범용 컴퓨터 비전은 경계 상황에서 실패합니다. 대머리가 축구공으로 오인되고, 먼지 입자가 치명적 결함으로 표시되며, 그림자가 유령 제동을 일으킵니다. 우리는 비용이 발생하기 전에 물리적으로 불가능한 것을 거부하는 물리 제약 비전 시스템을 구축합니다.
경기장에서 자동 카메라를 운영하든, 10nm에서 웨이퍼를 검사하든, 생산 라인에서 결함을 분류하든 문제는 동일합니다. 여러분의 검출기는 패턴을 찾아내지만 물리를 이해하지 못합니다. 공은 순간이동할 수 없습니다. 결함에는 시차가 있습니다. 그림자에는 깊이가 없습니다. 우리는 이러한 물리적 제약을 여러분의 비전 파이프라인에 직접 내장하여 검출과 이해 사이의 간극을 메웁니다.
2020년 10월, Inverness Caledonian Thistle에서 Pixellot의 자동 카메라 시스템은 한 경기 내내 공이 아니라 부심의 대머리를 추적했습니다. 이 시스템은 각 프레임을 독립적으로 처리하는 표준 CNN 검출기(YOLO 계열로 추정)를 사용했습니다. 경기장 조명 아래에서 부심의 머리는 흰색 축구공과 통계적으로 구별할 수 없는 픽셀 그래디언트의 정반사 하이라이트를 만들어냈습니다. 검출기는 머리에 대해 "공"으로 98% 신뢰도를 부여한 반면, 실제 공(빠르게 움직이고 그림자를 통과하며 흐릿해진)은 80%를 받았습니다. 시스템은 가장 높은 신뢰도의 신호를 따랐습니다. 수직 원통형 물체에 부착되어 1.7미터의 일정한 높이에서 시속 3마일로 움직이는 "공"이 경기 중인 축구공의 모든 운동학적 제약을 위반한다는 것을 확인할 메커니즘이 없었습니다. 해결책은 더 나은 학습 데이터가 아닙니다. 물리입니다.
KLA는 63%의 시장 점유율로 반도체 검사를 지배하며, 이들의 2900 시리즈는 10nm만큼 작은 특징도 검출할 수 있습니다. 그러나 병목은 검출이 아닙니다. 문제는 무해 결함 문제입니다. 첨단 공정 노드에서 광대역 스캔은 웨이퍼당 수천 개의 이상을 포착합니다. 대부분은 수율에 영향을 주지 않는 표면 아티팩트, 먼지 입자 또는 패턴 노이즈입니다. 각각은 분류가 필요합니다. 첨단 노드에서 1%의 수율 손실은 단일 웨이퍼가 수만 달러에 달할 수 있기 때문에 수백만 달러의 매출 손실로 이어집니다. 업계 표준은 과거 결함 라이브러리로 학습된 딥러닝 분류기지만, 이러한 분류기는 빛이 구멍, 얼룩, 공정 잔류물과 물리적으로 어떻게 상호작용하는지에 대한 모델이 없습니다. 팹이 새로운 공정 노드(예: 2nm의 게이트-올-어라운드)로 전환하면 분류기의 학습 데이터는 쓸모없어지고 무해 결함 비율이 급증합니다. 시차, 재료 반사율, 지형적 산란을 이해하는 물리 기반 결함 모델은 공정 노드와 무관하게 실제 결함을 노이즈와 분리합니다.
AI 기반 품질 관리를 사용하는 생산 라인에서는 CV 모델이 언제 틀렸는지 거의 알 수 없습니다. 실시간 정답 레이블이 없으면 생산이 계속되는 동안 드리프트가 조용히 쌓입니다. 유지보수 후 조명 각도가 바뀝니다. 렌즈가 몇 주에 걸쳐 흐려집니다. 고정구가 마모됩니다. 거짓 거부가 증가하거나(재작업 루프, 처리량 마찰) 거짓 수용이 스며듭니다(누출 위험, 보증 노출). 품질 누출이 표면화될 무렵이면 광범위한 봉쇄, 확대된 격리, 재검사, 수동 검토를 촉발합니다. 평균 제조업체의 경우 저품질 비용은 총 매출의 약 20%에 달합니다. 물리 제약은 불변 앵커 역할을 합니다. 올바르게 제조된 부품의 물리적 속성은 조명이 바뀌어도 변하지 않습니다. 물리 정보 기반 시스템은 단지 과거 학습 이미지와 비교하여 "좋은 부품처럼 보이는지"가 아니라, 관측된 이미지가 알려진 기하 구조 및 재료 속성과 일치하는지를 측정합니다.
