Markdown 버전

AI-translated from English; not yet reviewed by a fluent editor.

# 반복 무늬가 차량 시험에서 스테레오 깊이 추정을 왜곡

> 플로리다대가 주도한 연구는 스테레오 깊이 오류의 원인으로 카메라의 샘플링과 보정을 지목합니다. 통제된 차량 시험에서는 실제로 없는 장애물을 감지했으며, 제안된 방어 기법은 제한된 이미지 세트에서 오류를 줄였습니다.

By BIG CHANGE Editorial

Published: 2026-09-24T04:45:44.657Z
Updated: 2026-09-24T04:45:44.657Z
Canonical: https://bigchange.ai/blog/repeated-patterns-stereo-depth-vehicle-tests

![From behind, a tripod-mounted stereo camera points toward a freestanding panel with repeated dark and orange vertical stripes.](https://bigchange.ai/api/media/file/stereo-camera-repeated-pattern-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

플로리다대가 주도한 연구팀은 반복되는 시각 패턴 때문에 스테레오 카메라와 AI 깊이 모델이 물체까지의 거리를 잘못 추정할 수 있다고 보고했습니다. 통제된 실험에서 움직이는 지상 로봇과 자동차의 카메라는 자율주행 소프트웨어에 대해 연구진이 언급한 대응 임계값을 충족할 만큼 오래 지속되는 가짜 장애물 추정값을 만들었습니다.

9월 14일 arXiv에 게시된 [연구](https://arxiv.org/abs/2609.16336)는 이런 오류를 카메라가 빛을 픽셀로 바꾸는 과정과 두 시점을 정렬하는 방식에 연결합니다. 소프트웨어 방어 기법도 시험했습니다. 자율 시스템을 개발하거나 평가하는 사람에게 유용한 발견은 학습 기반 깊이 모델에서도 살아남는 구체적인 실패 원리와 이를 줄일 수 있다는 근거를 함께 제시했다는 점입니다.

## 달라진 점

- **바뀐 점:** 연구진은 반복되는 시각 패턴의 모호함을 측정 가능한 카메라 아티팩트와 연결한 뒤, 기존 스테레오 매칭과 학습 모델에서 깊이 오류를 보였습니다. 시험한 시스템에서는 매칭 알고리즘을 AI로 바꿔도 이 약점이 사라지지 않았습니다.
- **중요한 이유:** 거리 추정값은 장애물 감지에 쓰입니다. 이 실험에서는 주행 경로 옆의 밴이 그 경로 안에 장애물이 있는 것처럼 인식되게 만들 수 있었습니다. 따라서 깊이 추정의 신뢰도는 차량의 다음 판단과 관련이 있습니다.
- **지켜볼 점:** 제안된 방어 기법은 매칭 과정에서 반복성을 확인합니다. 유망한 결과는 제한된 이미지 세트에서 얻었습니다. 실제 도입을 위해서는 다른 카메라와 모델, 작동 조건에서도 신뢰할 수 있는지가 실질적인 질문으로 남습니다.

## 반복 무늬가 거리 추정값을 바꾸는 방식

스테레오 카메라는 같은 장면을 두 시점에서 촬영합니다. 소프트웨어는 각 이미지에서 특징을 찾고 시차라고 부르는 수평 이동량을 측정합니다. 카메라의 기하 정보는 이 이동량을 거리로 환산합니다.

반복 무늬가 있으면 그럴듯한 대응점이 여러 개 생깁니다. [논문 분석](https://arxiv.org/html/2609.16336v1#S3)에서는 잘못된 대응점이 선택될 수 있는 두 가지 방식을 설명합니다. 첫째, 각 카메라는 장면을 픽셀 격자에 샘플링합니다. 어두운 물체와 밝은 배경의 경계가 두 격자에서 서로 다르게 놓이면 픽셀 밝기에 약간 차이가 생깁니다. 둘째, 남아 있는 보정 오차가 이미지 간 대응 관계를 왜곡합니다.

이 효과가 겹치면 올바른 반복 무늬보다 다른 반복 무늬가 기준점과 더 비슷하게 보일 수 있습니다. 그 결과 변위가 표면을 잘못된 거리에 놓이게 합니다. 팀은 이미지에서 추출한 특징을 비교하는 학습 기반 스테레오 모델에서도 이런 민감성을 확인했습니다.

연구진은 의도적으로 고른 패턴을 사용했습니다. 연구의 위협 모델은 카메라와 관련 처리 설정을 알고 있거나, 평가를 위해 비슷한 시스템에 접근할 수 있다고 가정합니다. [9월 22일자 플로리다대 연구 소개](https://news.ufl.edu/2026/09/ai-powered-vehicles/)에서는 연구 책임자 사라 람파치도 자연적으로 생기는 반복 무늬를 안전 문제로 언급했습니다. 이 연구는 일반적인 도로변 질감이 실제 차량에서 위험한 오류를 일으키는 빈도는 측정하지 않았습니다.

