⚡ electrical engineering

Uncertainty Representation in a SOTIF-Related Use Case with Dempster-Shafer Theory for LiDAR Sensor-Based Object Detection

본 논문은 Yager 규칙을 활용한 Dempster-Shafer 이론을 통해 불확실성 원천을 모델링하고 결합하며, 분산 기반 민감도 분석을 적용하여 이러한 원천이 탐지 정확도에 미치는 구체적인 영향을 정량화하는 SOTIF 준수형 LiDAR 객체 탐지를 위한 체계적인 프레임워크를 제안한다.

원저자: Milin Patel, Rolf Jung

게시일 2026-05-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Milin Patel, Rolf Jung

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

자비드 차를 운전하고 있다고 상상해 보세요. 비가 오고 안개가 자욱한 시골 도로에서요. 당신은 느린 자전거를 추월하려고 노력하고 있는데, 반대편에서 트럭이 다가오고 있습니다. 당신의 차의 '눈'은 LiDAR 센서로, 세상을 매핑하기 위해 보이지 않는 레이저 빔을 쏘아냅니다. 하지만 인간의 눈이 폭우 속에서 어려움을 겪는 것처럼, 이러한 레이저도 비, 안개, 젖은 도로에 혼란을 겪습니다. 그들은 유령 (오경보) 을 보거나 실제 위험 (놓친 자전거) 을 놓칠 수 있습니다.

이 논문은 자동차의 컴퓨터에게 "내가 무엇을 보고 있는지 100% 확신하지 못하며, 내가 왜 불확실한지 정확히 설명하겠습니다"라고 말하도록 가르치는 것에 관한 것입니다.

다음은 저자들이 한 일을 간단히 정리한 것입니다:

1. 문제: 불확실성의 '안개 낀 창'

저자들은 SOTIF(의도된 기능의 안전성) 라는 특정 안전 목표에 초점을 맞춥니다. SOTIF 를 도로 규칙이 이상해지거나 센서가 혼란을 겪을 때에도 안전을 유지하겠다는 자동차의 약속으로 생각하세요.

문제는 LiDAR 센서가 두 가지 유형의 '안개'로 인해 실수를 한다는 것입니다:

기상 안개 (우연적): 이는 비, 젖은 도로, 그리고 실제 외부의 안개입니다. 자동차는 이를 통제할 수 없습니다; 그냥 발생합니다.
지식 안개 (인식적): 이는 자동차 자체의 한계입니다. 아마도 그 '두뇌'(AI 모델) 가 훈련 중에 비 오는 날을 충분히 보지 못했거나, 센서가 완벽하지 않을 수 있습니다.

2. 해결책: '아마도'를 세는 새로운 방법

일반적으로 컴퓨터는 확률을 추측하기 위해 표준 수학 (동전 던지기 등) 을 사용합니다. 하지만 데이터가 충분하지 않다면 동전 던지기는 나쁜 추측입니다.

대신 저자들은 ** Dempster-Shafer 이론 (DST)** 이라는 특수한 수학 도구를 사용했습니다.

유추: 당신이 범죄를 해결하려는 형사라고 상상해 보세요.
- 표준 수학은 말합니다: "집사가 범인일 확률은 60% 입니다."
- DST는 말합니다: "집사를 가리키는 증거가 있고, 정원사를 가리키는 증거가 있으며, '아직 모른다'는 큰 증거 더미가 있습니다. 저는 단일 답변을 강요하지 않고 이러한 모든 가능성을 동시에 열어둘 수 있습니다."

이는 자율주행차에 완벽합니다. 위험한 추측을 하기보다 "나는 불확실하다"고 인정할 수 있게 해주기 때문입니다.

3. 지도: 점들을 연결하기

저자들은 서로 다른 문제들이 어떻게 연결되는지 보여주는 지도 (DAG 라고 함) 를 만들었습니다.

비는 도로를 젖게 만듭니다.
젖은 도로는 레이저 빔이 이상하게 반사되게 만듭니다.
이상한 반사는 센서를 혼란스럽게 만듭니다.
혼란스러운 센서는 AI 두뇌가 자전거가 어디에 있는지 덜 확신하게 만듭니다.

그들은 이 지도를 사용하여 약간의 비가 어떻게 큰 안전 위험으로 변할 수 있는지 추적했습니다.

4. 실험: '시골 도로' 테스트

그들은 특정 시나리오에서 이를 테스트했습니다: 좁고 비가 오는 도로에서 60km/h 로 주행하며 자전거를 추월하려 하고 반대편에서 트럭이 다가오는 상황입니다.

그들은 시스템에게 네 가지 가능한 결과를 식별하도록 요청했습니다:

자전거를 올바르게 본다.
트럭을 올바르게 본다.
자전거를 놓친다(위음성).
없는 곳에 자전거를 본다(위양성).

그들은 그들의 특수 수학 (DST) 을 사용하여 모든 혼란스러운 신호 (비, 안개, 젖은 도로) 를 결합하여 자동차의 신뢰도가 얼마나 떨어졌는지 확인했습니다.

