ADAS 탑재 차량 사고·근접위험 영상 데이터셋 SAVeD 구축과 활용

초록

본 논문은 소셜미디어에서 수집한 2,119개의 1인칭 영상으로 구성된 SAVeD 데이터셋을 소개한다. ADAS 탑재 차량의 충돌, 근접위험, 시스템 오류 상황을 프레임 수준으로 상세히 라벨링했으며, 실시간 TTC 계산, 극단 위험 모델링, 최신 비디오‑언어 모델(VLLM) 벤치마크 등 다양한 분석 프레임워크를 제시한다. 데이터셋은 기존 텍스트·시뮬레이션 중심 자료의 한계를 극복하고, ADAS 안전성 연구에 새로운 실증 기반을 제공한다.

상세 분석

SAVeD는 기존 자율주행·ADAS 데이터셋이 갖는 두 가지 근본적인 결함—① 실제 ADAS 차량의 위험 상황이 거의 없고, ② 1인칭 시점 영상이 부재함—을 보완한다. 300,000개 이상의 소셜미디어 영상을 자동 수집·필터링한 뒤, 2,119개의 고품질 클립을 선정하고, 충돌(1,040), 근접위험(602), 시스템 오류(477)로 구분한다. 라벨링은 27개 차원(시간·공간·차량 상태·환경·시스템 행동·운전자 개입 등)으로 세분화돼, TTC, 회피 궤적, ADAS 비활성화 시점 등을 정밀히 추출할 수 있다. 논문은 두 가지 핵심 기술을 제안한다. 첫째, 최신 세그멘테이션 모델과 단일 이미지 깊이 추정기를 결합해 동적 객체의 실시간 TTC를 계산하고, 이를 근접위험 사건에 적용해 위험도 정량화를 수행한다. 둘째, 극단값 이론의 Generalized Extreme Value(GEV) 분포를 이용해 도로 유형별(고속도로, 도시도로 등) 위험 수준을 통계적으로 모델링한다. 또한 VideoLLaMA2와 InternVL2.5 HiCo R16을 사용해 VLLM 성능을 평가했으며, SAVeD의 정밀 라벨이 도메인 적응 시 mAP와 정확도를 현저히 향상시킴을 실험적으로 입증한다. 데이터셋은 다중 기후·조명·지리적 조건을 포괄하고, 공개 접근성을 제공함으로써 ADAS 인지·제어 알고리즘, 위험 예측 모델, 시뮬레이션 기반 검증 등에 광범위하게 활용될 수 있다. 특히 근접위험 사례가 풍부해, 시스템이 성공적으로 위험을 회피한 상황을 분석함으로써 ADAS의 안전 한계와 개선점을 도출하는 데 큰 가치를 제공한다.