얼굴과 번호판을 가립니다
연구에 필요한 도로 상황과 차량 움직임은 남깁니다.
데이터 플랫폼
실제 주행·사고 기록을 학습과 평가에 쓸 데이터로 가공하고, 정밀 수집과 반복 검증의 기반을 넓혀갑니다.
이미 쌓인 데이터에서 시작합니다
쏘카 차량이 전국에서 남긴 주행 영상과 차량 신호에는 일상의 도로뿐 아니라 수집하기 어려운 사고·예외 상황도 담겨 있습니다. 직접 관리하는 차량에서 수집 조건을 조정할 수 있다는 것도 강점입니다. 에이펙스는 이 기록에서 E2E 모델 개발과 연구에 필요한 장면을 선별·가공합니다.
- 쏘카 커넥티드 차량
- 2.5만 대
- 전국 카셰어링 차량
- 쏘카 차량의 하루 주행거리
- 110만 km
- 전국 차량 합계
- 쏘카의 연간 실주행 영상
- 1,740만 시간
- 영상과 차량 움직임 기록
- 쏘카의 누적 사고 관련 데이터
- 22만 건
- 사고 영상과 당시의 차량 신호
기록을 연구에 필요한 장면으로
주행 상황을 태그로 정리하고, 영상과 차량 신호를 함께 살펴봅니다.
태그로 필요한 장면을 찾습니다
날씨·노면·신호와 주변 객체, 차량 행동을 태그로 정리합니다.
영상과 차량 움직임을 함께 봅니다
속도·조향·제동 신호로 급제동·급가속 구간을 확인합니다.
수집과 검증의 범위를 넓힙니다
센서킷
영상·공간·움직임을 함께 수집합니다
AME 2026에서 공개한 프로토타입을 바탕으로 카메라·라이다·차량 신호를 함께 모으는 수집 기반을 구축하고 있습니다. 측정 시각과 보정 정보로 기록을 정렬할 수 있도록 준비합니다.
시뮬레이션
실제 주행을 반복 검증할 장면으로 옮깁니다
주행 영상의 도로와 차량 움직임을 반복 검증용 시나리오로 옮기는 방법을 연구합니다. 추정한 거리와 차선 폭은 원본과 비교해 수작업으로 보완합니다.
평가에서 다시 수집으로
필요한 데이터를 수집·가공하고 학습과 평가를 반복해, 자율주행 모델의 성능을 개선합니다.
주행 기록 수집
일상 주행과 사고·예외 상황
장면 선별·가공
영상·차량 신호·상황 태그
모델 학습
필요한 장면을 학습에 활용
조건별 평가
같은 조건에서 개선 여부 확인
