💻 computer science

Real-Time Urban Vehicle Tracking via Wireless Sensor Networks Using Kalman Filter and Random Forest Prediction

본 논문은 동적인 교통 조건에서도 낮은 지연 시간으로 높은 정확도와 신원 안정성을 갖춘 추적을 달성하기 위해, YOLOv8 탐지, 적응형 칼만 필터(Kalman Filter), 그리고 랜덤 포레스트(Random Forest) 예측기를 무선 센서 네트워크 내에서 통합하는 실시간 도시 차량 추적 프레임워크를 제안한다.

원저자: T Vairam, S. Venkatesan

게시일 2026-08-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: T Vairam, S. Venkatesan

원본 논문은 CC BY 4.0 (https://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

당신이 복잡하고 속도가 빠른 도시 광장에서 벌어지는 혼란스러운 술래잡기 게임의 점수를 기록하려 한다고 상상해 보십시오. 플레이어는 자동차이고, 경기장은 번화한 교차로이며, 위에서 지켜보는 '술래'는 카메라입니다. 컴퓨터 과학의 세계에서는 이를 **다중 객체 추적(Multi-Object Tracking)**이라고 부릅니다. 목표는 간단합니다. 비디오 피드를 관찰하여 모든 자동차를 찾아내고, 자동차들이 서로 빠르게 스쳐 지나가거나, 트럭 뒤로 숨거나, 갑자기 방향을 틀더라도 각 자동차를 놓치지 않고 개별적으로 추적하는 것입니다.

이를 위해 컴퓨터는 보통 두 가지 주요 도구에 의존합니다. 첫째, 심판이 군중 속에서 선수를 포착하는 것처럼 자동차를 보는(see) 능력이 필요합니다. 둘째, 카메라가 아주 짧은 순간 동안 볼 수 없더라도 그 자동차들이 다음에 어디로 갈지 **예측(predict)**해야 합니다. 이 예측 부분은 까다로운데, 자동차가 항상 직선으로만 움직이지는 않기 때문입니다. 자동차는 브레이크를 밟기도 하고, 회전하기도 하며, 예측 불가능하게 속도를 높이기도 합니다. 만약 컴퓨터가 잘못 예측하면, 서로 다른 두 대의 차를 같은 차라고 생각하거나, 버스에 가려졌을 때 자동차 한 대를 완전히 놓칠 수도 있습니다. 이를 정확하게 수행하는 것은 스마트 시티, 교통 관리, 도로 안전 유지에 매우 중요하지만, 비디오 피드가 흔들리거나 조명이 나쁘거나 네트워크 연결이 불안정한 상황에서는 매우 어려운 과제입니다.

이 논문은 이러한 술래잡기 게임을 수행하는 새로운 방법을 소개하며, 이는 인터넷 연결이 아주 빠르지 않을 수 있는 무선 센서 네트워크(Wireless Sensor Networks)의 무선 카메라 네트워크에 특화되어 설계되었습니다. 저자인 T. Vairam과 S. Venkatesan은 마치 초능력을 가진 심판 팀처럼 작동하는 '하이브리드' 시스템을 제안합니다. 단 하나의 방법론에만 의존하는 대신, 그들은 수학적으로 정교한 예측 도구인 **칼만 필터(Kalman Filter)**와 머신러닝의 뇌인 **랜덤 포레스트(Random Forest)**를 결합합니다.

칼만 필터를 물리 법칙을 완벽하게 숙지하고 있는 베테랑 코치라고 생각해 보십시오. 이 코치는 자동차가 부드럽게 움직인다고 가정하며, 현재 속도를 바탕으로 다음 위치를 예측합니다. 하지만 이 코치는 자동차가 갑자기 브레이크를 밟거나 급회전을 할 때 혼란에 빠집니다. 이 문제를 해결하기 위해, 팀은 랜덤 포레스트 모델로 훈련된 '스카우트(scout)'를 추가합니다. 이 스카우트는 수천 시간의 과거 교통 영상을 학습했으며, 서두르거나 교통 체증에 갇혔을 때 운전자들이 실제로 어떻게 행동하는지와 같은 현실 세계의 복잡한 습관들을 익혔습니다. 스카우트는 단순히 추측하는 것이 아니라, 과거로부터 배운 내용을 바탕으로 코치의 예측을 수정합니다.

논문은 이 두 가지 접근 방식을 혼합함으로써 시스템이 도시 교통의 혼란을 훨씬 더 잘 처리할 수 있다고 제안합니다. '코치'(칼만 필터)는 부드럽고 꾸준한 주행을 담당하고, '스카우트'(랜덤 포레스트)는 상황이 이상하거나 갑작스러워질 때 예측을 바로잡기 위해 개입합니다. 이를 더욱 똑똑하게 만들기 위해, 시스템은 특별한 기술을 가지고 있습니다. 바로 자신의 '신뢰도 측정기'(Q-행렬이라고 불림)를 끊임없이 조정하는 것입니다. 자동차가 불규칙하게 움직이면 시스템은 스카우트를 더 신뢰하도록 설정하고, 자동차가 안정적으로 주행하면 코치를 더 신속히 신뢰합니다. 이를 통해 시스템은 비디오 피드에 노이즈가 많거나 자동차가 몇 프레임 동안 보이지 않는 상황에서도 정확도를 유지할 수 있습니다.

