자율 비상 제동 (Autonomous Emergency Braking, AEB) 최적화는 정확하게 주석이 달린 실제 트리거 이벤트, 특히 시스템의 결함을 드러내는 드물지만 중요한 지연(delayed) 및 오탐(false) AEB 트리거에 의존합니다. 그러나 이러한 소수 샘플은 일일 수천 개의 트리거 중 5% 미만을 차지하며, 이로 인해 대규모 수동 주석 작업은 비용이 지나치게 많이 듭니다. 우리는 이 문제를 해결하기 위한 최초의 자동화된 AEB 주석 프레임워크를 제시합니다. 개발 과정에서 우리는 지연/오탐 트리거 주석 정확도를 심각하게 저해하는 두 가지 근본적인 과제를 확인했습니다: (1) 지연/오탐 트리거가 실제 트리거에 의해 압도되는 극심한 클래스 불균형 (Extreme class imbalance); (2) 잘못 레이블링된 다수 샘플(실제 트리거)이 소수 샘플(지연/오탐 트리거)의 학습을 방해하는 비대칭 레이블 노이즈 (Asymmetric label noise). 이러한 과제를 극복하기 위해 우리는 두 가지 핵심 혁신을 제안합니다: (1) 초점 대상 속성 조작, 자차 (ego-vehicle) 역학 이식, 비초점 에이전트 마스킹을 통해 현실적인 샘플을 합성하는 특화된 데이터 증강 (Data augmentation); (2) 잘못 레이블링된 실제 트리거 샘플을 정제하기 위해 안정적인 난이도 추정 (Stable hardness estimation) 및 프로브 가이드 적응형 임계값 (Probe-guided adaptive threshold)을 사용하는 노이즈 억제. 결정적으로, 우리는 우리의 모델을 풀스택 아키텍처를 갖춘 실용적인 주석 시스템으로 배포하여, 매일 발생하는 수천 개의 AEB 이벤트 중에서 중요한 지연/오탐 트리거를 효율적으로 식별합니다. 실제 운영 결과, 지연/오탐 트리거의 재현율 (Recall)이 80% 향상되었고 수동 작업량은 50% 감소했습니다. 즉각적인 이득을 넘어, 이 시스템은 축적된 고품질 주석을 통해 지속적인 자기 개선을 가능하게 하며, 차량 탑재 AEB 시스템 최적화를 위한 필수적인 데이터 기반을 구축합니다.