Scaling Pedestrian Crossing Analysis to 100 U.S. Cities via AI-based Segmentation of Satellite Imagery

이 논문은 위성 이미지와 Segment Anything Model을 사용하여 미국 100대 대도시의 보행자 횡단 거리를 자동으로 측정하는 확장 가능한 AI 기반 방법을 제시하며, 오래된 도시일수록 더 넓고 자동차 중심적인 도로를 갖는 경향이 있고 중앙 분리대 횡단 거리가 32피트에서 78피트 사이에 분포한다는 사실을 밝혀냈다.

핵심

당신이 도시에서 길을 건너는 것이 얼마나 쉬운지 이해하려고 노력하고 있다고 상상해 보십시오. 그 걷는 길이(한 보도에서 반대편 보도까지의 거리)는 사람들이 건널 때 안전하다고 느끼는지, 아니면 차에 치일 위험이 있는지 결정하는 매우 중요한 요소입니다. 하지만 모든 교차로의 이 거리를 측정하는 것은 마치 해변의 모래알 하나하나를 세려는 것과 같습니다. 너무 방대하고, 복잡하며, 사람이 직접 하기에는 시간이 너무 오래 걸립니다.

이 논문은 "로봇의 눈"(인공지능)을 사용하여 미국의 100개 대도시 전체의 거리 측정을 한꺼번에 수행하는 영리한 방법을 설명합니다. 그들이 어떻게 했는지 간단한 단계별로 나누어 설명하겠습니다.

1. 문제점: 측정하기에는 너무 많은 거리

수년 동안 연구자들은 교차로가 길수록 더 위험하다는 것을 알고 있었습니다. 하지만 우리는 전국적인 횡단 거리 지도를 가지고 있지 않았습니다. 이전의 시도들은 마치 손으로 벽화를 그리는 것과 같았습니다. 정확하긴 하지만, 엄청나게 느리고 노동 집약적이었습니다. 또한 그들은 주로 도로 위에 그려진 "제브라 패턴(횡단보도 표시)"만을 찾았기 때문에, 페인트칠이 전혀 되어 있지 않은 많은 횡단 구간들을 놓치곤 했습니다.

2. 해결책: 디지털 "오려 붙이기" 작업

연구진은 이 과정을 자동화하기 위해 3단계 조립 라인을 구축했습니다.

• 1단계: 사진 찍기 (스냅샷)
  그들은 컴퓨터 프로그램을 사용하여 미국 100대 대도시 전역의 약 300만 개 거리 교차로의 위성 사진을 수집했습니다. 이것은 미국의 모든 교차로를 조감도로 찍은 스냅샷이라고 생각하면 됩니다.

• 2단계: 로봇 가르치기 (미술 수업)
  컴퓨터가 도로(차가 다니는 곳)와 보도(사람이 걷는 곳)의 차이를 알아야 했습니다. 이를 가르치기 위해, 그들은 인간이 수동으로 보도와 건물 영역을 색칠해 둔 소량의 사진 묶음을 AI(Meta의 "Segment Anything Model"이라 불림)에게 보여주었습니다.

  • 비유: 아이에게 쿠키 사진과 접시 사진을 보여주며, 접시는 파란색으로, 쿠키는 갈색으로 색칠하라고 가르치는 것과 같습니다. 일단 아이가 패턴을 배우고 나면, 새로운 사진을 주었을 때 다시 알려주지 않아도 즉시 접시를 파란색으로 칠할 수 있습니다.
  • 그들은 AI가 "주행 불가능한 구역"(보도, 공원, 건물)을 식별하고 주행 가능한 도로는 무시하도록 가르쳤습니다.

• 3단계: "그로우-컷(Grow-Cut)"의 마법 (가위)
  이 부분이 가장 창의적인 부분입니다. 연구진은 횡단이 일어날 수도 있는 위치를 대략적으로 나타내는 디지털 지도(OpenStreetMap)를 사용했습니다.

