고, 그만큼 재작업이 늘어납니다.
라벨 정확도와 운영 지표가 따로 관리되면, 파일럿에서 양산으로 넘어갈 때 품질과 납기를 함께 예측하기 어렵습니다.
같은 데이터라도 annotator가 바뀌면 annotation 결과값이 달라질 수 있습니다.
던져야 할 진짜 질문은 "라벨링 툴의 보유 여부"가 아닙니다. "동일한 인수 품질을 보장하면서, 작업자의 수동 공정(작업 및 수정)을 얼마나 최소화할 수 있느냐"입니다.
핵심은 사람이 박스를 처음부터 그리는 공정을, AI가 만든 초안을 사람이 검토하고 수정하는 공정으로 바꾸는 것입니다. X Factory가 집중하는 것은 3D 박스의 위치·치수·방향과 클래스, 그리고 이를 고객의 인수 기준에 맞춰 검수하는 과정입니다.
기준 설계: 고객별 ontology와 인수 기준에 맞춰 QA 프로세스를 설계합니다.
pre-annotation: LiDAR AI가 3D 박스 초안을 제안합니다. 작업자는 처음부터 박스를 그리는 대신 검토와 수정에 집중합니다.
사람 검수: 작업자가 초안을 검수하고 수정하는 human-in-the-loop 구조로 속도와 정확도를 함께 확보합니다.
geometry 검증: 3D 박스의 geometry, 치수, 방향, 좌표 일관성을 검증합니다.
어려운 케이스 처리: 가림, 희소 포인트, 복잡한 교통 장면을 별도로 판정하고 처리합니다.
추적·ID 검사: 한 프레임이 아니라 다중 프레임 추적과 ID 일관성을 중심으로 품질을 관리합니다.
다단계 검수·납품: annotator, reviewer, QA lead로 나뉜 다단계 검수와 재작업·escalation 절차를 거쳐, 접근 통제와 보안 전송을 갖춘 환경에서 batch 단위로 납품합니다.
한 가지 솔직하게 짚고 넘어갈 점은, 새로운 환경에서 고객사의 모델이 재검증을 거치듯 X Factory의 Pre-annotation 엔진 역시 초기 품질 검증이 필요하다는 사실입니다. 이에 따라 X Factory는 고객사 데이터 기반의 맞춤형 추가 학습 전용 모델을 구성하고 있으며, 신규 ODD 대응에 필요한 보정 데이터 규모와 튜닝 기간은 파일럿 단계를 통해 함께 확인해 나갑니다.
도입 시 기존 파이프라인을 통째로 바꿀 필요는 없습니다. 별도 API 연동을 통해 현재 프로세스의 3D Pre-annotation 기능만 부분적으로 보완하는 방식도 지원합니다. 다만 성공적인 연동을 위해 좌표계, 온톨로지(Ontology), 데이터 포맷 변환 및 보안 요구사항은 사전에 함께 조율해야 합니다.
작업자가 처음부터 박스를 그리는 대신, AI가 만든 초안을 검토하고 수정하는 데 집중합니다.
3D 박스의 위치·치수·방향과 클래스 오류를 geometry 검증과 다단계 검수로 관리합니다.
파일럿에서 양산으로 넘어갈 때 품질과 납기를 같은 기준으로 관리하는 구조를 갖춥니다.
생산량, 검수율, 재작업률, 납기 준수율, 품질 이슈 대응 시간 같은 운영 지표로 진행 상황을 설명할 수 있습니다.
확장할 때마다 드는 데이터 준비 비용과 기간을, 기존 방식과 비교해 판단할 근거가 생깁니다.
💡
ODD를 넓힐 때마다 반복되는 3D 데이터 준비를, 같은 인수 품질로 더 적은 수정과 더 짧은 기간 안에 끝내는 것. X Factory가 집중하는 지점입니다.
새로운 도시와 도로 환경으로의 확장을 앞두고 계신다면, 본격적인 도입에 앞서 정량적인 효과를 먼저 검증해 보실 것을 제안합니다. 신규 ODD의 LiDAR 샘플 데이터와 온톨로지, 인수 기준을 제공해 주시면 기존 프로세스 대비 비용 절감액과 리드타임 단축 효과를 비교 분석할 수 있는 파일럿 프로그램을 기획해 드리겠습니다. 상세한 안내는 “맞춤 상담 신청하기” 양식을 통해 신청해 주시기 바랍니다.