| 공급업체 | 분야 | 이들이 출시하는 것 | 물리 통합 | 이들이 부족한 부분 |
|---|---|---|---|---|
| Pixellot | 스포츠 방송 | AI 자동 카메라, 자동 추적, 멀티 앵글. 150개 이상의 리그, GameChanger와의 파트너십. | 트랙 평활화를 위한 기본 칼만 필터링. V4의 다중 가설 추적이 대머리 유형의 오류를 대부분 해결했습니다. | 새로운 실패 모드: 모션 블러 상태의 유니폼 OCR, 평평하지 않은 경기장에서의 오프사이드 투영. 물리는 제약 계층이 아니라 사후 평활화입니다. |
| Hawk-Eye (Sony) | 스포츠 심판 | 다중 카메라 삼각측량, 골격 추적(선수당 29개 지점). NFL, MLB, ATP. | 다중 카메라 보정을 통한 강력한 기하학적 제약. | 비용이 높음(경기장당 $1M 이상). 독점적이고 폐쇄적. 전용 인프라 필요(경기장당 6~8대의 4K/8K 카메라). |
| KLA Corporation | 반도체 검사 | 2900 시리즈 광대역 검사, 10nm 감도. 공정 관리 시장 점유율 63%. | 특정 공정 노드에 내장된 규칙 기반 결함 물리 모델. | 모델이 공정 노드별로 특화되어 있음. 새로운 노드 전환은 무해 결함 비율 급증을 유발. $2.3B R&D 투자는 이들이 그 간극의 존재를 알고 있음을 시사합니다. |
| Cognex | 제조 QA | VisionPro ViDi 딥러닝, 카메라 내 엣지 러닝(학습 이미지 5~10장). | 추론 시점에는 없음. 전통적 머신 비전이 측정/계측을 처리. | 데이터 기반에만 의존. 조용한 드리프트에 취약. 설정 시간 90% 단축이지만 물리적 근거는 없음. |
| NVIDIA | 플랫폼/인프라 | Metropolis 생태계(1,000개 이상 기업), 디지털 트윈 시뮬레이션을 위한 Omniverse, 합성 데이터를 위한 Cosmos. | 학습 시점(렌더링)의 물리이지 추론 시점의 물리가 아님. Omniverse는 합성 데이터 생성을 위해 물리를 시뮬레이션함. | 솔루션이 아니라 플랫폼. 물리는 학습에서 멈춤. 배포된 모델은 여전히 순수하게 데이터 기반. |
| Veo | 스포츠(풀뿌리) | D2C AI 카메라, 40,000개 이상의 클럽, 100개국, 400만 경기 이상 촬영. | 최소한. 소비자급 추적. | 물리 제약이 아님. 소비자 가격대는 제약 계층을 위한 연산이 제한적임을 의미. |
| Big 4 / 대형 SI | 산업 전반 | 플랫폼 구현(NVIDIA, 클라우드 API), 통합 서비스, 변경 관리. | 공급업체 물리 도구를 구현. 맞춤형 제약 계층은 구축하지 않음. | 이들은 플랫폼을 배포합니다. 여러분의 특정 물리에 맞춰진 맞춤형 칼만 필터 파이프라인을 구축하는 것은 이들의 영역이 아닙니다. 프로젝트는 $500K~$5M 이상이며 6~18개월이 소요됩니다. |
| 클라우드 API | 범용 | 사전 학습된 검출/분류, 손쉬운 API 통합, 호출당 과금. | 없음. 설계상 프레임 독립적 추론. | 시간적 일관성 없음. 물리 제약 없음. "90% 함정": 90% 정확도까지는 빠르지만 도메인별 물리 없이는 마지막 10%를 메우기가 불가능함. |
이 간극은 모든 세그먼트에서 일관됩니다. 물리는 부재하거나, 학습에 국한되거나, 독점 시스템 안에 갇혀 있습니다. 여러분의 기존 파이프라인에 통합되고 여러분의 특정 도메인 물리에 맞춰진 맞춤형 물리 제약 계층을 서비스로 제공하는 곳은 없습니다. 그것이 바로 우리가 구축하는 것입니다.
