• 주행 영상에서 차선, 횡단보도, 정지선 등의 위치를 파악하고, 차선의 경우 점선/실선, 색상(백/황/청)을 파악할 수 있는 모델 학습을 위한 데이터셋

• 자율주행 실시간 영상 인식 기술 개발, 자율주행을 위한 정밀 지도 제작 자동화 기술 개발 등 

• 다양한 주행 환경에서 차량에 설치된 카메라를 통해 취득한 영상 데이터에서 차선과 정지선의 중심을 폴리라인으로 라벨링하고, 횡단보도 영역은 폴리곤으로 라벨링한 데이터 셋으로, 다양한 지역, 시간, 카메라 등의 환경에서 데이터를 구축하고자 노력함

<좌: 횡단보도 레이블 (붉은색 polygon), 우: 차선 레이블 (푸른색 polyline)>

• 300시간 이상의 원시데이터 (주행 영상)에서 이미지를 추출하고 객체 라벨링 및 비식별화 작업 수행
• 하단 구축 내용은 53/54 데이터를 통합한 구축량임
• 가공 이미지 수량: 1,997,468 (목표량: 190만장)
  
  - 이미지당 평균 가공 객체 수: 6.2개

  전체 객체 수	12,391,436
  횡단보도 (polygon)	850,682
  정지선 (polyline)	634,148
  차선 (polyline)	10,912,912

   

  - 세부 데이터셋 구축량

  수도권	845,571
  광역시, 고속도로, 국도 등	850,407
  동적객체 과제 영상 공유	301,490

   

   

  - 차선 속성별 데이터 분포

  

   

• 데이터 가공 예시

   

• 인공지능의 폭발적인 발전은 이미지넷과 같은 거대한 데이터셋의 구축에서부터 비롯되는 것으로부터 비추어 볼 때, 한국의 자율주행 연구와 AI 기업의 발전을 위해 한국형 자율주행 데이터 구축 필요
• 해외 주요 자율주행 데이터셋 대부분이 차량 운행 중 동적 객체(차량 및 보행자)데이터 중심으로 정적 객체(차선, 횡단보도, 신호등, 표지판 등)에 대한 데이터 기반은 상대적으로 부족
• 정적 객체 정보의 경우 국가 별 도로교통 법규와 도로 시설물 표준이 상이하기 때문에 한국 자율주행 환경에서의 정적 객체 데이터 기반 마련 필요성 존재 (예를 들어, 신호등의 경우 국내는 가로방향이 많고, 해외는 세로방향이 많음)

• 데이터 구성

  차선 데이터 가공 내용	정지선 데이터 가공 내용	횡단보도 데이터 가공 내용
  1. 차선 색상(흰색, 노란색, 파란색) 2. 차선 종류(점선, 실선)	2차 속성 없음	2차 속성 없음

• 어노테이션 포맷

  대상(class)	분류	카테고리(드로잉 방식)	속성	값
  차선	어노테이션 정보 (annotation)	폴리라인 (polyline)	x (array)	포인트 좌표(number) 시퀀스
  			y (array)	포인트 좌표(number) 시퀀스
  			type (string)	점선(dotted) 실선(solid)
  			color (string)	흰색(white) 황색(yellow) 청색(blue)
  정지선	어노테이션 정보 (annotation)	폴리라인 (polyline)	x (number array)	포인트 좌표(number) 시퀀스
  			y (number array)	포인트 좌표(number) 시퀀스
  횡단보도	어노테이션 정보 (annotation)	폴리곤 (polygon)	x (number array)	포인트 좌표(number) 시퀀스
  			y (number array)	포인트 좌표(number) 시퀀스
  이미지	이미지 정보 (image)	파일명 (filename)	string	작업대상 파일명
  		이미지 크기 (imsize)	integer	작업대상 이미지 크기

수행기관(주관) : 라이드플럭스

수행기관(참여)