인지지능 알고리즘 설계

• 인지지능 알고리즘 = 원시 센서 데이터 → 의미 있는 정보로 만드는 파이프라인 설계
• 고전 컴퓨터 비전과 딥러닝이 공존
• 로봇의 상수 제약: "탑재 컴퓨터에서 실시간으로 돌아가는가"
• 출제 포인트: 인지 파이프라인 4단계 · 분류·검출·세그멘테이션의 구분 · 학습 데이터 분할(학습/검증/시험)과 과적합 · 엣지 배포·경량화

인지 파이프라인 4단계 (시험 단골)

1. 전처리(Preprocessing): 원시 데이터의 품질 개선 — 노이즈 제거(필터링), 왜곡 보정(캘리브레이션), 정규화, 관심영역(ROI) 추출로 연산량 축소
2. 특징 추출(Feature Extraction): 판단에 유용한 정보로 압축 — 엣지·코너·색 히스토그램·특징점(고전), 또는 신경망이 스스로 학습한 특징(딥러닝)
3. 인식(Recognition): 특징으로부터 판단 — 분류·검출·세그멘테이션
4. 후처리(Postprocessing): 결과의 안정화 — 시간적 필터링(깜빡임 제거), 추적(Tracking — 프레임 간 동일 물체 연결), 중복 제거, 좌표계 변환(영상 좌표 → 로봇 좌표, → 좌표계)

인식 과제의 3형제 — 분류·검출·세그멘테이션 (구분 단골)

로봇 파지에는 검출 + 자세(포즈) 추정이, 주행 가능 영역 판단에는 세그멘테이션이 어울린다.

고전 기법 vs 딥러닝

• 고전 컴퓨터 비전: 사람이 특징을 설계(엣지, 템플릿 매칭, 색 기반 분할) — 데이터가 적어도 동작, 해석·예측 가능, 조명·변형에 취약
• 딥러닝(CNN 계열): 데이터로부터 특징을 학습 — 복잡한 대상에 강인, 대량의 라벨 데이터·연산 필요, 동작 근거 해석이 어려움
• 실무 원칙: 마커 인식·단순 색 검출처럼 통제된 문제는 고전 기법이 싸고 확실하며, 비정형 물체·사람 인식은 딥러닝 — 혼합 구성이 일반적. 안전 필수 판단을 딥러닝에만 맡기지 않는다 (→ 작업 시나리오별 소프트웨어 구현기술)

학습 기반 설계의 순환 — 데이터가 절반이다

1. 데이터 수집: 실제 운용 환경에서, 조건(조명·각도·가림)을 다양하게 — 환경과 다른 데이터로 학습하면 현장에서 무너진다
2. 라벨링(Labeling): 정답 표기 — 품질 관리(교차 검수)가 성능 상한을 정한다
3. 데이터 증강(Augmentation): 회전·밝기 변화·노이즈 추가로 데이터를 인위적으로 불림 — 다양성 확보
4. 학습/검증/시험 분할 (시험 단골): 학습(train) 데이터로 모델을 만들고, 검증(validation) 데이터로 튜닝·모델 선택을 하며, 시험(test) 데이터는 마지막 평가에만 사용 — 시험 데이터를 튜닝에 쓰면 성능이 부풀려진다
5. 과적합(Overfitting): 학습 데이터에만 최적화되어 새 데이터에서 성능이 떨어지는 현상 — 징후는 "학습 성능 ≫ 검증 성능". 대책: 데이터 확충·증강, 모델 단순화, 정칙화, 조기 종료
6. 운용 중 개선: 현장의 실패 사례를 수집해 재학습 — 인지 성능은 배포로 끝나지 않는다