우리는 여러분의 검출기와 액션 시스템 사이에 결정론적 검증 계층을 추가합니다. 모든 검출은 수용되기 전에 세 개의 게이트를 통과합니다. 칼만 필터 운동학 게이트(이 운동이 물체의 질량과 시간 간격을 고려할 때 물리적으로 가능한가?), 광학 흐름 게이트(바운딩 박스 내부의 픽셀 운동이 예상 속도 프로파일과 일치하는가?), 그리고 기하학 게이트(물체 크기가 카메라 위치 대비 3D 원근 제약을 만족하는가?). 우리는 물리 모델을 여러분의 도메인에 맞춰 조정합니다. 공 추적을 위한 발사체 역학. 웨이퍼 검사를 위한 시차 기하학. 자율 주행을 위한 도로 평면 제약. 이 게이트들은 시각적 신뢰도만으로는 잡아낼 수 없는 거짓 양성을 거부합니다.
반도체 팹과 정밀 제조를 위해, 우리는 빛이 표면 이상과 물리적으로 어떻게 상호작용하는지를 모델링하는 결함 분류기를 구축합니다. 실제 구멍은 먼지 입자와는 다르게 빛을 산란합니다. 공정 잔류물은 단락과는 다른 반사율을 가집니다. 우리는 다중 시점 기하학과 물리 기반 렌더링 모델을 사용하여 각 이상을 단지 시각적 외형이 아니라 그 물리적 속성으로 특징짓습니다. 이는 분류기가 공정 노드 전반에 걸쳐 일반화됨을 의미합니다. 빛-재료 상호작용의 물리는 FinFET에서 게이트-올-어라운드로 이동해도 변하지 않기 때문입니다.
모델 드리프트는 생산 CV의 조용한 살인자입니다. 우리는 물리 불변량을 안정성 앵커로 사용하는 아키텍처를 구축합니다. 올바르게 제조된 부품의 물리적 기하 구조는 조명 각도가 바뀌거나 렌즈가 흐려져도 변하지 않습니다. 우리는 이러한 불변량을 시스템에 인코딩하여 환경 변화가 원시 신호에는 영향을 주되 물리 검증된 출력에는 영향을 주지 않도록 합니다. 이는 긴급 재학습 주기를 월간에서 분기 또는 그 이하로 줄이고, 품질 누출을 일으키기 전에 드리프트를 잡아냅니다.
물리 정보 기반 신경망(PINN)이 여러분의 응용에 적합한 경우, 우리는 학습 파이프라인을 구축합니다. PINN은 표준 데이터 손실에 물리 손실 항을 추가합니다. 네트워크는 단지 목표를 놓친 것뿐만 아니라 지배 방정식(나비에-스토크스, 발사체 운동, 에너지 보존)을 위반한 것에 대해서도 페널티를 받습니다. 그 결과는 더 적은 학습 데이터를 필요로 하고, 미지의 조건에 더 잘 일반화되며, 물리적으로 타당한 출력을 생성하는 모델입니다. 우리는 어려운 부분을 처리합니다. 람다 튜닝(물리 손실 가중치), 수렴 안정화, 그리고 순진한 PINN 구현이 실패하게 만드는 불연속성 처리(공이 골대를 맞히는 것, 웨이퍼 가장자리 효과).
물리 게이트 시스템이 Inverness 경기 시나리오를 프레임 단위로 처리할 때 정확히 무슨 일이 일어나는지 살펴봅니다.
검출기는 좌표 (512, 380)에서 92% 신뢰도로 공을 찾습니다. 칼만 필터가 초기화됩니다. 위치 (512, 380), 속도는 이전 프레임으로부터 동쪽 방향 18 m/s로 추정. 상태 불확실성이 낮음. 검출 영역의 광학 흐름은 찬 공과 일치하는 강한 우측 운동을 보입니다. 세 게이트 모두 통과. 시스템이 검출을 수용하고 트랙을 업데이트합니다.
검출기는 두 개의 후보를 반환합니다:
필터는 속도와 중력을 바탕으로 공이 (531, 376) 근처에 있을 것으로 예측했습니다. 후보 A의 혁신(잔차)은 1.4픽셀입니다. 후보 B의 혁신은 669픽셀입니다. B의 마할라노비스 거리는 47 표준편차입니다. 3 시그마를 초과하는 모든 것은 거부됩니다. B는 제거됩니다 다음 게이트에 도달하기 전에.
