[논문 리뷰] AI on the Road: A Comprehensive Analysis of Traffic Accidents and Accident Detection System in Smart Cities

Victor Adewopo, Nelly Elsayed외 4명|arXiv (Cornell University)|2023. 07. 22.

Traffic Prediction and Management TechniquesEngineering인용 수 3

한 줄 요약

이 논문은 스마트 시티의 도로 안전을 향상시키고 비상 대응 시간을 단축하기 위해 교통 감시 카메라와 행동 인식 기술을 활용해 실시간으로 교통 사고를 자동으로 탐지하는 AI 기반 사고 탐지 프레임워크를 제안한다. 이 시스템은 비상 서비스와 통합되어 기계 학습을 활용해 대응 효율성을 향상시키고 사고의 심각도를 줄인다.

ABSTRACT

Accident detection and traffic analysis is a critical component of smart city and autonomous transportation systems that can reduce accident frequency, severity and improve overall traffic management. This paper presents a comprehensive analysis of traffic accidents in different regions across the United States using data from the National Highway Traffic Safety Administration (NHTSA) Crash Report Sampling System (CRSS). To address the challenges of accident detection and traffic analysis, this paper proposes a framework that uses traffic surveillance cameras and action recognition systems to detect and respond to traffic accidents spontaneously. Integrating the proposed framework with emergency services will harness the power of traffic cameras and machine learning algorithms to create an efficient solution for responding to traffic accidents and reducing human errors. Advanced intelligence technologies, such as the proposed accident detection systems in smart cities, will improve traffic management and traffic accident severity. Overall, this study provides valuable insights into traffic accidents in the US and presents a practical solution to enhance the safety and efficiency of transportation systems.

연구 동기 및 목표

• 2016~2020년도 동안 NHTSA CRSS 데이터를 활용해 미국 지역의 교통 사고 패턴을 분석한다.
• 시간대, 날씨, 조명 조건, 교차로 유형과 같은 주요 사고 발생지역과 영향 요인을 특정한다.
• 기존 사고 탐지 시스템의 한계를 보완하기 위해 AI와 감시 인프라를 활용한 확장성 있고 실시간 작동이 가능한 프레임워크를 제안한다.
• 자동 탐지 및 비상 서비스와의 통합을 통해 대응 시간을 단축하고 비상 대응 협업을 향상시킨다.
• 행동 인식 기술이 사고 탐지 속도와 정확도를 향상시키고 인간의 오류를 최소화하는 데 얼마나 기여하는지 평가한다.

제안 방법

• 프레임워크는 실시간 영상 스트림을 캡처하기 위해 교통 감시 카메라를 사용하여 사고 탐지를 수행한다.
• 행동 인식 모델을 적용해 영상 데이터에서 이질적인 운전 행동과 충돌 사건을 식별한다.
• 공간적 및 시간적 의존성을 모델링하기 위해 교통 패턴의 정확도를 향상시키기 위해 DSTGCN 아키텍처를 활용한다.
• 사고 탐지 시 자동으로 구조대 및 경찰에 경고함으로써 비상 서비스와 통합한다.
• 엔드 에지 AI 및 IoT 기술을 활용해 저지연, 실시간 분석을 가능하게 한다.
• 실제 도시 교통 조건에 부합하기 위해 NHTSA CRSS의 실제 교통 데이터를 기반으로 모델을 훈련 및 검증한다.

Figure 1: Hourly Trend of Accident (2016-2020).

실험 결과

연구 질문

• RQ1 2016년부터 2020년까지 미국 내 교통 사고의 주요 시간적 및 공간적 패턴은 무엇인가?
• RQ2 기상 조건 및 조명 조건과 같은 환경 요인이 사고 빈도와 심각도에 어떤 영향을 미치는가?
• RQ3 기존 방법과 비교해 영상 스트림에서의 행동 인식이 사고 탐지의 속도와 정확도를 얼마나 향상시키는가?
• RQ4 AI 기반 탐지 시스템을 비상 서비스와 통합함으로써 대응 시간을 단축하고 결과를 향상시키는 방식은 무엇인가?
• RQ5 스마트 시티에서 확장성 있고 실시간 작동이 가능한 사고 탐지 시스템을 구현하는 데 있어 주요 과제는 무엇인가?

주요 결과

• 2016년부터 2020년 사이에 교통 사고 발생 빈도가 유의미하게 증가했으며, 특히 아침 일찍과 저녁 늦은 시간대에 급격한 증가가 관찰되었다.
• T자형 교차로와 사방 교차로에서 사고 빈도가 높았으며, 특히 조명이 불량하거나 악천후 조건에서 더욱 두드러졌다.
• 보행자 및 자전거 기준 비모터 차량 운전자를 포함한 사고 수가 증가하고 있어 안전 우려가 커지고 있음을 시사한다.
• 음주 관련 사망 사고는 심각한 부상과 사망의 주요 원인으로 남아 있어 대상별 개선 조치가 필요함을 시사한다.
• 제안된 행동 인식 기반 프레임워크는 실시간 사고 탐지 기능을 입증했으며, 수동 보고 방식에 비해 대응 시간을 크게 단축시켰다.
• 비상 서비스와의 통합을 통해 더 빠른 파견과 개선된 협업이 가능해져 사고 발생 후 의료 대응까지의 시간이 단축되었다.

Figure 2: Number of Non-Motorist involved in Car Crash (2016-2020).