주제 정보
- 유형: 오픈소스 프레임워크 + 벤치마크 데이터셋 — V2X 협력 인지(cooperative perception). 한 차의 센서로는 가려진 사각지대를 차량 간(V2V) 통신으로 공유해 검출 성능을 끌어올리는 문제를, 시뮬레이션 데이터셋과 16개 모델 벤치마크로 처음 '비교 가능한 형태'로 만든 프로젝트
- 소유자/이름:
DerrickXuNu/OpenCOOD(UCLA Mobility Lab · Jiaqi Ma 그룹) — 논문 제1저자 Runsheng Xu가 유지보수하는 공식 구현 - 스타/규모: ⭐833 · 🍴133 · 👀12 · 열린 이슈 37 · 저장소 35.6MB · 언어 Python(PyTorch) · 토픽: autonomous-driving, collaborative-perception, multi-agent-perception, simulations
- 생성/최근 활동: 생성 2022-02-07 · 마지막 푸시 2024-08-17 (약 2년 전) · 릴리스·태그 0개. 즉 '살아 있는 서비스'가 아니라 연구용으로 완결된 기준 구현체다
- 라이선스 (주의): GitHub은
NOASSERTION으로 감지한다. README 배지는 MIT로 보이지만 실제LICENSE파일은 UCLA Mobility Lab의 Academic Software License — "학술·비영리 연구자에 한해" 사용·수정·2차적 저작물 작성만 허용한다. 상업적 사용은 별도 허가 대상이라는 점이 배지에는 드러나지 않는다 - 대응 논문: OPV2V: An Open Benchmark Dataset and Fusion Pipeline for Perception with Vehicle-to-Vehicle Communication — arXiv:2109.07644 (2021-09-16 제출 / 2022-06-20 갱신, arXiv comment "Accepted by ICRA2022"), ICRA 2022. 저자: Runsheng Xu · Hao Xiang · Xin Xia · Xu Han · Jinlong Li · Jiaqi Ma (전원 UCLA)
- 데이터셋 규모(OPV2V): 장면 70개+ · 프레임 11,464 · 주석된 3D 차량 박스 232,913개 · 수집 환경은 CARLA 8개 타운 + 로스앤젤레스 Culver City의 디지털 트윈 타운 · 함께 공개한 벤치마크는 총 16개 모델
- 인용: Semantic Scholar 719회(영향력 있는 인용 182회) · OpenAlex(ICRA DOI 기준) 539회 — 컨퍼런스 버전이 학술 인덱스에 따라 크게 다르게 잡히므로 두 수치를 함께 표기한다
핵심 내용
OPV2V가 던진 질문은 단순하다. "내 차가 트럭에 가려 못 보는 것을, 바로 옆 차가 보고 있다면 성능은 얼마나 올라가는가?" 이 질문을 답하려면 (1) 모두가 같은 조건에서 실험할 데이터, (2) 융합 시점을 통제한 비교 벤치마크, (3) 재현 가능한 코드가 필요했다. OpenCOOD는 이 세 가지를 한 저장소에 묶어 공개했고, 그래서 '협력 인지'라는 연구 축이 등장한 직후에 곧바로 표준 실험대로 자리 잡았다.
- 융합 시점을 변수로 만든 벤치마크: 초기(early)·중간(intermediate)·후기(late) 융합을 같은 백본에서 나란히 비교하고, 정확도와 함께 통신 대역폭(Mbit)을 필수 지표로 표에 넣었다. 27Mbps·LiDAR 10Hz를 가정하면 실시간성을 지키기 위해선 2.7Mbit 이하로 압축해야 한다는 실무 기준까지 명시했다
- 융합은 공짜가 아니라는 정량 증거: PointPillar 백본에서 후기 융합은 대역폭 0.024Mbit로 끝나지만 정확도가 낮고, 중간 융합(Attentive Fusion)은 126.8Mbit를 쓰면서 Default Towns AP@0.7를 0.781 → 0.815로 올린다. 압축을 걸면 대역폭은 1.98Mbit로 줄고 정확도 손실은 거의 없다 — '보내는 양'과 '보는 양'의 교환비를 처음 숫자로 보여준 표다
- 16개 모델·4개 백본을 한 코드베이스에: 백본은 PointPillar·PIXOR·VoxelNet·SECOND, 모델은 Naive Late / Cooper·F-Cooper·V2VNet·CoAlign·FPV-RCNN·CoBEVT·V2X-ViT·Where2Comm 등을 동일한 데이터 API와 YAML 설정으로 실행한다. 새 방법을 만들면 같은 표에 바로 끼워 넣을 수 있다
