주제 정보
- 논문: Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite (CVPR 2012) — 후속 "Vision meets Robotics: The KITTI Dataset" (IJRR 2013)와 함께 공개된 자율주행 벤치마크
- 저자: Andreas Geiger, Philip Lenz, Raquel Urtasun (CVPR 2012) / Andreas Geiger, Philip Lenz, Christoph Stiller, Raquel Urtasun (IJRR 2013)
- 소속: Karlsruhe Institute of Technology (KIT) + Toyota Technological Institute at Chicago (TTIC) 공동 프로젝트 — 수집 지역은 독일 카를스루에(Karlsruhe)
- 분야: 컴퓨터 비전 / 자율주행 — 스테레오, 옵티컬 플로우, 비주얼 오도메트리, 3D 객체 검출, 추적, 도로·시맨틱 분할
- 게시일: CVPR 2012 (2012-06) / IJRR 2013 — Andreas Geiger가 KIT 박사과정 시절 시작한 프로젝트
- 인용: OpenAlex 기준 CVPR 2012 논문 약 14,822회 + IJRR 2013 논문 약 10,029회 → 합계 약 2.5만 회 (2026-09-11 확인). 자율주행 인식 분야 최다 인용 데이터셋 중 하나
- 라이선스: CC BY-NC-SA 3.0 (비상업적 이용 + 동일조건 변경허락, 출처 표시)
- 원문·데이터: https://www.cvlibs.net/datasets/kitti/
핵심 내용
KITTI는 "벤치마크는 실험실이 아니라 실제 도로에 있어야 한다"는 문제의식에서 출발한 논문이다. 저자들은 2012년 당시 스테레오·플로우 표준이던 Middlebury 같은 실내 벤치마크에서 상위권을 차지한 알고리즘이 실제 도로로 나오면 평균 이하 성능으로 떨어진다는 점을 지적하며, 자율주행에 맞는 실주행 데이터·벤치마크·평가 서버를 직접 만들었다. 그것이 이후 10년 넘게 3D 인식 연구의 사실상 표준이 된 KITTI다.
- 공유 플랫폼 'Annieway': 폭스바겐 파사트 B6를 개조해 페달(가속·브레이크)과 스티어링 휠에 액추에이터를 단 자율주행 실험차로 만들고, 8코어 i7 + RAID 스토리지 + Ubuntu + 실시간 데이터베이스로 데이터를 기록했다.
- 센서 구성: 고정밀 관성항법장치(GPS/IMU) OXTS RT 3003, 3D 레이저 스캐너 Velodyne HDL-64E(초당 10회전, 회전당 약 10만 포인트, 64개 빔), 그레이스케일 카메라 2대 + 컬러 카메라 2대(각 1.4MP, Point Grey Flea 2), 4~8mm 가변 렌즈 4개. 이미지는 1382×512로 크롭해 사용한다.
- 규모와 다양성: 약 6시간의 주행 시나리오를 10Hz로 동기화해 기록. 수집 환경은 중규모 도시 카를스루에 도심, 교외 도로, 고속도로까지 포함하며 이미지 한 장에 최대 차량 15대·보행자 30명이 등장한다.
- 객체 검출 벤치마크 규모: 공식 3D 객체 검출 벤치마크는 학습 7,481장 + 테스트 7,518장 이미지와 대응 포인트 클라우드, 총 80,256개 라벨 객체로 구성된다. 평가는 3D 박스 겹침(IoU) 기준으로 자동차 70%, 보행자·자전거 50%를 요구한다.
- 벤치마크 '제품군': 단일 태스크가 아니라 스테레오(2012/2015), 옵티컬 플로우(2012/2015), 신 플로우, 깊이 완성·깊이 예측, 비주얼 오도메트리, 2D/3D 객체 검출, BEV, 멀티객체 추적(MOT)·MOTS, 도로 검출, 픽셀/인스턴스 시맨틱 분할까지 동일 센서 데이터에서 파생한 하위 벤치마크 모음을 제공한다.
