💬 NLP

AITP: Traffic Accident Responsibility Allocation via Multimodal Large Language Models

이 논문은 법적 지식과 다중 모달 체인 오브 씽킹을 활용하여 교통 사고 책임 할당 및 관련 추론 작업을 수행하는 새로운 멀티모달 대규모 언어 모델 'AITP'와 이를 평가하기 위한 'DecaTARA' 벤치마크를 제안하고, 기존 연구보다 뛰어난 성능을 입증합니다.

원저자: Zijin Zhou, Songan Zhang

게시일 2026-04-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zijin Zhou, Songan Zhang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🚨 교통사고 책임 판단 AI 'AITP': 사고 현장의 똑똑한 '디지털 경찰관'

이 논문은 교통사고가 났을 때, 누가 잘못했는지 AI 가 자동으로 판단해주는 시스템을 소개합니다. 기존에는 사고 영상을 보고 사람이 수작업으로 책임 소재를 매겼는데, 이 작업은 매우 번거롭고 시간이 오래 걸립니다. 이 문제를 해결하기 위해 연구팀은 **'AITP(인공지능 교통경찰)'**라는 새로운 AI 를 개발했습니다.

이 내용을 일반인도 쉽게 이해할 수 있도록 세 가지 핵심 비유로 설명해 드리겠습니다.

1. 문제 상황: "왜 AI 는 사고를 못 봤을까?" (기존 AI 의 한계)

기존의 최신 AI 모델들은 영상을 보고 "차량이 움직인다", "사람이 보인다" 같은 단순한 묘사는 잘합니다. 하지만 사고가 났을 때 **"왜 사고가 났는지", "누가 잘못했는지"**를 판단하는 것은 마치 초등학교 1 학년생에게 복잡한 법전을 읽고 판결문을 쓰게 하는 것과 비슷합니다.

현실: 일반 AI 는 사고 영상을 보면 "아, 차가 멈췄네" 정도만 말합니다.
결함: 사고가 났는지조차 못 찾거나, "사람이 길을 건너다가 차에 치였는데, 차가 잘못했다"는 식의 법적 판단을 하지 못합니다. 오히려 "사고가 안 났다"고 잘못 말하기도 합니다 (이를 '할루시네이션'이라고 합니다).

2. 해결책 1: "사고 현장의 10 가지 미션" (DecaTARA 데이터셋)

연구팀은 AI 를 교육시키기 위해 **세계 최초이자 가장 큰 '교통사고 책임 판단용 데이터' (DecaTARA)**를 만들었습니다.

비유: 이 데이터셋은 **AI 경찰관에게 주는 '10 가지 훈련 미션'**입니다.
1. 사고 발생 여부: "사고가 났니?" (Yes/No)
2. 사고 유형: "어떤 사고야? (차 대 사람, 차 대 차 등)"
3. 시간/장소: "몇 초에, 어디에서 일어났어?"
4. 사실 관계: "정확히 무슨 일이 일어났어?"
5. 원인 분석: "왜 일어났어?"
6. 예방 조언: "다음엔 어떻게 해야 사고 안 나?"
7. 비사고 상황: "사고가 아닌 정상 주행 상황도 구별해."
8. 책임 판단: "그럼, 누가 잘못했어?" (가장 중요한 최종 미션)

이 10 가지 미션을 통해 AI 는 사고를 단순히 '보는' 것을 넘어, 사고의 맥락을 이해하고 법적으로 판단하는 능력을 키웠습니다.

3. 해결책 2: "AITP 의 두 가지 비밀 무기" (MCoT & RAG)

이 AI 가 다른 모델보다 훨씬 똑똑한 이유는 두 가지 특별한 방법을 쓰기 때문입니다.

🔍 무기 1: "생각의 사다리" (Multimodal Chain-of-Thought, MCoT)

기존 AI 는 영상을 보고 바로 "A 가 잘못했다"고 답하려고 합니다. 하지만 AITP 는 단계별로 생각합니다.

비유: 수학 문제를 풀 때, 바로 답을 적는 게 아니라 '풀이 과정'을 차근차근 적는 것과 같습니다.
1. 먼저 사고가 났는지 확인합니다.
2. 사고가 났다면, 언제 어디서 일어났는지 찾습니다.
3. 누가 무엇을 했는지 사실 관계를 정리합니다.
4. 그제야 "아, 이 사실을 바탕으로 보면 A 가 잘못했구나"라고 결론을 내립니다.
  이렇게 단계별로 생각하면 실수가 훨씬 줄어듭니다.

