광학 자율주행, 실전성 검증 (RGB, 스킵연결, 에너지지연)

 

광학 자율주행, 실전성 검증 (RGB, 스킵연결, 에너지지연)

자율주행 인지에서 세그멘테이션·차선 검출을 “완전 광학(DONN)”으로 처리해 ADC와 디지털 연산 부담을 줄이겠다는 발상은 분명 매력적입니다. 특히 RGB 3채널 분리와 광학 스킵 연결은 기존 단일 채널 DONN의 약점을 찌릅니다. 다만 현재 증거는 시뮬레이션 중심이라, 배치 가능한 주장으로 가려면 난이도·하드웨어 리얼리즘·에너지/지연 정량이 보강되어야 합니다.

RGB채널 기반 DONN, 무엇이 새로웠나

이 논문이 내세우는 가장 분명한 차별점은 “자율주행 인지 입력이 본질적으로 RGB인데, 기존 DONN 접근이 그 복잡도를 제대로 못 담았다”는 문제의식입니다. 그래서 R/G/B를 별도 광학 경로로 분리해 각각의 DONN이 처리하게 하고, 최종 검출 강도는 세 채널 intensity를 합산해 얻는 구조를 제안합니다(Idet = IR + IG + IB)입니다. 이 설계는 단순히 “채널을 늘렸다”가 아니라, DONN이 단일 채널 입력에서 겪던 표현력 제한을 구조적으로 해결하려는 시도입니다. 또한 빔스플리터나 half-wave plate 같은 광학 구성 요소를 포함한 시스템 그림을 제시해, ‘어떻게 만들 것인지’의 직관을 제공합니다.

다만 사용자 비평처럼 이 구성은 여전히 “그래프 메시지패싱을 광학으로 했다”류의 논문들이 자주 겪는 딜레마와 닮아 있습니다. 즉, 핵심 주장(ADC/디지털을 줄인다)을 뒷받침하려면, 단지 광학 경로가 존재한다는 것만으로는 부족하고, 실제 자율주행 파이프라인에서 RGB 분리 구조가 어떤 비용 절감으로 이어지는지까지 연결돼야 합니다. RGB 분리 자체는 개념적으로 타당하지만, 이를 “자율주행 배치 가능한 인지 엔진”으로 주장하려면 최소한 입력 준비(전처리), SLM 구동, 센서 readout, 후처리까지 포함한 전체 체인의 비용과 병목이 제시돼야 설득력이 완성됩니다. 현재는 그 연결고리가 느슨해 “흥미로운 광학 인코더/분류기”에 가까운 인상도 남습니다.

핵심 주장	현재 원고 상태	보강 시 설득 포인트
RGB채널 분리	구조·그림·수식으로 명확함	전처리/구동 비용 포함 E2E 가치 제시
올-옵티컬 이득	정성 동기 강함, 정량 부족	mJ/frame, fps, latency(코어 vs 전체) 분리
자율주행 적용	이진 과제로 가능성 제시	다중 클래스/표준 벤치 확장 또는 한계 명시

스킵연결이 해결하는 것과, 남는 하드웨어 현실

광학 스킵 연결은 이 논문에서 가장 “연구자다운” 기여로 읽힙니다. DONN은 깊어질수록 학습이 어려워지고, 자유공간 전파에서 intensity가 약해지거나 정보가 새는 문제가 생길 수 있습니다. 이를 완화하기 위해, 특정 레이어 출력을 더 먼 거리 회절로 전달한 뒤 결합하는 형태로 스킵을 구성하고, 이를 수식으로 명시합니다. 즉 “스킵 연결이 있다”는 수준이 아니라, 스킵 경로가 어떤 회절 연산을 거쳐 합산되는지까지 적어, 설계의 모호함을 줄였습니다. 이 부분은 기존 DONN 계열 논문들이 ‘ResNet 흉내’를 말로만 하는 경우와 구분됩니다.

하지만 스킵 연결이 강해질수록, 실제 하드웨어에서는 반대로 새로운 취약점이 생깁니다. 빔스플리터/미러로 경로를 나누고 합치면 광손실이 누적되고, 이를 보상하려면 광원 파워가 올라가거나 센서 노출 시간이 늘어날 수 있습니다. 또한 스킵 경로는 정렬 오차에 더 민감해질 수 있고, 간섭/스페클 같은 코히런스 문제도 실환경에서는 무시하기 어렵습니다. 논문이 말하는 “추가 에너지 비용 없음”은 ‘수동 광학 요소 자체의 연산 비용’에 가깝고, 시스템 비용(광원·SLM·센서·보정)을 포함하면 이야기가 달라질 여지가 큽니다.

