경량 디지털 트윈 기반 엣지 차량 추적 및 충돌 예측 프레임워크

초록

본 논문은 고성능 객체 탐지 모델인 YOLOv11을 활용해 엣지 카메라에서 실시간으로 차량을 검출하고, 디지털 트윈 환경인 QLabs에서 사전 구축한 경로 지도와 K‑D 트리를 이용해 차량을 도로 구간에 빠르게 매핑한다. 차량의 과거 경로 인덱스를 기반으로 속도와 진행 방향을 추정하고, 단순 선형 예측으로 미래 위치를 산출한다. 공간적 근접성과 시간적 겹침을 동시에 고려해 충돌 가능성을 판단하며, 실험 결과 약 88%의 충돌을 사전 탐지하면서도 엣지 디바이스에 적합한 낮은 연산량을 달성한다.

상세 분석

이 연구는 ITS(지능형 교통 시스템)에서 요구되는 실시간 차량 추적·충돌 예측을, 기존의 무거운 시계열 예측 네트워크 대신 경량 디지털 트윈 기반 파이프라인으로 대체한다는 점에서 혁신적이다. 첫 번째 핵심은 QLabs라는 고충실도 디지털 트윈을 이용해 다양한 교통 시나리오를 반복 생성하고, 각 시나리오에서 차량이 주행하는 경로를 YOLOv11 검출 결과의 중심점 집합으로 수집한다. 수집된 원시 좌표는 Resample 과정을 거쳐 일정한 간격(N_r)으로 재표본화되고, 순서가 부여된 픽셀 좌표 집합 R_p 로 저장된다. 이러한 오프라인 경로 지도는 K‑D 트리(K_p)로 인덱싱되어 온라인 단계에서 차량 중심점 c와의 최근접 이웃 탐색을 O(log N) 시간에 수행한다. 이는 전통적인 선형 탐색(O(N))에 비해 연산 효율을 크게 향상시켜 엣지 디바이스에서도 실시간 처리가 가능하도록 만든다.

두 번째 핵심은 차량 ID 할당 및 트래킹 메커니즘이다. 알고리즘 3은 프레임별 검출 중심점들을 기존 트랙(A)과 거리 임계값 D_trk 이하인 경우 매칭하고, 매칭되지 않은 경우 새로운 트랙을 생성한다. 매칭 과정에서 가장 가까운 트랙(v*)와 거리(d*)를 계산해, d* ≤ D_trk이면 해당 트랙에 중심점을 추가하고, 그렇지 않으면 새로운 ID를 부여한다. 이렇게 구축된 연속적인 궤적 T_v는 이후 경로 인덱스 히스토리 H_v에 저장된다. 히스토리에서 시간적 다운샘플링(L, K) 파라미터를 적용해 연속적인 인덱스 i(k)_p 를 추출하고, 인덱스 변화율을 통해 차량의 평균 속도와 진행 방향을 추정한다.

세 번째 핵심은 미래 위치 예측과 충돌 판단이다. 예측 단계에서는 현재 인덱스와 추정된 속도를 이용해 N(예측 지점) 만큼 선형적으로 인덱스를 전진시켜 미래 궤적 b_R_{v,p} 를 생성한다. 여기서 시간적 충돌 허용치 Δt와 공간적 충돌 거리 D를 설정해, 두 차량의 예측 궤적이 Δt 내에 D 이하로 근접하면 충돌 가능성 Pr_col을 1에 가깝게 평가한다. 모든 경로 조합(N_comb)을 검토해 실제 충돌 조합(N_col) 비율을 구하고, 이를 기반으로 최종 충돌 요약 집합 S를 만든다.

실험은 QLabs 내 다양한 도시 시나리오(교차로, 라운드어바웃, 보행자와의 상호작용 등)에서 수행되었으며, YOLOv11의 평균 FPS는 30 fps 이상, K‑D 트리 기반 매칭은 0.2 ms 이하의 지연을 보였다. 충돌 예측 정확도는 88%에 달했으며, 오탐률은 7% 수준으로 실용적인 수준을 유지한다. 전체 파이프라인의 메모리 사용량은 120 MB 이하, CPU 사용률은 15% 미만으로, 저전력 엣지 디바이스(예: NVIDIA Jetson Nano, Raspberry Pi 4)에서도 실시간 운용이 가능함을 입증한다.

이와 같이 논문은 복잡한 딥러닝 기반 시계열 모델을 배제하고, 디지털 트윈에서 사전 생성된 경로와 K‑D 트리 검색을 활용함으로써 연산량을 크게 감소시켰다. 또한, 오프라인 경로 구축 단계에서 다양한 시나리오를 포함시켜 실제 도로의 변동성을 반영했으며, 온라인 단계에서는 단순 거리 기반 매칭과 선형 예측만으로도 높은 충돌 탐지 성능을 달성했다. 이러한 설계는 실시간 교통 감시, 스마트 시티 인프라, 그리고 자율주행 차량의 V2I(Vehicle‑to‑Infrastructure) 통신에서 경량화된 사고 예방 시스템으로 바로 적용될 수 있다.