  • 비유: 테이블 위에 실 하나가 놓여 있는데, 실이 너무 길어서 양 끝이 테두리 밖으로 넘쳐나 있는 상황을 상상해 보십시오. 당신에게는 특정 색상 구역(보도)에 닿았을 때만 실을 자르는 마법 가위가 있습니다.
  • 컴퓨터는 지도에 있는 대략적인 횡단선을 가져와서 이를 약간 "성장(grow)"시켰습니다. 그런 다음, AI의 "색상 구역"(보도)을 가이드로 삼아 선이 정확히 보도가 시작되는 지점에서 "잘리도록(cut)" 했습니다. 이를 통해 도로 한쪽 끝에서 반대쪽 끝까지의 정확한 거리를 얻을 수 있었습니다.

3. 결과: 걷기 거리의 전국 지도

이 과정을 실행함으로써, 그들은 도시당 약 1시간 만에 거의 80만 개의 횡단 구간을 성공적으로 측정했습니다.

• 얼마나 정확한가?
  그들은 샌프란시스코에서 인간이 수동으로 검증한 데이터와 대조하여 테스트했습니다. AI의 정확도는 **93%**였습니다. 평균적으로 AI의 오차는 약 2피트 3인치(1미터 미만)였습니다. 이는 자동차의 길이를 추측할 때 단 한 걸음 정도의 오차만 발생하는 것과 같습니다.

• 무엇을 발견했는가?

  • 오래된 도시 vs 새로운 도시: 미국의 오래된 도시들(1800년 이전에 설립된 도시)은 일반적으로 횡단 거리가 짧았습니다. 새로 만들어진 도시들(나중에 설립된 도시)은 훨씬 긴 횡단 거리를 가지고 있었습니다. 이는 미국이 성장함에 따라 자동차를 위해 더 넓은 도로를 설계하기 시작했으며, 이로 인해 보행자가 더 어려워졌음을 시사합니다.
  • 지역의 차이: 북동부와 중서부 지역의 도시들은 짧은 횡단 거리(약 30피트)를 갖는 경향이 있는 반면, 남부와 서부의 도시들은 훨씬 긴 횡단 거리(최대 78피트)를 가지고 있습니다.
  • 패턴: 거의 모든 도시에서 대부분의 횡단 구간은 짧지만(동네 도로), 매우 긴 횡단 구간이 나타나는 "회랑(corridors)"(대형 고속도로)이 두드러지게 존재합니다.

4. 이것이 왜 중요한가

이 연구는 도시 계획가들에게 "초능력"을 부여합니다. 길을 측정하기 위해 추측하거나 수년에 걸쳐 시간을 보낼 필요 없이, 이제 그들은 횡단 거리가 너무 긴 곳을 보여주는 지도를 가질 수 있습니다. 이는 안전 섬(safety islands)을 건설하거나 보도를 좁혀 노인, 유모차를 끄는 부모, 또는 이동성이 제한된 사람들을 위해 걷기를 더 안전하게 만드는 결정을 내리는 데 도움을 줍니다.

5. 한계점 (주의할 점)

저자들은 자신들의 방법이 완벽하지 않은 부분에 대해 솔직하게 밝히고 있습니다.

• 나무 문제: 도로가 울창한 나뭇잎으로 덮여 있으면 위성 카메라가 보도를 볼 수 없으므로 AI가 혼란을 겪을 수 있습니다.
• 지도 공백: 이 시스템은 횡단이 어디에서 일어나는지 알기 위해 OpenStreetMap에 의존합니다. 만약 횡단 구간이 지도에 없다면 AI는 이를 측정하지 못합니다.
• 누락된 도시: 알래스카의 앵커리지(Anchorage)에 대한 위성 지도가 필요한 형식으로 제공되지 않아, 텍사스의 한 도시와 교체해야 했습니다.

요약하자면, 이 논문은 위성 사진, 스마트한 AI, 그리고 디지털 지도를 결합하여 우리가 얼마나 "걷기 좋은지"를 즉각적으로 측정하는 방법을 보여주며, 미국의 새로운 도시들은 사람보다는 자동차를 위해 더 넓게 지어졌고, 오래된 도시들은 사람에게 더 밀접하다는 사실을 밝혀냈습니다.