사용자 비평의 핵심은 여기입니다. 자율주행에서는 fps와 지연이 안전 요구사항으로 묶이며, 작은 노이즈가 경계 판단을 흔들면 위험해집니다. 그러니 이 논문이 다음 단계로 올라가려면 “노이즈/정렬 오차/위상 양자화”를 주입한 강건성 곡선을 제시해, 스킵 연결이 이론적 이득뿐 아니라 현실 제약에서도 이득을 주는지 보여야 합니다. 특히 SLM의 위상 양자화, 갱신율, 센서 shot/read noise, 그리고 야외 환경의 반사/그림자 변동이 IoU를 얼마나 깎는지 정량화하면, 지금의 ‘개념 증명’이 ‘시스템 주장’으로 바뀔 수 있습니다.

에너지지연 주장, ‘정직한 프레임’으로 바꿔야 합니다

이 논문의 서사는 “ADC·디지털 연산 부담을 줄인다”는 동기에서 출발합니다. 그러나 결과는 주로 IoU와 시각화로 제시되고, 시스템 레벨 지표(에너지, 지연, 처리량)가 비어 있습니다. 이때 생기는 가장 큰 리스크는, 독자가 “광학 계산은 공짜”로 받아들이는 오해입니다. 실제 시스템에서 비용은 보통 I/O가 지배합니다. 광원 파워, SLM 구동, 센서 readout, 그리고 자율주행용 카메라 파이프라인(노출·ISP·동기화)과의 결합이 전체 에너지/지연을 결정할 수 있습니다. 즉, “연산이 광학이라서 싸다”가 아니라 “전체 체인에서 무엇이 빠지고 무엇이 새로 생기는가”가 중요합니다.

따라서 가장 효과적인 보강은 주장 프레임을 분리하는 것입니다. 첫째, “광학 코어만”의 잠재력(회절 전파, 수동 결합)을 추정치로라도 제시합니다. 둘째, “전체 시스템” 비용을 별도로 제시합니다(광원+SLM+센서+필수 후처리 포함). 이 둘을 분리하면, 설령 전체 시스템 이득이 기대만큼 크지 않아도 논문은 더 정직해지고, 오히려 다음 연구의 구체 과제가 선명해집니다. 예컨대 “SLM이 병목이면 어떤 대체 소자가 필요한가”, “센서 readout이 지배하면 어떤 이벤트 기반 센서가 필요한가” 같은 논의가 가능해집니다.

또 한 가지는 과제 난이도입니다. CityScapes를 building vs non-building으로 이진화하고 lane도 1/0으로 단순화했는데, 이 설정은 가능성을 보여주기엔 좋지만 자율주행의 실질 요구와는 거리가 있습니다. 여기서 가장 좋은 태도는 “이진은 개념증명”이라고 명시하고, 다중 클래스 확장 계획을 제시하는 것입니다. 혹은 최소 3~5클래스로 확장해 “이득이 어디까지 유지되는지”를 보여주면, 지금의 결과가 훨씬 설득력 있게 읽힙니다. 이진 IoU 0.71이라는 숫자는 그 자체로 나쁘지 않지만, 문제 난이도가 낮아진 만큼 결론의 표현 강도도 함께 낮춰야 과장으로 읽히지 않습니다.

RGB 3채널 DONN과 광학 스킵 연결은 DONN의 구조적 약점을 제대로 찌른 설계입니다. 다만 이진 과제로 난이도가 낮고, 하드웨어 리얼리즘·에너지/지연 정량이 비어 있어 배치 주장엔 무리가 있습니다. 코어 vs 시스템 비용 분리와 강건성 실험이 핵심 보강입니다.

자주 묻는 질문 (FAQ)

Q. 왜 “이진화”가 그렇게 큰 문제인가요? A. 이진화는 경계와 클래스 다양성을 크게 줄여 문제를 쉽게 만듭니다. 자율주행은 다중 클래스·희소 객체·복잡 경계가 핵심이므로, 이진 IoU가 곧바로 실전 성능으로 이어진다고 말하기 어렵습니다.

Q. “광학이라 에너지 절감”은 왜 정량이 꼭 필요하나요?
A. 실제 시스템에서는 SLM 구동, 광원 파워, 센서 readout, 정렬/보정이 비용을 지배할 수 있습니다. 그래서 광학 코어와 전체 시스템을 분리해 mJ/frame, fps, latency로 제시해야 주장과 결과가 정합됩니다.

Q. 가장 최소한으로 추가하면 임팩트 큰 실험은 무엇인가요?
A. 위상 양자화, 정렬 오차, shot/read noise를 주입한 강건성 곡선과 조건별 IoU 분포입니다. 이 한 장만 있어도 “시뮬레이션 장난감”에서 “현실 시스템 가능성”으로 올라갑니다.

[출처]
https://arxiv.org/html/2602.07717v1