임베디드 배포 — 로봇의 현실 제약

• 엣지(온보드) vs 클라우드: 온보드는 지연 짧고 통신 두절에 강함(안전 기능은 반드시 온보드), 클라우드는 연산 풍부하나 지연·연결 의존 — 안전·실시간은 엣지, 무거운 분석은 클라우드로 나누는 하이브리드가 일반적
• 경량화: 모델을 작고 빠르게 — 양자화(Quantization: 32비트 실수 → 8비트 정수 연산), 가지치기(Pruning: 기여도 낮은 연결 제거), 경량 구조 선택, 하드웨어 가속(GPU·NPU) 활용
• 성능–속도–자원의 3자 균형을 목표사양(fps·지연·정확도)에 맞춘다 (→ 로봇 시스템 최적화)

강인성을 위한 설계

• 센서 융합: 서로 다른 원리의 센서로 약점 상쇄 — 카메라(분류에 강함) + LiDAR(거리·조명 불변) (→ 로봇센싱 알고리즘 설계)
• 신뢰도 기반 거동: 낮은 신뢰도 → 재관측·감속·확인 요청 (→ 인지지능 소프트웨어 목표사양)
• 시간적 일관성: 단일 프레임이 아니라 연속 관측으로 판단 (추적·다수결)

인지 파이프라인

flowchart LR
    S["센서 데이터
(영상·점군)"] --> P1["① 전처리
노이즈 제거·보정·ROI"] --> P2["② 특징 추출
수동 설계 or 학습"] --> P3["③ 인식
분류·검출·세그멘테이션"] --> P4["④ 후처리
추적·필터링·좌표 변환"] --> O["작업지능·세계 모델로"]

데이터 분할과 과적합

flowchart TD
    D["전체 데이터"] --> TR["학습(train)
모델 생성"] & VA["검증(validation)
튜닝·모델 선택"] & TE["시험(test)
최종 평가에만"]
    OF["과적합 징후: 학습 성능 ≫ 검증 성능"] --> FIX["대책: 데이터 확충·증강,
모델 단순화, 정칙화, 조기 종료"]

1. 인지 파이프라인의 단계를 순서대로 옳게 나열한 것은?

① 특징 추출 → 전처리 → 후처리 → 인식 ② 전처리 → 특징 추출 → 인식 → 후처리 ③ 인식 → 전처리 → 특징 추출 → 후처리 ④ 후처리 → 인식 → 특징 추출 → 전처리

2. "주행 가능한 바닥 영역을 픽셀 단위로 구분"하는 인식 과제는?

① 분류(Classification) ② 검출(Detection) ③ 세그멘테이션(Segmentation) ④ 추적(Tracking)

3. 학습·검증·시험 데이터 분할에 대한 설명으로 옳지 않은 것은?

① 학습 데이터로 모델의 파라미터를 만든다 ② 검증 데이터로 하이퍼파라미터 튜닝과 모델 선택을 한다 ③ 시험 데이터는 최종 성능 평가에만 사용한다 ④ 시험 데이터를 튜닝에 반복 사용하면 더 정확한 평가가 된다

4. 학습 데이터 성능은 99%인데 검증 데이터 성능이 80%로 크게 떨어졌다. 진단과 대책으로 가장 적절한 것은?

① 과적합 — 데이터 확충·증강, 모델 단순화, 정칙화로 대응한다 ② 과소적합 — 모델을 더 복잡하게 만든다 ③ 정상 상태 — 그대로 배포한다 ④ 센서 고장 — 하드웨어를 교체한다

5. 사람 감지 정지 기능의 인지 처리 위치에 대한 설계로 가장 적절한 것은?

① 클라우드 서버에서 처리하고 결과를 무선으로 받는다 ② 로봇 온보드(엣지)에서 처리해 통신 상태와 무관하게 동작하게 한다 ③ 처리 위치는 성능과 무관하다 ④ 야간에만 온보드로 전환한다

• 인지지능 소프트웨어 목표사양 — 알고리즘이 달성할 목표(정밀도·재현율·fps)
• 로봇센싱 알고리즘 설계 — 센서 융합·필터링의 상세
• 센서 종류 — 인지의 입력 센서
• 이동로봇 위치인식 — 인지가 뒷받침하는 위치인식
• 로봇 시스템 최적화 — 연산 자원과의 균형
• _MOC 지능소프트웨어