기술 요약

기술 요약: AI 기반 위성 이미지 세그멘테이션을 통한 미국 100개 도시의 보행자 횡단 거리 분석 스케일업

문제 제기
도로 치수, 특히 보행자 횡단 거리에 대한 정확하고 세밀한 데이터는 도시 설계가 이동 행태와 안전에 미치는 영향을 평가하는 데 필수적이다. 그러나 기존 데이터셋은 누락되었거나, 오래되었거나, 불완전하거나, 기계 판독이 불가능한 경우가 많다. 이전의 컴퓨터 비전 연구들은 제한된 도시 내에서 표시된 횡단보도(예: "제브라" 패턴)를 식별하는 데 성공했지만, 미국 도시 교차로의 상당 부분(예: 샌프란시스코의 42%)을 차지하는 미표시 횡단보도는 포착하지 못한다. 또한, 표시된 횡단보도와 미표시 횡단보도를 모두 측정하기 위한 기존의 수동 또는 반자동 방식은 노동 집약적이며 전국적인 수준으로 확장하기에는 한계가 있었다. 본 연구는 무료로 사용 가능한 데이터만을 사용하여 미국 100대 대도시의 횡단 거리를 측정할 수 있는 확장 가능하고 정확하며 재현 가능한 방법을 제시한다.

연구 방법론
본 연구는 OpenStreetMap(OSM) 데이터와 Meta의 Segment Anything Model(SAM)을 결합하여 약 3백만 개의 위성 이미지 타일(8.3 테라바이트)을 처리하는 3단계 자동화 파이프라인을 채택한다.

1. 교차로 이미지 세그멘테이션:

   • 데이터 수집: OSMnx를 사용하여 100대 대도시의 모든 도로 교차로 및 중간 블록 횡단보도 좌표를 생성했다. 구글 맵 API를 통해 위성 이미지 타일(반경 25미터, 1629x1629 픽셀)을 수집했다.
   • 모델 학습: 제로샷 모델인 Meta의 SAM을 미세 조정(fine-tuning)하여 주행 가능 표면(도로)과 주행 불가능 표면(보도, 건물, 공원, 중앙 분리도)을 구분하도록 했다.
   • 학습 전략: 학습을 최적화하기 위해, 시각적 복잡성이 높은 14개 도시의 193개 고엔트로피 교차로 이미지를 선정하여 수동으로 주석(annotation)을 달았다. 데이터 증강 기법(뒤집기, 회전, 블러링, 노이즈 추가)을 통해 학습 데이터셋을 5,790개 이미지로 확장했다.
   • 후처리: 정확도를 높이기 위해 두 가지 교정 단계를 적용했다.
     • 가양성(False Positive) 감소: 버퍼링된 OSM 도로 중심선(태그 없는 도로는 1.2m, 주요 도로는 2m)과 겹치는 폴리곤을 제거했다.
     • 가음성(False Negative) 수정: OSM에서 추출한 건물 풋프린트를 병합하여 누락된 비주행 가능 폴리곤을 보충했다.
   • 출력: 모델은 비주행 가능 표면의 픽셀 단위 마스크를 생성했으며, 이를 실제 좌표에 매핑된 폴리곤 기하 구조로 변환했다.

2. 횡단 엣지 추출:

   • 횡단 엣지는 OSM에서 추출되었다.
   • (OSM에서 흔히 나타나는) 단일 노드 횡단보도는 가장 가까운 "도로(highway)" 엣지에 노드를 매칭함으로써 엣지로 변환되었다.
   • 중복된 엣지는 공간적 근접성(5m 이내) 및 방향 일치성(5도 이내)을 기준으로 병합되었다.

3. Grow-Cut 알고리즘:

   • 추출된 횡단 엣지를 세그멘테이션된 위성 이미지 위에 겹쳤다.
   • Grow-cut 알고리즘을 통해 각 엣지의 양 끝점에서 방향을 유지하며 5%씩 확장했다.
   • 알고로즘은 확장된 엣지가 비주행 가능 표면 폴리곤과 교차하는 지점에서 횡단을 "절단(cut)"하여 최종 횡단 거리를 산출했다.
   • 필터링: 중복(2m 버퍼 이내) 및 이상치(6피트 미만 또는 160피트 초과 횡단)를 제거하기 위해 최종 출력물을 필터링했다.