후보 A는 18 m/s의 공과 일치하는 초당 450픽셀의 우측 흐름장을 보입니다. 설령 B가 게이트 1을 통과했더라도, 그 흐름장은 거의 0에 가까운 운동(정지한 머리)을 보입니다. 경기 중 속도가 0인 "공"은 예상 프로파일을 위반합니다. 두 번째 거부.
후보 A는 이 거리에서 22픽셀을 차지하며, 이는 카메라로부터 12미터 거리의 22cm 공과 일치합니다. 후보 B는 45픽셀을 차지합니다. 12미터 거리의 22cm 공은 45픽셀을 차지할 수 없습니다. 세 번째 거부.
시스템은 후보 B의 98% 신뢰도에도 불구하고 이를 거부하고, 80% 시각적 신뢰도의 후보 A(실제 공)를 따릅니다. 물리가 픽셀을 압도합니다.
이 동일한 아키텍처는 물체가 물리 법칙을 따르는 모든 도메인에 적용됩니다. 반도체 팹에서 "칼만 게이트"는 검사 각도 전반의 시차 일관성 검사가 됩니다. 제조 QA에서 "광학 흐름 게이트"는 표면 반사율 모델이 됩니다. 프레임워크는 동일하고, 물리만 바뀝니다.
우리는 여러분의 기존 CV 파이프라인을 계측하여 정확히 어디서 실패하는지 측정합니다. 범주별 거짓 양성률, 추론 단계당 지연 시간, 경계 상황 빈도. 우리는 어떤 물리적 제약이 여러분의 도메인에 적용되는지, 그리고 그것들이 어떤 검출 실패를 방지할 수 있는지 식별합니다. 산출물: 예상 거짓 양성 감소량과 진행/중단 권고가 포함된 제약 사양 문서. 물리 제약이 여러분의 시스템을 의미 있게 개선하지 못한다면, 우리는 그렇게 말씀드립니다.
우리는 물리 계층을 구축하고 이를 여러분의 파이프라인에 통합합니다. 이것은 별도의 시스템이 아닙니다. 여러분의 기존 검출기와 액션 로직 사이에 위치하는 검증 계층입니다. 우리는 칼만 필터 상태 모델을 여러분의 물체 역학에 맞춰 조정하고, 광학 흐름 임계값을 여러분의 카메라 설정에 맞춰 보정하며, 기하학적 제약을 여러분의 물리적 환경에 대해 검증합니다. 일정은 복잡도에 따라 달라집니다. 단일 카메라 스포츠 추적기는 8주입니다. 맞춤형 물리 모델을 갖춘 다중 시점 반도체 검사 시스템은 16주입니다.
우리는 모니터링과 함께 생산에 배포합니다. 우리는 모든 게이트를 계측하여 거부 사유를 기록하고, 여러분의 수용 기준에 대비해 거짓 양성률과 거짓 음성률을 측정하며, 물리 제약이 여러분의 파이프라인에 허용 불가능한 지연을 추가하지 않는지 검증합니다. 우리는 실험실 조건이 아니라 생산 데이터를 기반으로 임계값을 조정합니다. 산출물: 문서화된 성능 기준선과 드리프트 모니터링 대시보드를 갖춘 생산 시스템.
더 오래 걸리는 것
비표준 배치를 가진 경기장에서의 다중 카메라 보정. 반도체에서의 공정 노드 전환(물리 모델은 새 노드의 특성화 데이터가 필요함). 실시간 데이터 피드를 노출하지 않는 레거시 PLC 또는 SCADA 시스템과의 통합.
현재 CV 배포에 대한 여섯 가지 질문에 답하세요. 어떤 물리 제약이 도움이 될지, 그리고 어떤 거짓 양성 감소를 기대할 수 있을지에 대한 구체적인 분석을 받아보세요.
1. 여러분의 비전 시스템은 무엇을 추적하거나 검사합니까?
2. 현재 거짓 양성률은 어느 정도입니까?
3. 여러분의 시스템은 프레임을 독립적으로 처리합니까, 아니면 시간적 상태를 유지합니까?
4. 환경 드리프트로 인해 얼마나 자주 모델을 재학습합니까?
5. 프레임당 지연 예산은 어느 정도입니까?
6. 여러분의 도메인에 대한 물리 모델(운동학 방정식, 재료 속성, 기하학적 제약)을 가지고 있습니까?
