자동운전 객체 탐지 안전 평가를 위한 중요도 지표 분석

초록

본 논문은 자동운전 차량의 객체 탐지 시스템을 안전하게 평가하기 위해 기존의 다양한 중요도(criticality) 지표들을 체계적으로 정리하고, DeepAccident 데이터셋을 활용해 실험적으로 검증한다. 또한 양방향 중요도 등급과 다중 지표 집계라는 두 가지 새로운 적용 전략을 제안하여, 기존 방법 대비 최대 100%까지 중요도 분류 정확도를 향상시켰음을 보고한다.

상세 분석

논문은 자동운전 시스템에서 인식 오류가 직접적인 사고 위험으로 이어질 수 있음을 전제로, 객체 탐지 성능을 단순히 정밀도·재현율 같은 전통적 지표로 평가하는 한계를 지적한다. 이를 보완하기 위해 ‘중요도(criticality)’라는 개념을 도입하고, 다양한 물리‑동역학 기반 지표들을 상세히 검토한다. 주요 지표로는 Time‑to‑Collision(TTC), Modified TTC(MTTC), Time‑to‑Brake(TTB), Time‑to‑Accident(TTA), LSM‑Braking‑Distance, Criticality Index Function(CIF), RSS 기반 안전거리, SA‑CRED 및 SURE‑V 등이다. 각 지표는 차량 속도·가속도·거리·크기 등 기본 변수(v_i, a_i, s_i 등)를 활용해 위험 정도를 수치화한다. 그러나 대부분이 임계값(threshold) 설정에 의존하거나, 충돌이 확정된 상황만을 대상으로 하여 비충돌 상황에서의 위험을 놓치는 문제점을 가지고 있다. 예를 들어, TTC는 동일 속도로 앞차와 주행할 경우 무한대가 되어 비현실적인 비위험 판단을 초래한다. MTTC와 CIF는 임계값 의존성을 완화하려 했지만, 여전히 비충돌 객체를 안전‑중요 객체로 분류하지 못한다. RSS는 안전거리 계산에 임계값이 필요 없다는 장점을 갖지만, 적용 시 시나리오별(동일 방향, 반대 방향, 측면) 복잡한 규칙 정의가 요구된다. SA‑CRED와 SURE‑V는 도로 규정에 기반한 구체적 거리 모델을 제공하지만, 국가·도로 설계 차이에 따라 적용 범위가 제한된다. 논문은 이러한 한계를 극복하기 위해 두 가지 새로운 적용 전략을 제시한다. 첫째, **양방향 중요도 등급(bidirectional criticality rating)**은 객체와 ego 차량 사이의 상호 위험을 동시에 고려해, 객체가 ego에게 미치는 위험뿐 아니라 ego가 객체에게 미치는 위험도 평가한다. 이를 통해 앞차와 뒤차 모두를 적절히 분류할 수 있다. 둘째, **다중 지표 집계(multi‑metric aggregation)**는 개별 지표의 단점을 보완하기 위해 여러 지표를 가중 평균하거나 논리적 OR/AND 연산으로 결합한다. 실험에서는 각 지표별 단독 적용 시 평균 정확도가 58% 수준에 머물렀으나, 양방향 등급과 다중 집계를 동시에 적용했을 때 정확도가 100%에 근접하는 결과를 얻었다. 이러한 결과는 기존 단일 임계값 기반 평가가 놓칠 수 있는 위험 상황을 포착하는 데 큰 의미가 있다. 또한, DeepAccident 데이터셋을 활용해 실제 사고 전후 시나리오를 재현함으로써 제안 방법의 실용성을 검증하였다. 논문은 향후 실시간 시스템에 적용하기 위한 연산 효율성 분석과, 다양한 도로 환경·기후 조건을 포함한 확장 연구 필요성을 강조한다.