주요 기여

• 확장성: 본 방법론은 100대 대도시 전역의 808,377개 보행자 횡단을 성공적으로 처리했으며, 도시당 처리 시간은 약 1시간이었다.
• 횡단 유형의 포괄성: 시각적 표시물에 의존하는 기존 연구와 달리, 본 접근 방식은 도로 엣지와 비주행 가능 표면 사이의 기하학적 관계를 활용하여 표시된 횡단과 미표시 횡단을 모두 포착한다.
• 재현성: 전체 워크플로우는 무료로 사용 가능한 데이터(OSM, Google Maps)와 오픈 소스 모델(SAM)을 활용하며, 코드는 GitHub에 공개되어 있다.
• 국가적 데이터셋: 본 연구는 최초의 전국 단위 횡단 거리 데이터셋을 생성하여, 이전에는 불가능했던 도시 간 및 지역 간 비교를 가능하게 한다.

결과

• 정확도: 샌프란시스코의 수동 검증 데이터셋을 대상으로 검증한 결과, 자동화된 방식은 93%의 정확도와 **중앙값 절대 오차 2피트 3인치(0.69미터)**를 달 기록했다. 자동화 프로세스는 OSM의 횡단 엣지 가용성에 따라 제한적이었으나, 수동 데이터셋에 존재하는 횡단의 72%를 커버했다.
• 공간적 패턴:
  • 지역적 편차: 횡단 거리 중앙값은 32피트(9.8m)에서 78피트(23.8m) 사이에 분포한다. 짧은 횡단 거리는 북동부 및 중서부에 밀집해 있으며(예: 오하이오주 톨레도, 약 32피트), 긴 횡단 거리는 남서부 및 서부에 널리 나타난다(예: 노스 라스베이거스, 약 78피트).
  • 도시 형태: 북동부와 중서부 도시는 격자형 도로망으로 인해 30피트 근처에서 정점 분포를 보인다. 남부와 서부 도시는 더 넓은 확산형 레이아웃과 넓은 간선 도로를 반영하여 40피트 근처에서 정점을 보인다.
• 역사적 상관관계: 도시의 설립 연도와 중앙 횡단 거리 사이에 양의 상관관계가 확인되었다. 1800년 이전에 설립된 도시들은 일반적으로 짧은 횡단 거리(~40피트)를 가지는 반면, 이후에 설립된 도시들은 더 길고 자동차 중심적인 도로 설계로 향하는 점진적인 추세를 보인다.

의의 및 주장
본 논문은 이 방법론이 미국 도시 전역의 보행자 네트워크에 대한 새로운 통찰력을 열어준다고 주장하며, 횡단 거리가 미국 도시 전반에 걸쳐 보편적인 "좌편향 정규 분포(left-shifted normal distribution)"를 따르지만 지역과 도시 역사에 의해 크게 조절된다는 점을 입증한다. 저자들은 이 데이터셋이 계획가와 안전 옹호자들이 다음을 수행할 수 있도록 돕는다고 단언한다:

1. 표적 교통 정온화(traffic-calming) 투자가 필요한 특정 근린 및 구간을 식별한다.
2. 횡단 데이터를 속도 제한, 사고 데이터, 인구 통계 등 다른 지역적 속성과 결합하여 도로 재설계를 위한 정보를 제공한다.
3. 소규모 연구에서 관찰된 횡단 거리와 보행자 안전 사이의 연관성이 국가적 규모에서도 유효한지 테스트한다.

본 연구는 더 최근에 형성된 미국의 도시들이 더 넓고 자동차 중심적인 도로를 갖추는 경향이 있다는 점이 더 긴 중앙 횡단 거리를 통해 정량적으로 입증된다고 결론짓는다. 저자들은 수목 캐노피가 울창한 지역(보도를 가림)에서의 정확도 감소와 OSM 데이터의 완전성에 대한 의존성을 한계점으로 언급했으나, 이 방법론이 국제적 맥락 및 자전거 인프라와 같은 다른 도시 요소로 적응될 수 있는 잠재력을 강조했다.