- 재현 가능한 평가 서버: 모든 방법이 동일한 파라미터 세트를 쓰도록 강제하고, precision-recall 곡선과 average precision으로 순위를 매기는 리더보드 방식을 정착시켰다. 개발 키트(MATLAB/C++)를 함께 배포해 데이터 포맷과 평가 코드를 표준화했다.
왜 유명한가 / 활용 가치
- 2.5만 인용, 자율주행 데이터셋의 '정전(canon)'이 됐다: CVPR 2012·IJRR 2013 두 논문 합계 약 2.5만 회 인용. SECOND, PointPillars, PV-RCNN, CenterPoint 등 3D 검출 계보의 거의 모든 논문이 KITTI 수치를 먼저 보고하며, 오도메트리·스테레오·플로우에서도 10년 넘게 기준선으로 남아 있다.
- '실험실 편향(lab bias)'을 깬 벤치마크 철학: Middlebury류 실내 벤치마크가 실제 도로에서 무너진다는 문제의식을 실데이터·실지표로 해결했다. 이후 어떤 자율주행 데이터셋도 '실제 주행에서 수집했는가'를 피할 수 없게 만든 원조다.
- 데이터셋 계보의 출발점: 본 블로그가 다룬 계보가 모두 이 위에 서 있다 — KITTI → nuScenes(2026-08-24 포스팅) → Waymo Open Dataset → 현재. 라이다 3D 검출의 표준 엔코더 PointPillars(2026-09-05)와 CenterPoint(2026-09-10) 역시 KITTI 벤치마크 수치로 검증됐다.
- 파생 데이터셋 생태계: SemanticKITTI(시맨틱 장면 완성), KITTI-360(360° 확장), KITTI Depth Completion 등 여러 후속 데이터셋이 KITTI를 확장·재가공하며 생태계를 형성했다.
- 오픈 데이터 + 툴킷: 원시(raw) 데이터까지 전부 공개하고 CC BY-NC-SA 3.0으로 연구·교육 활용을 열었다. 공식 개발 키트와 제출 제한(월 최대 3회)까지 둔 엄격한 리더보드 운영이 재현성과 공정 비교를 가능케 했다.
- 실무·교육 가치: 3D 검출·추적·오도메트리·스테레오를 처음 배울 때 가장 먼저 접하는 데이터로, ROS 변환(kitti2bag)·시각화 뷰어·튜토리얼 등 커뮤니티 도구가 풍부해 입문 장벽이 낮다. 한국에서도 다수 자율주행 연구실의 표준 실습 데이터셋이다.
시사점 및 결론
KITTI가 남긴 가장 큰 교훈은 "좋은 데이터셋은 알고리즘보다 오래 산다"는 것이다. 이 논문은 새로운 신경망이나 기법을 제안하지 않았다. 대신 자율주행이라는 응용에 맞는 '문제의 정의' — 어떤 센서로, 어디를 달리며, 어떤 태스크를, 어떤 지표로 평가할 것인가 — 를 세웠고, 그 정의가 10년 이상 후속 연구의 좌표계가 됐다. 14년이 지난 지금도 최신 논문들이 'KITTI에서 얼마인가'를 묻는 이유는, 벤치마크가 곧 분야의 언어이기 때문이다. 자율주행을 공부한다면 모델 하나를 더 돌려보기 전에, KITTI가 정의한 태스크 지형도부터 이해하는 것이 순서다. 한 줄 요약: 실험실을 떠나 실제 도로에 벤치마크를 세운 순간, 자율주행 인식 분야가 시작됐다.
함께 읽기: PointPillars (2026-09-05 포스팅) · nuScenes 데이터셋 (2026-08-24 포스팅) · CenterPoint (2026-09-10 포스팅)
원문: https://www.cvlibs.net/datasets/kitti/ (CVPR 2012 · IJRR 2013, Andreas Geiger et al.)