[사례 연구] 청소 로봇 다중 태스크 비전 데이터 2D 라벨링 프로젝트

청소 로봇이 단순한 청소 기능을 넘어 주변 환경 인식, 장애물 감지, 경로 계획, 바닥 상태 판단 등으로 기능을 확장하면서 AI 모델 학습에 필요한 데이터의 범위도 함께 넓어지고 있습니다. 단순히 주변 물체를 인식하는 것을 넘어 바닥의 구조와 재질을 이해하고, 로봇이 이동할 수 있는 영역과 이동이 어려운 영역을 구분하며, 청소 대상의 상태까지 판단할 수 있는 데이터가 필요해진 것입니다.

넥스데이타는 이러한 고객의 요구에 맞춰 청소 로봇의 환경 인지 및 판단 모델 개발을 위한 다중 태스크 비전 데이터 어노테이션 프로젝트를 수행했습니다. 본 사례에서는 실제 프로젝트에서 적용된 주요 어노테이션 작업과 품질 관리 방식을 소개합니다.

프로젝트 배경: ‘물체 인식’에서 ‘환경 이해’로 확장되는 데이터 요구

고객사는 청소 로봇의 지능화 수준을 높이기 위해 기존의 단순 물체 인식 중심의 학습 데이터에서 벗어나 보다 다양한 환경 정보를 포함한 데이터를 필요로 했습니다.

이에 따라 바닥의 재질과 구조를 이해하고, 로봇이 안전하게 이동할 수 있는 영역과 이동할 수 없는 영역을 구분하며, 청소 대상의 상태를 판단할 수 있는 학습 데이터 구축이 주요 요구사항으로 제시되었습니다.

넥스데이타는 이러한 요구사항을 바탕으로 프로젝트의 실제 적용 환경에 맞는 라벨링 기준을 수립하고, 다중 태스크에 대한 비전 데이터 라벨링 작업을 수행했습니다.

프로젝트 과제: 복잡한 실내 환경에서의 태스크별 기준과 일관성 확보

실내 환경에는 다양한 장애물과 바닥 재질이 존재하며, 계단이나 단차와 같은 구조적 요소부터 형태와 상태가 서로 다른 청소 대상까지 다양한 객체가 함께 나타납니다.

따라서 하나의 기준만으로 모든 데이터를 처리하기 어려웠으며, 각 태스크에 따라 세부적인 어노테이션 기준을 적용해야 했습니다. 또한 객체 검출의 위치 정확도뿐만 아니라 이동 가능 영역의 경계, 객체별 클래스 판단, 연속된 영상 프레임 간 객체 ID의 일관성까지 함께 관리해야 했습니다.

다양한 태스크를 동시에 수행하면서도 서로 다른 기준을 일관되게 적용하는 것이 본 프로젝트의 주요 과제였습니다.

넥스데이타 솔루션: 4가지 태스크를 연계한 비전 데이터 구축

넥스데이타는 고객의 요구사항에 맞춰 다음과 같은 4가지 태스크를 중심으로 어노테이션을 진행했습니다.

① 2D 객체 검출 (2D Detection)

사람, 카트, 계단, 액체, 오염물 등 주요 대상 객체를 2D 바운딩 박스로 정밀하게 검출했습니다. 객체의 종류와 특성에 따라 세부 기준을 적용해 동일한 유형의 데이터가 일관된 기준으로 구축될 수 있도록 했습니다.

② 2D 시맨틱 세그멘테이션 (2D Segmentation)

카펫, 특수 바닥 구조, 자유 이동 영역 및 장애물 경계 등을 픽셀 단위로 구분했습니다. 특히 로봇이 안전하게 이동할 수 있는 영역과 이동이 어려운 영역을 명확하게 구분해 경로 계획 및 환경 인지 관련 모델 학습에 활용할 수 있도록 데이터를 구축했습니다.

③ 연속 프레임 객체 추적 (Object Tracking)

영상 내 동일 객체의 ID를 일관되게 유지하면서 객체의 최초 등장부터 지속적인 관측, 소실까지의 전체 흐름을 추적했습니다. 이를 통해 프레임 간 객체 정보가 자연스럽게 연결되도록 시계열 데이터를 구축했습니다.

④ 바닥 상태 분류 (2D Classification)

후면 RGB 카메라 이미지를 기반으로 바닥의 건조·습윤 상태를 세분화해 분류하고, 판단이 어려운 샘플은 별도의 기준에 따라 표시했습니다. 이를 통해 청소 로봇의 바닥 상태 판단과 관련된 모델 학습에 활용할 수 있는 분류 데이터를 구축했습니다.

품질 관리: 세부 기준을 통한 어노테이션 품질 및 일관성 확보

프로젝트 수행 과정에서는 각 태스크의 특성에 맞춰 구체적인 어노테이션 기준을 적용했습니다. 객체 검출에서는 바운딩 박스의 위치와 크기 기준을 세분화하고, 일부만 노출된 객체에 대한 처리 기준을 별도로 설정했습니다.

세그멘테이션에서는 이동 가능 영역의 경계와 장애물 경계에 대한 기준을 명확히 했으며, 계단이나 단차와 같은 음의 장애물(negative obstacle)도 정해진 방식에 따라 구분했습니다. 또한 바닥 상태 분류에서는 판단이 어려운 샘플에 대한 처리 기준을 마련해 데이터 간 편차를 줄였습니다.

이처럼 프로젝트 초기에 세부적인 예외 상황과 경계 조건까지 기준화하고, 이를 라벨링 및 품질 검수 과정에 동일하게 적용함으로써 고객의 모델 학습 목적에 맞는 데이터 품질을 유지했습니다.

다중 태스크 데이터 구축과 유연한 프로젝트 운영

본 프로젝트를 통해 넥스데이타는 청소 로봇의 환경 인지와 판단 모델 개발에 필요한 다양한 비전 데이터 라벨링 작업을 수행했습니다.

넥스데이타는 2D 객체 검출, 세그멘테이션, 객체 추적, 이미지 분류 등 다양한 비전 데이터 구축 경험을 바탕으로 고객의 실제 적용 환경과 요구사항에 맞춰 프로젝트를 설계하고 운영하고 있습니다. 또한 프로젝트 진행 과정에서 고객의 요구사항과 변경 사항에 신속하게 대응하고, 필요한 경우 라벨링 기준과 작업 범위를 조정하며 프로젝트를 안정적으로 운영할 수 있도록 지원합니다.

전문 프로젝트 매니저를 중심으로 프로젝트 진행 상황을 관리하고 각 단계의 품질 검수 과정을 운영하는 것도 넥스데이타의 주요 강점입니다. 이를 바탕으로 로봇 및 Physical AI 분야에서 요구되는 다양한 데이터 구축 과제에 유연하게 대응하고, 고객의 AI 모델 개발에 필요한 학습 데이터 구축을 지원하고 있습니다.