5. 결과: 무엇이 가장 중요한가?

'민감도 분석'(본질적으로 스트레스 테스트) 을 수행함으로써 그들은 어떤 요소들이 가장 큰 troublemaker(문제 원인) 인지를 알아냈습니다:

큰 악당: 강우 강도와 센서의 품질이 불확실성의 가장 큰 원인이었습니다. 비가 강하게 오면 자동차의 신뢰도는 급격히 떨어집니다.
중간 문제: 젖은 도로와 데이터 내의 노이즈 또한 중요했습니다.
사소한 방해: 안개 밀도와 신호 산란은 비보다 덜 중요했지만 여전히 mattered(중요했습니다).

6. 해결책: 어떻게 더 안전하게 만들 것인가

그들의 발견에 기반하여 저자들은 문제를 해결하기 위한 세 가지 주요 방법을 제안합니다:

더 똑똑한 소프트웨어: 비가 강해지면 자동차의 와이퍼 속도가 빨라지는 것처럼, 비가 시작될 때 자동으로 조정할 수 있는 알고리즘을 만드세요.
깨끗한 데이터: 센서 데이터에서 '노이즈'(정전기) 를 제거하여 자동차가 더 선명한 그림을 볼 수 있도록 더 나은 도구를 사용하세요.
더 나은 훈련: 실제 폭풍을 만나기 전에 무엇을 기대해야 하는지 학습할 수 있도록 AI 에게 수천 개의 시뮬레이션된 비와 안개 낀 날을 보여주세요.

요약

이 논문은 새로운 센서나 새로운 자동차를 발명하지 않습니다. 대신 불확실성에 대한 새로운 사고방식을 발명합니다. 이는 자율주행차에 "나는 자전거를 보고 있지만, 비가 강하게 오고 있기 때문에 70% 만 확신하며, 이를 증명할 수학이 여기에 있습니다"라고 말할 수 있는 어휘를 제공합니다. 이는 엔지니어들이 악천후에서 자율주행을 더 안전하게 만들기 위해 노력해야 할 정확한 지점을 파악하는 데 도움이 됩니다.

기술 요약: LiDAR 센서 기반 객체 감지를 위한 SOTIF 관련 사용 사례에서 Dempster-Shafer 이론을 활용한 불확실성 표현

문제 제기
자동화 주행 시스템 (ADS) 의 의도된 기능 안전성 (SOTIF) 은 특히 운영 매개변수가 명확히 정의되지 않은 예측 불가능한 환경에서 기능적 부족으로 인한 위험을 해결해야 합니다. 3 차원 환경 인식에 필수적인 LiDAR 기반 객체 감지는 환경적 변동성 (예: 비, 안개) 과 센서 성능 한계로 인한 상당한 불확실성에 노출되어 있습니다. 이러한 불확실성은 우연적 (환경적 변동성 내재) 과 인식적 (시스템 지식/모델 한계) 유형으로 나타납니다. 기존 방법들은 편향된 사전 확률에 의존하거나 상충되는 증거를 고려하지 못하면서 이러한 불확실성을 표현하는 데 어려움을 겪습니다. 본 논문은 ADS 지각 기능의 신뢰성을 확보하기 위해 이러한 불확실성을 식별, 분류 및 표현하는 체계적인 접근법의 필요성에 대응합니다.

방법론
저자들은 비가 및 안개와 같은 악천후 조건에서 자전거와 마주 오는 트럭과 상호작용하며 2 차선 시골 도로를 주행하는 LiDAR 장착 차량이라는 특정 SOTIF 관련 사용 사례 내에서 불확실성을 모델링하기 위한 구조화된 워크플로우를 제안합니다.