⚖️ 무기 2: "법전 바로 찾기" (Retrieval-Augmented Generation, RAG)

AI 가 판단할 때, 실제 교통법규를 참고하게 합니다.

비유: 판사가 판결을 내릴 때, 머릿속 기억만 믿지 않고 '법전'을 펼쳐서 관련 조항을 찾아보는 것과 같습니다.
- AI 가 "보행자가 횡단보도 없이 길을 건넜다"고 판단하면, 시스템은 자동으로 **"도로교통법 제 62 조 (보행자의 횡단보도 이용 의무)"**를 찾아서 AI 에게 보여줍니다.
- AI 는 이 법조항을 근거로 "보행자가 주된 책임을 진다"고 결론을 내리고, 그 근거를 함께 설명해 줍니다.

🏆 결과: 무엇이 달라졌나요?

실험 결과, 이 새로운 AI(AITP) 는 기존 모델들보다 사고 책임 판단 정확도가 압도적으로 높았습니다.

기존 모델: "사고가 안 났어"라고 말하며 넘어가는 경우가 많음.
AITP: "사고가 났고, 보행자가 횡단보도를 건너지 않아 주된 책임이 있다. (법조항 근거)"라고 정확하고 설득력 있게 판단함.

💡 요약

이 논문은 **"AI 가 단순히 영상을 보는 것을 넘어, 법과 논리를 바탕으로 교통사고의 책임을 판단하는 '디지털 교통경찰'이 될 수 있다"**는 것을 증명했습니다.

앞으로 이 기술이 실용화되면, 교통사고 처리 시간이 획기적으로 줄어들고, 객관적인 판단으로 인한 분쟁도 줄어들어 더 안전한 도로가 될 것으로 기대됩니다.

논문 요약: AITP (Multimodal Large Language Models 를 통한 교통사고 책임 소재 판단)

1. 문제 정의 (Problem)

현재의 한계: 기존 교통사고 연구 (TAD: 사고 탐지, TAU: 사고 이해) 는 주로 사고 발생 시각, 관련 객체 식별, 사고 과정에 대한 텍스트 설명 생성에 집중해 왔습니다. 이는 지각 (Perception) 과 기술 (Description) 수준에 머무르며, **법적 근거에 기반한 인과 추론 (Causal Reasoning) 과 책임 소재 판단 (Responsibility Allocation)**이라는 더 깊은 단계의 작업을 수행하지 못합니다.
기존 모델의 결함: 일반 멀티모달 대규모 언어 모델 (MLLM) 을 직접 교통사고 책임 판단 (TARA) 에 적용할 경우, 구조화된 인과 추론과 외부 법적 지식의 부재로 인해 **할루시네이션 (Hallucination, 사실과 다른 정보 생성)**이 발생하거나 불안정한 판단을 내리는 문제가 있습니다.
데이터 부재: 사고 탐지나 기술에 초점을 맞춘 기존 데이터셋은 존재하지만, 책임 소재 판단을 위한 체계적인 라벨링이 포함된 대규모 데이터셋은 전무했습니다. 또한, 사고는 두 이상의 참여자와 복잡한 시공간 상호작용을 수반하므로 객관적인 책임 판단 데이터 구축이 어렵습니다.

2. 방법론 (Methodology)

이 연구는 DecaTARA라는 새로운 데이터셋과 AITP라는 새로운 모델을 제안합니다.

A. DecaTARA 데이터셋 (Decathlon-style Benchmark)

규모: 67,941 개의 교통사고 비디오 및 195,821 개의 질문 - 답변 (QA) 쌍을 포함하는 최초의 대규모 멀티모달 데이터셋입니다.
10 가지 통합 작업: 사고 이해를 종합적으로 향상시키기 위해 10 가지 상호 연관된 작업을 설계했습니다.
1. 사고 탐지 (TAD): 사고 발생 여부, 사고 유형, 시간적 위치 (프레임), 공간적 위치 (바운딩 박스).
2. 사고 이해 (TAU): 사고 사실 기술, 사고 원인 분석, 사고 예방 조언.
3. 비사고 시나리오: 정상 주행 상황에서의 차량 행동 기술 및 설명 (과적합 방지 및 일반화 능력 향상).
4. 책임 판단 (TARA): 사고 당사자 간 책임 비율 (주요 책임, 공동 책임, 사고 없음) 을 판단하는 평가 작업.
주석 방식: 공인된 교통 안전 전문가와 협력하여 3 명의 어노테이터가 표준 교통 사고 책임 기준에 따라 주석을 달았으며, 법적 기준 (과실 비율 70% 이상 등) 에 맞춰 정량화되었습니다.