전통적인 거짓 양성 감소는 신뢰도 임계값을 높이는 방식으로 작동합니다. 80% 대신 95% 신뢰도를 요구하는 것입니다. 이는 거짓 양성을 줄이지만 낮은 신뢰도를 가진 정당한 검출도 거부되기 때문에 필연적으로 거짓 음성을 늘립니다. 물리 제약은 직교적으로 작동합니다. 신뢰도 임계값을 건드리지 않습니다. 대신, 검출의 시각적 신뢰도 점수와 무관하게 그것이 물리적으로 가능한지를 검증합니다. 98% 신뢰도의 대머리는 여전히 물리적으로 공이 될 수 없으므로 거부됩니다. 운동학적 예측과 일치하는 75% 신뢰도의 공은 수용됩니다. 물리적으로 불가능한 검출이 제거되기 때문에 거짓 양성률이 떨어집니다. 낮은 신뢰도의 정당한 검출이 물리 검사를 통과하기 때문에 거짓 음성률은 유지되거나 개선됩니다. 반도체 검사에서 이는 높은 신뢰도 임계값이 놓칠 실제 결함(희미하지만 물리적으로 실재하는 구멍)을 잡아내는 한편, 결함처럼 보이는 무해 신호(시각적으로 매우 유사하지만 잘못된 시차 거동을 보이는 표면 입자)는 거부하는 것을 의미합니다.
예, 그리고 그것이 표준 접근법입니다. 물리 계층은 여러분의 검출기와 액션 시스템 사이에 위치합니다. 여러분의 기존 검출기(YOLO, EfficientDet, 맞춤형 CNN, 클라우드 API)는 계속해서 후보 검출을 생성합니다. 물리 계층은 각 후보를 운동학적, 광학 흐름, 기하학적 제약에 대해 평가한 후 하류로 전달합니다. 통합 지점은 여러분의 아키텍처에 따라 다릅니다. 온디바이스로 추론을 실행한다면 물리 계층은 동일한 하드웨어에서 실행됩니다(칼만 필터 업데이트는 CNN 추론에 비해 연산적으로 저렴합니다). 클라우드 API를 사용한다면 물리 계층은 여러분의 엣지나 처리 파이프라인에서 실행될 수 있습니다. 일반적인 통합은 칼만 필터와 광학 흐름 게이트에 대해 프레임당 1~3ms를 추가합니다. 기하학 게이트 지연은 여러분의 3D 모델 복잡도에 따라 다르지만 5ms를 초과하는 경우는 거의 없습니다. 총 추가 지연: 2~8ms. 이미 25~60fps(프레임당 16~40ms)로 실행 중인 시스템의 경우, 이는 예산 내에 들어갑니다.
재학습은 드리프트를 해결하지만 근본적인 문제는 해결하지 못합니다. 재학습된 모델은 물리에 대한 개념이 없기 때문에 여전히 물리적으로 불가능한 예측을 할 수 있습니다. 학습 데이터 확장은 커버리지에는 도움이 되지만 경계 상황에서는 수익이 체감합니다(물리 법칙을 학습으로 없앨 수는 없습니다). 물리 제약 파이프라인 구축은 복잡도에 따라 $80K~$250K입니다. 단일 카메라 단일 물체 추적(스포츠)은 낮은 쪽 끝입니다. 맞춤형 물리 모델을 갖춘 다중 시점 반도체 검사는 높은 쪽 끝입니다. 이를 문제의 지속적인 비용과 비교해 보세요. 각 폐기 웨이퍼가 수만 달러에 달하고 무해 결함으로 인한 수동 검토가 시간당 $150~200의 엔지니어 시간을 소모하는 반도체 팹. 자동 카메라가 핵심 플레이를 놓쳐 구독자를 잃는 스포츠 방송사. 매출의 5분의 1을 품질 비용에 쓰는 제조업체, 그 상당 부분은 물리 제약이 방지할 거짓 거부에 의해 발생합니다. 물리 계층은 물리가 드리프트하지 않기 때문에 낮은 유지보수 비용으로 한 번 구축하는 것입니다. 발사체 운동의 법칙은 다음 분기에 바뀌지 않습니다.
