2013년의 내 알고리즘을,
2026년의 규율로 다시 짓다
학부논문(2013)으로 작성했던 차선이탈경보(LDW) 알고리즘 — 유일하게 남은 사본은 논문 PDF 부록에 인쇄된 OpenCV 2.x C/C++ 코드였습니다. 13년 뒤, 그 코드를 복원하고, 어디서 가정이 깨지는지 계측하고, 근거를 남기며 한 번에 한 가지씩 현대화했습니다.
복원 — 2013년 로직이 그대로 달립니다
복원된 legacy 파이프라인의 실주행 출력 (공개 Udacity 클립). 파랑 = 검출 차선, 노랑 = 소실점·방향 벡터, 빨강 = 경보. 원 논문의 고정 ROI → Sobel/Canny → Hough → 기울기·거리 필터 → 소실점 추정 → fading-memory 필터 → 2프레임 지속 경보 로직을 그대로 보존.
첫 실패 — 그리고 근본원인 분석
직역 포팅본을 960px 폭의 공개 영상에 돌리자 221프레임 중 11프레임에서만
차선 2개가 잡혔습니다. 원인: 2013년 코드의 150px 후보거리 게이트는
당시 640px 소스 영상에 묶인 숨은 해상도 가정이었습니다.
직역 포팅 (숨은 가정 그대로)
150px 절대 임계값 → 960px 영상에서 두 차선 검출 11/221 프레임 (5%)
수정 (가정을 명시적으로)
640px 기준폭 대비 스케일링 → 동일 영상에서 221/221 프레임 (100%), 원본 640px 동작은 불변
이 실패 사례는 숨기지 않고 레포 README에 그대로 기록했습니다 — 복원 프로젝트의 가치는 성공 스크린샷이 아니라 추적 가능한 원인 분석에 있습니다.
4패널 비교 — 같은 프레임, 세 세대의 알고리즘
← 좌우 스크롤. original → legacy restoration(2013 로직 — Warning! 오탐이 깜빡임) → first modern(프로파일 ROI + 유한 선분 검출) → improved modern(제어상태 평가 + 게이트 뒤의 ML).
더 어려운 challenge 클립(곡선·그림자·주변 차량). legacy의 소실점이 흔들리는 동안 modern 트랙은 검출 신뢰도와 상태를 수치로 노출합니다.
- First modern: 숨은 고정 상수들을 프로파일 스키마(ROI 정책·기대 기하·golden frame)로 끌어올려 개선을 측정 가능하게 만듦
- Improved modern: 인지(perception) 출력과 제어상태(warning decision)를 분리 — normal/caution 상태와 리스크 점수를 프레임별로 기록
ML은 게이트 뒤에서만 — 도메인 시프트를 아는 통합
경량 ML 차선 회귀 모델을 학습해 모든 프레임에서 실행하되, 고전 세그먼트 검출과의 일치 게이트(segment-agreement gate)를 통과할 때만 채택합니다. 합성 벤치마크(학습 도메인)에서는 대부분 채택되지만, 실도로 영상에서는 —
| 샘플 (실도로) | 프레임 | ML 실행률 | ML 채택률 | legacy 경보 | improved 상태 |
|---|---|---|---|---|---|
| udacity_solidWhiteRight | 221 | 100% | 0% | 0 | caution, normal |
| udacity_solidYellowLeft | 681 | 100% | 0% | 24 | caution, normal |
| udacity_challenge | 251 | 100% | 0% | 0 | caution, normal, unknown |
— 게이트가 전부 거부합니다. 합성 데이터로만 학습된 모델이니 당연한 결과이고,
영상 오버레이에 ml rejected 0.36처럼 근거가 그대로 찍힙니다.
주장은 "경량 모델이 프로덕션 차선 검출기"가 아니라, ML 출력이 계측 가능한 어댑터와
가드레일을 거쳐야만 고전 검출기를 대체할 수 있는 구조를 만들었다는 것입니다.
UFLD/ONNX 같은 실제 모델도 같은 어댑터·평가 파이프라인을 재사용합니다.
왜 이 프로젝트인가
- 복원 규율 — PDF 부록에서 코드를 되살려 원 설계 의도를 보존 (SHA256로 원본 고정)
- 데이터 스키마 사고 — 20개 영상 벤치마크 레지스트리 + 프로파일 JSON + golden frame 평가 + SQLite 증적 테이블
- 제어공학 프레이밍 — 인지와 판단의 분리, 상태·리스크의 수치화
- 절제된 ML 통합 — 채택률 0%를 실패가 아니라 근거로 제시하는 정직성