불확실성 식별 및 매핑:
- 불확실성 원천은 우연적 (예: 강우 강도, 안개 밀도, 젖은 도로 조건, 신호 산란) 과 인식적 (예: 딥러닝 모델 훈련 품질, 센서 한계) 으로 분류됩니다.
- 이러한 원천 간의 의존성은 방향성 비순환 그래프 (DAG) 를 사용하여 매핑되며, 환경 요인 (예: 비) 이 중개 상태 (젖은 도로, 신호 산란) 에 영향을 미쳐 궁극적으로 감지 정확도에 영향을 주는 방식을 보여줍니다.
Dempster-Shafer 이론 (DST) 프레임워크:
- 판별 프레임 (FoD): 자전거 감지, 트럭 감지, 오탐지 (객체 존재하지만 미감지), 오감지 (부정확한 감지) 라는 네 가지 감지 결과를 나타내는 $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$ 로 정의됩니다.
- 기본 확률 할당 (BPAs): 식별된 불확실성 원천의 상태 (예: 낮음/중간/높음 강우 강도) 에 따라 FoD 의 부분 집합에 조건부 BPAs 가 할당됩니다. 이는 우연적 및 인식적 불확실성 모두를 포착하기 위해 시뮬레이션 데이터에서 도출됩니다.
- 증거 결합: 여러 원천으로부터의 상충되는 증거를 처리하기 위해 (예: 한 원천은 높은 감지 확률을, 다른 원천은 높은 노이즈 확률을 시사할 때), 본 논문은 Yager 결합 규칙을 사용합니다. Dempster 규칙과 달리 Yager 규칙은 정규화 없이 상충되는 질량을 전체 집합 $\Theta$ 로 재분배하여 복잡한 시스템에서의 무지와 상충에 대한 정보를 보존합니다.
- 정량화: 각 원천의 불확실성은 Belief($Bel$) 와 Plausibility($Pl $) 함수 사이의 간격을 사용하여 정량화됩니다. 차이$ U(A) = Pl(A) - Bel(A)$는 불확실성 수준을 측정하는 지표로 작용합니다.
민감도 분석 및 완화:
- 분산 기반 민감도 분석 (VBSA): 각 불확실성 원천이 감지 성능의 총 분산 (특히 $Bel $및$ Pl$ 값) 에 기여하는 정도를 정량화하는 데 적용됩니다.
- 우선순위 결정: 불확실성 간격의 크기와 분산 기여도에 따라 원천을 저, 중, 고 영향 범주로 분류합니다.
- 완화 전략: 식별된 고영향 원천에 기반하여 구체적인 조치가 제안됩니다.

주요 기여
본 논문은 두 가지 주요 기여를 제공합니다:

체계적 접근법: SOTIF 컨텍스트 내에서 LiDAR 기반 객체 감지의 불확실성을 식별, 분류 및 표현하기 위한 구조화된 방법론을 제시합니다.
DST 적용: 이러한 불확실성을 관리하기 위해 Dempster-Shafer 이론의 적용을 입증합니다. 성능 평가에 초점을 맞춘 이전 연구들과 달리, 본 연구는 표적 완화 전략을 개발하기 위해 불확실성 표현에 초점을 이동시킵니다. Yager 규칙의 사용은 증거가 모순되거나 불충분할 때 필수적인 단일 확률적 결과를 강요하지 않고 상충을 해결하는 메커니즘으로 강조됩니다.

결과

불확실성 정량화: DST 적용 결과 특정 환경 요인이 감지 신뢰도를 현저히 저하시킨다는 것이 밝혀졌습니다. 예를 들어, 강우 강도는 오탐지 확률을 증가시키는 것으로 나타났으며, 안개 밀도와 신호 산란은 오탐지 (False Negatives) 증가와 상관관계가 있었습니다.
영향 분류: $Pl - Bel$ 지표를 사용하여 불확실성 원천을 다음과 같이 범주화했습니다:
- 고영향: 강우 강도, LiDAR 센서 성능, 표면 유형.
- 중영향: 젖은 도로 조건, LiDAR 데이터 내 노이즈, DL 모델 훈련 품질, 객체 근접성.
- 저영향: 안개 밀도, LiDAR 신호 산란, 반사 변동성.
민감도 분석: VBSA 결과는 강우 강도와 LiDAR 신호 산란이 감지 성능에서 가장 높은 분산을 생성하며, 그 다음으로 젖은 도로 조건과 센서 성능이 뒤따른다고 나타냈습니다.
완화 제안: 이러한 발견에 기반하여 저자들은 다음과 같은 조치를 제안합니다:
- 다양한 기상 조건에 적응하는 적응형 알고리즘 개발.
- 환경 간섭을 최소화하기 위한 노이즈 감소 기법 적용.
- 모델 일반화를 개선하기 위해 시뮬레이션된 극한 기상 데이터를 포함한 훈련 데이터셋 확장.

의의 및 한계
본 논문은 단순한 성능 지표를 넘어 성능이 왜 변하는지에 대한 심층 분석으로 나아가 불확실성이 감지 정확도에 미치는 영향을 평가하는 구조화된 프레임워크를 제공한다는 점에서 의의가 있다고 주장합니다. DST 를 활용함으로써 저자들은 정당화하기 어려운 사전 확률을 요구하지 않으면서 지식 부족 (인식적) 과 내재적 변동성 (우연적) 모두를 수용하는 더 세밀한 불확실성 표현을 옹호합니다.

저자들은 겸손하게 다음과 같은 몇 가지 한계를 인정합니다:

주관성: BPAs 할당에는 편향을 유발할 수 있는 일정한 정도의 주관성이 포함됩니다.
정적 성격: 현재 분석은 정적이며, 동적 환경에서의 실시간 의사결정에 중요한 시간적 역동성을 포착하지 못합니다.
가정 민감성: 결론은 초기 가정과 DST 의 특정 결합 규칙 선택에 민감합니다.

향후 연구는 이 정적 프레임워크를 동적 프레임워크로 확장하여, 시간에 따른 불확실성 전파를 추적하기 위해 은닉 마르코프 모델 (HMM) 이나 베이지안 네트워크와 같은 시간 모델을 통합하고, 이러한 모델을 실제 데이터와 검증하는 것이 제안됩니다.