Pixellot의 V4 다중 가설 추적은 "대머리" 유형의 오류를 대부분 해결했습니다. Hawk-Eye의 골격 추적을 동반한 다중 카메라 삼각측량은 공인 스포츠의 황금 표준입니다. 그러나 시장은 최상위 계층을 넘어 움직였습니다. FIFA 월드컵은 Hawk-Eye의 경기장당 $1M 이상의 설정을 받습니다. Veo의 소비자용 카메라를 사용하는 40,000개 이상의 클럽은 그렇지 못합니다. 간극은 중간 계층과 풀뿌리 스포츠에 있습니다. 소비자급보다 나은 정확도의 자동 방송이 필요하지만 Hawk-Eye 인프라를 감당할 수 없는 리그들입니다. 단일 카메라 설정에 대한 물리 제약은 그 정확도 간극의 상당 부분을 비용의 일부로 메웁니다. 구체적으로: 물리 기반 예측을 통한 가림 처리(선수가 공을 가릴 때 트랙 유지), 다중 물체 명확화(겹치는 두 선수를 외형이 아니라 운동학적 프로파일로 구별), 그리고 카메라 운동 보상(관성 제약을 사용하여 카메라 패닝과 물체 운동을 분리).
이것은 정확히 물리 제약이 가장 높은 영향을 미치는 시나리오입니다. 노드 전환은 학습 데이터가 이전 노드에서 온 것이기 때문에 데이터 기반 분류기를 망가뜨립니다. 시각적 시그니처가 바뀝니다. 새로운 재료, 새로운 기하 구조, 새로운 식각 패턴. 그러나 결함 이미징의 물리는 같은 속도로 변하지 않습니다. 실제 구멍은 여전히 그 깊이와 측벽 각도에 따라 빛을 산란합니다. 입자는 여전히 표면 위 높이에 따라 검사 각도 간 시차를 보입니다. 공정 잔류물은 여전히 그 재료 조성에 의해 결정되는 반사율 프로파일을 가집니다. 우리는 시각적 특징과 함께 이러한 물리 기반 특징을 사용하는 결함 분류기를 구축합니다. 노드 전환 중에는 시각적 특징이 예측력을 잃을 때에도 물리 특징은 판별력을 유지합니다. 실질적 일정: 새 노드의 이미징 물리를 특성화하기 위한 도메인 물리 감사에 2~3주, 새 노드의 결함 라이브러리에 대한 검증을 포함한 분류기 구축에 12~16주.
모든 물리 모델은 근사치입니다. 칼만 필터는 뉴턴 역학을 가정하는데, 이는 복잡한 공기역학을 가진 물체(난류 기류 분리로 인해 너클볼이 예측 불가능하게 휘는 것)에서는 무너집니다. 에피폴라 기하 모델은 강체 표면을 가정하는데, 이는 유연한 재료에서는 무너집니다. 우리는 이를 세 가지 방식으로 처리합니다. 첫째, 모든 게이트에는 구성 가능한 신뢰도 임계값이 있습니다. 마할라노비스 거리가 경계선(3과 5 시그마 사이)이면, 검출은 강하게 거부되지 않고 하류 검증을 위해 표시됩니다. 둘째, 우리는 비선형 역학에 대해 확장 칼만 필터(EKF) 대신 무향 칼만 필터(UKF)를 사용합니다. UKF는 선형화하지 않고 실제 비선형 함수를 통해 시그마 포인트를 전파하며, 이는 EKF의 테일러 급수 근사 오차 없이 중간 정도의 비선형성(스핀, 항력, 고르지 않은 표면)을 처리합니다. 셋째, 진정으로 복잡한 물리(난류, 신소재)에 대해서는 PINN을 사용하여 해 공간을 제약하면서 데이터로부터 지배 방정식을 학습합니다. 물리 모델은 단단한 우리가 아닙니다. 가장자리에서는 휘어지지만 중심에서는 치명적 오류를 방지하는 가드레일입니다.
우리의 물리 제약 비전 방법론 이면의 기술적 기반을 살펴보세요.
범용 컴퓨터 비전이 생산 환경에서 실패하는 이유와 물리 제약 아키텍처(칼만 필터, 광학 흐름, PINN)가 검출과 이해 사이의 간극을 어떻게 메우는지에 대한 깊이 있는 기술적 탐구.
백서 읽기경계 상황은 엔지니어링 시간의 80%, 지원 비용의 90%, 그리고 책임 노출의 100%를 소모합니다.
물리 제약 비전 시스템은 경계 상황을 없애지 않습니다. 물리적으로 불가능한 경계 상황을 없애는데, 그것이 대부분입니다. 거짓 양성을 디버깅하고, 드리프트를 위해 재학습하며, 무해 결함을 검토하는 데 쓰던 엔지니어링 시간은 대신 기능을 구축하는 데 쓰입니다.