## 시험은 인지 시스템의 서로 다른 부분을 다뤘습니다

연구진은 녹화된 이미지, 실제 카메라 측정, 시뮬레이션을 결합했습니다.

| 평가 | 시스템 및 조건 | 측정 항목 |
| --- | --- | --- |
| 수정한 주행 이미지 | 7,518쌍의 KITTI 스테레오 이미지에 패턴을 겹쳐 적용. BM 및 SGBM 매칭 알고리즘과 PSMNet, MoCha-Stereo, UniMatch 사용 | 기존 방식 및 학습 방식별 깊이 추정 변화 |
| 스테레오와 LiDAR 융합 | 평평한 벽을 나타내도록 합성한 LiDAR 포인트 클라우드와 SGM-DDC 사용 | 해당 융합 방식이 패턴으로 유발된 오류를 견뎠는지 |
| 실제 카메라 시험 | 실내외에서 ZED2 및 RealSense 카메라 사용 | 표시하거나 투사한 패턴으로 인한 깊이 오류 |
| 실제 이동 시험 | AgileX Hunter 2.0 지상 차량에 장착한 카메라는 시속 10km, 자동차는 약 시속 15km로 운행 | 이동 중 잘못된 깊이 추정이 지속된 시간 |
| 더 높은 속도의 시뮬레이션 | CARLA에서 시속 10, 20, 30, 40km를 시험하고 BM으로 스테레오 이미지를 처리 | 시뮬레이션 주행에서 깊이 오류가 지속된 시간 |

논문과 아티팩트 부록은 RealSense 센서를 D435로 표기합니다. [저자들의 시연 페이지](https://cpseclab.github.io/stereocam/)에는 D435i라고 적혀 있습니다. 두 출처의 설명만으로는 정확한 모델 변형을 일관되게 확인할 수 없습니다.

한 실내 시험에서는 선택한 패턴 조건에서 카메라로부터 3미터 떨어진 표면을 ZED2가 0.8미터, RealSense가 0.6미터로 추정했습니다.

SGM-DDC는 LiDAR 거리 정보를 사용해 스테레오 매칭을 제한합니다. 융합을 사용하지 않은 방식보다 패턴 변화에 더 잘 견뎠지만 시험한 구성에서도 오류가 발생했습니다. 합성 LiDAR 입력을 사용했으므로 이 결과는 구성된 조건에서 시험한 하나의 융합 방식에 한정됩니다.

## 주행 시험은 가짜 장애물 인식을 확인했습니다

실제 자동차 실험에서 연구팀은 자동차 주행 궤적 옆에 세운 밴에 패턴을 투사했습니다. 잘못된 깊이 추정으로 밴 표면 일부가 차량이 인식한 경로 안에 놓였습니다. 논문의 결과 표는 두 카메라와 조명 조건에서 가짜 추정값이 약 0.7초에서 1.2초 지속됐다고 보고합니다.

후속 평가에서 연구진은 깊이 지도에서 가까운 점들을 잠재적 장애물로 묶는 Autoware의 유클리드 클러스터링을 사용했습니다. 잘못된 점들이 장애물로 감지되면 시험 성공으로 계산했고, 자동 대응이나 비상 제동에 충분한 지속 시간으로 0.5초 임계값을 언급했습니다. [아티팩트 부록에서도](https://zenodo.org/records/20767261) 녹화된 포인트 클라우드와 가짜 깊이 클러스터의 지속 시간을 평가했다고 설명합니다.

보고된 평가에는 실제 비상 제동 동작이나 측정된 감속, 충돌이 기록돼 있지 않습니다. 플로리다대는 갑작스러운 제동으로 인한 충돌과 위험을 연구가 제기한 잠재적 위험으로 설명했습니다. 보고된 실험에서 그런 결과가 시연되지는 않았습니다.

실제 시험은 통제된 환경에서 시속 최대 15km로 진행됐습니다. 시속 40km 결과는 CARLA 시뮬레이션에서 나온 것으로, 조작된 깊이 추정이 2.1초 동안 지속됐습니다. 별도 시뮬레이션은 시험 조건을 넓혀 보지만, 해당 속도에서 실제 주행 시험을 했다는 근거는 아닙니다.

## 반복되는 대응 후보를 확인하는 방어 기법

제안된 방어 기법은 두 이미지의 유사성을 비교하는 데 쓰이는 점수를 살핍니다. 반복 구조는 그럴듯한 대응점이 반복되는 순서를 만듭니다. 이 방법은 그런 규칙성을 감지한 뒤 영향을 받은 영역을 더 큰 단위로 매칭해 반복 요소를 잘못 선택할 가능성을 낮춥니다.

물리 시험 조건에서 수집한 스테레오 이미지 200쌍에 대해 연구진은 평가 사례의 96.5%에서 깊이 오류를 0.5미터 미만으로 줄였다고 보고합니다. PSMNet 내부의 중간 매칭 정보에 맞춰 접근법을 적용하기도 했습니다. 패턴을 추가한 KITTI 이미지 200쌍에서는 이 버전이 모든 평가 사례에서 오류를 0.1미터 미만으로 낮췄습니다.

