ADOM: Autonomous Driving for Off-Road Military Vehicles

MUM-T(유무인 복합체계) 산악 오프로드 작전 환경을 위한 카메라 기반 파운데이션 모델 도메인 적응 및 온보드 인지 기술 연구.

ADOM is a research project focused on camera-based foundation model domain adaptation and on-board perception technology for MUM-T (Manned-Unmanned Teaming) in mountainous off-road environments.

현재 범위, 담당자, 성공 기준의 유일한 기준은 ADOM_CONTEXT.md다. 작업을 시작하기 전에 이 문서와 프로젝트 상태판을 먼저 확인한다.

Project Goal

이 레포는 산악/비정형 오프로드 환경에서 카메라 기반 인지 모델을 학습, 경량화, 온보드 배치하고 최종적으로 ROS2 기반 주행 파이프라인과 연결하는 것을 목표로 합니다.

초기 연구 축은 다음과 같습니다.

• Semantic segmentation baseline: YOLOv8-Seg, DeepLabV3+, SegFormer 계열 비교
• Domain adaptation / fine-tuning: RELLIS-3D 등 오프로드 데이터셋 기반 성능 개선
• Model optimization: Jetson Orin Nano 8GB 온보드 구동을 위한 후속 TensorRT 최적화
• Perception to control: semantic costmap, ROS2 Nav2, high-level vehicle control 연동

Current Operating Focus

현재 D-5 집중연구기간의 목표는 SegFormer-B0를 Jetson Orin Nano에 배포하고, ZED 2i RGB 인지가 RC Car의 안전 정지로 이어지는 end-to-end PoC를 재현하는 것이다. 연구용 Clean Semantic20 비교와 Semantic23, depth/costmap, 웹 자동화는 보존하되 발표 시연 파이프라인이 안정화된 뒤 재개한다.

초기 benchmark 필수 metric:

• segmentation: mIoU, class IoU, high_cost_or_obstacle recall
• runtime: FPS, latency p50/p95
• edge deployment: power draw on Jetson Orin Nano 8GB
• mapping readiness: costmap update rate

Repository Map

.
├── configs/              # 학습, 평가, 배포 설정 파일
├── data/                 # 데이터셋 배치 규칙과 메타데이터, 실제 대용량 데이터는 미커밋
├── docs/                 # 회의록, 의사결정 기록, 시스템 아키텍처, 세팅 가이드
├── experiments/          # 재현 가능한 baseline/segformer/quantization/deployment/costmap 실험
├── external/             # 필요 시 외부 오픈소스 fork/submodule 연결 지점
├── models/               # 체크포인트와 export 산출물 배치 규칙, 실제 모델 파일은 미커밋
├── results/              # Markdown/CSV 기반 실험 결과 요약
├── ros2_ws/              # ROS2 Humble 패키지와 launch/config, mono repo 내부 colcon workspace
├── scripts/              # 반복 작업 자동화 스크립트
├── src/                  # 실제 프로젝트 코드
└── study/                # 팀원별 논문 정리, 학습 노트, 작은 테스트

How We Use This Repo

• study/는 학습 기록과 작은 테스트를 위한 공간입니다. 외부 오픈소스 전체 코드를 그대로 커밋하지 않습니다.
• experiments/는 결과를 재현할 수 있는 실험 단위입니다. 실험이 여러 번 재사용되면 공통 로직을 src/로 옮깁니다.
• src/는 실제 시스템에 들어갈 코드만 둡니다. 임시 분석 코드와 노트북은 study/ 또는 experiments/에 둡니다.
• ros2_ws/는 이 mono repo 안에서 관리하는 ROS2 Humble workspace입니다. ROS2 node는 src/의 공통 로직을 감싸는 adapter 역할을 우선합니다.
• results/는 가벼운 Markdown/CSV 실험 추적을 위한 공간입니다. W&B나 MLflow 같은 별도 플랫폼은 나중에 필요할 때 도입합니다.
• 대용량 데이터셋, 학습 결과, checkpoint, TensorRT engine은 git에 올리지 않습니다.

Key Docs

• Current Source of Truth
• Docs hub and collaboration workflow
• Project status dashboard
• Repo structure decision
• Initial benchmark decision
• Benchmark protocol
• System architecture overview
• Development setup guide
• RunPod training and DevOps guide
• RunPod one-cycle command
• RELLIS-3D Cost4 data contract
• Dataset preprocessing migration plan
• Contribution guide