B. AITP 모델 (Artificial Intelligence Traffic Police)

기반 모델: 사전 학습된 Qwen3-VL 을 기반으로 합니다.
핵심 기술 1: 멀티모달 체인 오브 씽킹 (MCoT)
- 단일 응답이 아닌 **다단계 대화 (Multi-turn Dialogue)**를 통해 사고를 단계적으로 분석합니다.
- 흐름: 사고 발생 여부 확인 $\rightarrow$ 사고 유형 분류 $\rightarrow$ 시간/공간적 위치 파악 $\rightarrow$ 사고 사실 및 원인 기술 $\rightarrow$ 예방 조언 $\rightarrow$ 최종 책임 판단.
- 이 과정을 통해 모델은 증거를 점진적으로 축적하고 검증하여 할루시네이션을 줄입니다.
핵심 기술 2: 검색 증강 생성 (RAG)
- 책임 판단 시 외부 교통 법규 지식베이스를 검색하여 모델에 주입합니다.
- 모델이 사실과 법률 조항 (예: 보행자 횡단보도 이용 의무, 차량 감속 의무 등) 에 기반하여 추론하도록 하여, 판단의 신뢰성과 해석 가능성을 높입니다.
학습 전략 (4 단계 점진적 미세 조정)
1. 도메인 정렬: 비사고 데이터로 교통 기본 지식 (신호, 보행자 등) 학습.
2. 사고 탐지 (TAD): 사고 탐지 및 위치 파악 학습.
3. 사고 이해 (TAU): 원인 분석 및 예방 조언 학습.
4. 책임 판단 (TARA): LoRA 를 활용한 경량 미세 조정으로 책임 판단 능력 강화.

3. 주요 기여 (Key Contributions)

DecaTARA 데이터셋 구축: 교통사고 책임 판단을 위한 최초의 대규모 멀티태스크 데이터셋 (67,941 개 비디오, 195,821 개 QA) 을 공개했습니다.
AITP 모델 제안: MCoT(단계적 추론) 와 RAG(법적 지식 검색) 를 통합하여 할루시네이션을 줄이고 추론 신뢰성을 높인 멀티모달 LLM 을 개발했습니다.
새로운 평가 패러다임: 단순 기술 능력을 넘어, **책임 판단 정확도 (Responsibility Allocation Accuracy)**를 새로운 정량적 지표로 도입하여 모델의 추론 능력을 종합적으로 평가했습니다.

4. 실험 결과 (Results)

성능: AITP 는 책임 판단 (TARA), 사고 탐지 (TAD), 사고 이해 (TAU) 모든 작업에서 기존 일반 MLLM(Gemma-3n, Qwen3-VL, Kimi-VL 등) 과 교통 특화 모델들을 압도적으로 능가하는 State-of-the-Art (SOTA) 성능을 달성했습니다.
- 특히 책임 판단 정확도에서 기존 모델들이 사고를 감지하지 못하거나 ('No accident'로 일관되게 출력) 잘못된 판단을 내리는 반면, AITP 는 높은 정확도를 보였습니다.
- 사고 발생 시각 및 공간 위치 파악 (TAD) 에서도 월등한 성능을 보였습니다.
추론 품질: GPT-as-a-judge 평가에서 AITP 는 일관성, 정확성, 세부 사항 측면에서 가장 높은 점수를 받았습니다.
RAG 및 MCoT 효과: Ablation Study 를 통해 점진적 학습, 명시적 MCoT, RAG 모듈이 모두 최종 성능 향상에 결정적인 역할을 함을 입증했습니다. 특히 RAG 는 법적 근거를 제시하여 판단의 신뢰성을 높였습니다.

5. 의의 (Significance)

실용적 가치: 교통사고 책임 판단은 현재 수동적이고 시간 소모적인 과정입니다. AITP 는 이러한 과정을 자동화하여 처리 효율성을 극대화하고, 일상적인 사고 사례에서 인력 노동을 대체할 수 있는 가능성을 제시합니다.
법적 AI 의 진전: 단순한 객체 인식을 넘어 법적 규정을 적용한 추론이 가능한 멀티모달 AI 시스템의 새로운 패러다임을 제시했습니다.
향후 연구의 기반: DecaTARA 데이터셋과 AITP 아키텍처는 안전 관련 멀티모달 추론 및 법률 기반 AI 시스템 연구에 중요한 기반을 제공합니다.

이 논문은 교통 사고 분석을 '지각'에서 '법적 추론'으로 확장하여, AI 가 실제 사회 문제 해결에 기여할 수 있는 새로운 방향을 제시했다는 점에서 의의가 큽니다.