학습 모델의 방어 결과는 PSMNet에 해당하며 MoCha-Stereo나 UniMatch에서 같은 결과가 난다는 뜻은 아닙니다. 물리 실험도 평평하거나 약간 굴곡진 투사 표면에 한정했고, 동적 시험 중에는 고정된 패턴을 사용했습니다. 논의에서는 학습 데이터에 따라 어떤 패턴이 모델에 영향을 미치는지와 그 정도가 달라질 수 있다고 설명합니다.

이 실험은 시스템 개발자가 카메라 처리와 학습 기반 깊이 추정 모두에서 반복 무늬의 영향을 살펴볼 이유를 제공합니다. 실제 배포 시스템의 전체 작동 조건에서 방어 기법의 성능은 아직 입증되지 않았습니다.

저자들은 논문이 ACM CCS 2026에서 발표될 예정이라고 밝혔습니다. [학회 공식 웹사이트](https://www.sigsac.org/ccs/CCS2026/)에는 헤이그에서 11월 15일부터 19일까지 열린다고 나와 있으며 최종 프로그램을 준비 중이라고 안내합니다. 이 연구는 아직 해당 학회에서 발표되지 않았습니다.

## 출처 및 추가 자료

- [Illusion of Depth: Revealing Hidden Stereo Vision Vulnerabilities in Depth Estimation](https://arxiv.org/abs/2609.16336), 2026년 9월 14일. 전체 논문에는 오류 발생 원리, 평가한 알고리즘과 카메라, 실제 및 시뮬레이션 조건, 방어 결과와 한계가 담겨 있습니다. 차량 관련 결과는 연구진이 언급한 대응 임계값과 함께 가짜 장애물 인식을 보고합니다. 방법에는 실제 제동 동작이나 충돌이 기록돼 있지 않습니다.
- [플로리다대 연구 소개](https://news.ufl.edu/2026/09/ai-powered-vehicles/), 2026년 9월 22일자. 연구팀의 설명과 안전 관련 주장을 전합니다. 충돌과 급제동 시나리오는 실제로 관찰된 사고가 아니라 가능한 결과를 설명합니다.
- [저자 시연 페이지](https://cpseclab.github.io/stereocam/) 및 [연구 아티팩트](https://zenodo.org/records/20767261), 2026년 9월 24일 확인. 아티팩트 부록에는 이미지, 포인트 클라우드, 시뮬레이션 평가가 설명돼 있습니다. 시연 캡션에는 D435i라고 나오지만 논문과 부록에는 D435라고 적혀 있습니다. BIG CHANGE는 실험을 다시 수행하지 않았습니다.
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/), 2026년 9월 24일 확인. 학회 날짜와 장소를 확인해 줍니다. 논문이 발표 예정이라는 상태는 저자들이 밝혔으며, 이 기사에서 확인한 학회 페이지에는 구체적인 발표 일정이 없었습니다.

## Sources

- [Illusion of Depth: Revealing Hidden Stereo Vision Vulnerabilities in Depth Estimation](https://arxiv.org/abs/2609.16336) — 2026년 9월 14일. 논문 전문, 방법, 도표 및 부록에서 오류 발생 원리, 평가 시스템과 방어 결과를 확인할 수 있습니다. 실제 주행 시험은 가짜 깊이 추정과 장애물 클러스터링을 측정했으며, 반응은 지속 시간 임계값을 바탕으로 추론했습니다. 실제 제동 동작이나 충돌은 기록돼 있지 않습니다.
- [플로리다대: 단순한 시각 패턴이 AI 차량과 로봇을 속일 수 있다](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — 원문 날짜 기준 2026년 9월 22일. 연구팀의 설명과 연구진에게 귀속된 안전 우려를 제공합니다. 충돌과 급제동 시나리오는 가능한 결과를 묘사하며 실제 사고 사례가 아닙니다.
- [저자 시연 페이지: Illusion of Depth](https://cpseclab.github.io/stereocam/) — 2026년 9월 24일 확인. 실험과 예정된 ACM CCS 발표 상태를 설명합니다. 시연 캡션은 RealSense D435i라고 표기하지만 논문과 아티팩트 부록은 D435라고 합니다. 삽입된 동영상은 추가 근거로 사용하지 않았습니다.
- [Illusion of Depth 연구 아티팩트 및 부록](https://zenodo.org/records/20767261) — 현재 버전은 2026년 8월 8일 공개됐으며 9월 24일 확인했습니다. 아티팩트 부록에는 녹화된 포인트 클라우드 평가, 실제 시험 지속 시간, CARLA 시뮬레이션, 방어 기법 평가가 설명돼 있습니다. BIG CHANGE는 실험을 다시 수행하지 않았습니다.
- [ACM CCS 2026 공식 학회 웹사이트](https://www.sigsac.org/ccs/CCS2026/) — 2026년 9월 24일 확인. 헤이그에서 11월 15일부터 19일까지 열린다는 점과 9월 18일 최종 프로그램을 준비 중이라는 공지를 확인해 줍니다. 저자들은 논문이 발표 예정이라고 밝혔지만, 확인한 학회 페이지에는 발표 일정이 없었습니다.