네이버 지도 내비게이션, 꽃길만 가자: 좁은 길 탐지 모델

내비게이션 품질은 정확한 label 분류에 달려 있고, 특히 level 2 도로를 불필요하게 안내하지 않도록 좁은 도로를 사전에 탐지하는 것이 핵심 과제였다.

첫 번째 접근은 수치지형도 polygon에서 도로 너비를 추정하는 방식이었다. 단순 centroid는 굽은 polygon에서 바깥쪽으로 벗어날 수 있어, Voronoi Diagram으로 medial axis를 근사한 뒤 polygon 내부 후보점들을 찾고, 여기에 polygon의 minimum boundary rectangle 대각선 중점과 내부 centroid를 더해 너비를 계산했다. 최종적으로는 후보점과 outline 사이의 최소 거리 중 가장 큰 값에 2를 곱해 width로 정의했다.

이 방식은 전반적으로 잘 동작했지만, 수치지형도 polygon의 너비가 일정 이하로 작아지면 실제 level과의 구분 정확도가 떨어지는 사례가 있었다. 특히 실제로는 낮은 level인데 높게 잡히는 오탐이 남아, 더 정밀한 판별이 필요해졌다.

두 번째 접근은 거리뷰 이미지를 활용한 모델이었다. 먼저 좁은 도로와 매우 좁은 도로를 나누는 image classification을 시험했지만, 농로처럼 배경에 흙·풀 색이 많은 경우 넓은 도로도 좁게 오인하는 문제가 있었다. 이후 도로 segmentation으로 방향을 바꿔, 도로 색과 유사한 픽셀을 찾는 YUV color similarity 기반 방법을 만들었지만, 그림자나 부분 포장, 배경색 유사성 때문에 한계가 뚜렷했다.

최종적으로는 SegFormer 기반 semantic segmentation을 사용했다. 거리뷰에서 관심 영역을 crop해 pretrained weight를 그대로 활용했고, 실질적으로 road와 car 두 클래스만 다뤘다. 이후에는 단순 road 비율이 아니라, window 단위로 road mask 비율이 높아지는 지점을 찾아 도로의 양 끝 pixel 위치를 추정하고, 양 끝 사이의 pixel 단위 너비로 좁은 도로를 판정했다.

비교 결과도 명확했다. polygon 기반 모델은 더 많은 좁은 도로를 잡아냈지만 level 2 탐지 비율은 낮았고, image 기반 모델은 탐지 수는 적어도 level 2를 더 정확하게 골라냈다. 특히 이전 color similarity 방식에서 문제가 됐던 그림자, 배경 유사 색, 비균일한 도로색 케이스도 해소됐다.

추가로, 이미지에는 주정차 차량 정보도 들어 있어 road + car masking으로 더 정교한 판별도 가능하다. 다만 현재는 주행 차량과 주정차 차량을 구분해야 하므로 보수적으로만 활용하고 있다. level 1.5 정도의 좁은 도로를 기준으로 보면 거리뷰 이미지가 약 96% 확보돼 있어, 앞으로 더 넓은 범위의 품질 개선 작업으로 확장할 여지도 크다.