- 데이터 API가 붙은 데이터셋: OPV2V(ICRA 2022)와 V2XSet(ECCV 2022)을 바로 내려받아 학습·평가할 수 있고, DAIR-V2X·V2V4Real 등 실차 데이터셋은 미지원(체크리스트상 빈칸)으로 남아 있다. 센서도 LiDAR만 지원하고 카메라·레이더 API는 미완성이다
- log replay 도구 (2022-12-04): 오프라인 데이터셋의 이벤트를 100% 재생하면서 센서·정답을 임의로 추가·변경할 수 있게 했다. 원본 데이터셋이 상정하지 않은 과제(예: 센서 고장, 다른 배치)를 실험할 수 있는 통로를 열어준 셈이다
- 실무 친화적 디테일: spconv 1.2.1과 2.x를 모두 지원하고 다중 GPU 학습(2022-12-28)도 붙였다. 반면 AP 계산에서 전역 정렬(global sort)을 쓰면 안 된다는 주의까지 README에 적어, 논문 간 비교가 어긋나는 흔한 함정을 미리 차단했다
왜 유명한가 / 활용 가치
- '협력 인지' 분야의 공용 실험대: 데이터·벤치마크·코드를 한 번에 공개한 첫 대규모 V2V 프로젝트였고, 이후 나온 대표 연구들이 이 저장소의 데이터 API와 설정 체계를 그대로 쓰거나 확장했다. DH-VLM(08-16)이 '협력'을 계획(planner) 쪽에서 다뤘다면, OpenCOOD는 인지(perception) 쪽 협력의 원점이다 — 두 축이 같은 블로그에서 짝을 이룬다
- 후속작이 곧 인용 그래프: 저장소가 스스로 나열한 계보가 곧 이 분야의 지도다 — V2X-ViT(ECCV 2022, OpenAlex 기준 543회 인용), CoBEVT(CoRL 2022), Where2Comm(NeurIPS 2022), CoAlign·MPDA(ICRA 2023), V2V4Real(CVPR 2023 Highlight), V2X-ViTv2(TPAMI 2024). 논문 한 편의 인용(719회)보다, 이 저장소에서 파생된 논문들의 합이 이 프로젝트의 실제 영향력이다
- 시뮬레이션 생태계의 결합점: OPV2V는 CARLA(09-09)와 SUMO(09-19)를 묶은 co-simulation으로 만들어졌다. 즉 이 저장소는 '시뮬레이터'(09-09·09-19·esmini(09-25))와 '인지 모델'(OpenPCDet(09-01)·PointPillars(09-05)·VoxelNet(09-13)) 사이를 잇는 가교다
- 지금도 유효한 교재: 데이터 로더·융합 헤드·압축·가짜 위치 오차까지 단계별로 구성된 학습 코드라, '통신이 있는 로보틱스'를 처음 다루는 팀에게 가장 짧은 입구다. 특히 대역폭을 함께 보고하는 습관은 V2X 제품 기획에서 그대로 재사용된다
- 주의할 한계도 명확: (1) 전부 시뮬레이션 데이터라 실차 도메인 갭이 남고, (2) 실차 데이터셋(DAIR-V2X·V2V4Real)은 미지원, (3) 2024-08 이후 업데이트가 없으며, (4) 라이선스가 학술·비영리 전용이라 상업적 활용은 불가하다
시사점 및 결론
자율주행 인지의 지난 10년은 '센서를 더 붙이고 모델을 키우는' 경쟁이었지만, OPV2V가 던진 카드는 방향이 달랐다. 차에 실을 센서를 늘리는 대신, 이미 도로 위에 있는 다른 차의 시점을 빌리자는 것. 그 대가는 명확하다 — 통신 지연, 위치 오차, 압축 손실, 그리고 무엇보다 '누구의 데이터를 얼마나 믿을 것인가'라는 신뢰 문제다. OpenCOOD는 이 대가를 벤치마크 표의 열(대역폭)로 못 박아 이후 연구가 '정확도만 올리는 논문'으로 흐르지 않게 하는 기준선을 세웠다.
실무 관점의 시사점은 두 가지다. 첫째, 협력 인지는 인지 문제가 아니라 시스템 문제다. esmini(09-25)가 시나리오를 표준 XML로 고정하고 Trajectron++(09-23)가 타 에이전트의 미래를 확률로 다루듯, V2X는 '남의 시점을 어떻게 신뢰할지'를 검증 대상으로 만든다. 둘째, 데이터셋 공개가 곧 분야 형성이다. Waymo Open Dataset(09-15)과 nuScenes(08-24)가 3D 인지의 표준 좌표계를 세웠다면, OPV2V는 다중 에이전트 협력의 표준 좌표계를 세웠다. 결론은 이렇다 — V2X나 협력 인지를 검토하는 팀이라면, 코드 833스타짜리 이 저장소와 데이터 11,464프레임이 오늘날 그 분야의 '0번 문제'를 정의한 문서다. 다만 라이선스가 학술 전용이므로 상업 적용 시에는 반드시 별도 확인이 필요하다.
원문: https://github.com/DerrickXuNu/OpenCOOD · 논문: https://arxiv.org/abs/2109.07644 · 데이터: https://mobility-lab.seas.ucla.edu/opv2v/
목록으로 돌아가기