연구진은 실제 교통 영상과 시뮬레이션된 도시 환경을 사용하여 이 아이디어를 테스트했습니다. 그 결과, 그들의 하이브리드 팀은 인상적인 성과를 거두었습니다. 테스트에서 시스템은 차량을 정확하게 탐지하고, 오경보를 방지하며, 정체성을 혼동하지 않고 유지하는 능력을 측정하는 전체 추적 점수(MOTA) 0.91을 달 기록했습니다. 또한 긴 시퀀스 동안 차량의 ID가 바뀌는 현상(ID switches)을 단 11회로 제한하며 각 차량의 정체성을 일관되게 유지했습니다. 이는 '코치'만 사용하거나 '스카우트'만 사용할 때보다 더 나은 결과입니다.

아마도 실제 사용 측면에서 가장 중요한 점은, 이 시스템이 빠르고 가볍다는 것입니다. 이 시스템은 에지 디바이스(edge devices)에 들어있는 평범한 컴퓨터 칩에서도 실행될 수 있으며, 프레임당 약 71밀리초의 지연 시간과 함께 초당 약 13.9프레임의 속도로 영상을 처리합니다. 이는 인터넷 연결이 다소 불안정하거나 데이터 패킷이 일부 손실되는 상황에서도 실제 도시의 무선 카메라 네트워크에서 실제로 작동할 수 있음을 의미합니다. 저자들은 이 접근 방식이 거대하고 비싼 슈퍼컴퓨터 없이도 도시 교통을 감시할 수 있는 실용적이고 효율적인 방법을 제공하며, 미래의 스마트 시티 인프라를 위한 강력한 후보가 될 수 있다고 제안합니다.

기술 요약: 칼만 필터와 랜덤 포레스트 예측을 이용한 무선 센서 네트워크 기반 실시간 도시 차량 추적

문제 정의

도시 교통 감시는 특히 무선 센서 네트워크(WSN)의 제약 조건 내에서 실시간 다중 차량 추적을 수행할 때 상당한 어려움에 직면해 있습니다. 주요 난제로는 비선형 차량 운동, 급격한 궤적 변화, 빈번한 폐쇄(occlusion), 그리고 CCTV 피드에 내재된 측정 노이즈 등이 있습니다. 전통적인 추적 방식은 이러한 동적인 조건에서 종종 한계를 보입니다:

기존 칼만 필터 (KF): 계산 효율성은 높지만, 고정된 프로세스 노이즈 공분산(Q-행렬)과 선형 운동 모델에 의존하기 때문에 급격한 기동이나 노이즈가 많은 환경에서는 성능이 저하됩니다.
딥러닝 추적기: DeepSORT와 같은 모델은 외형 특징을 통해 높은 정확도를 제공하지만, 계산 비용이 많이 들어 에지 디바이스나 자원이 제한된 WSN에 실시간으로 배포하기에는 지연 시간(latency) 문제를 야기합니다.
하이브리드 모델의 한계: 기존의 하이브리드 접근 방식은 동적 적응성이 부족한 경우가 많으며, 실시간 시스템 지연 및 패킷 손실을 고려하여 클래식 필터와 머신러닝 모델을 신뢰도 기반으로 결합하는 데 실패합니다.

본 논문은 예측 불가능한 도시 교통 상황에서 무거운 딥 리커런트 네트워크의 과도한 계산 오버헤드 없이, 정체성 안정성과 추적 정확도를 유지할 수 있는 경량화된 실시간 시스템에 대한 공백을 식별합니다.

방법론

제안된 프레임워크는 YOLOv8을 통한 탐지, **적응형 칼만 필터(Adaptive Kalman Filter)**를 통한 상태 추정, 그리고 **랜덤 포레스트(Random Forest, RF)**를 이용한 운동 예측 보정을 통합합니다.

1. 객체 탐지

시스템은 실시간 차량 탐지를 위해 **YOLOv8 (nano 버전)**을 활용합니다. 이 모델은 밀집된 교통 장면에서의 추론 속도와 정확도 사이의 균형을 고려하여 선택되었습니다. 모델은 비디오 프레임을 처리하여 바운딩 박스, 클래스 레이블, 신뢰도 점수를 출력합니다. 노이즈 전파를 최소화하기 위해 특정 신뢰도 임계값을 초과하는 탐지 결과만이 추적 모듈로 전달됩니다.

2. 동적 Q-행렬을 적용한 적응형 칼만 필터 (KF)

핵심 추적 엔진은 상태 벡터 $X = [x, y, v_x, v_y]$ 를 사용하는 칼만 필터를 채택합니다. 정적인 노이즈 모델링의 한계를 해결하기 위해 다음을 수행합니다:

적응형 Q-행렬: 프로세스 노이즈 공분산 행렬( $Q$ )은 관측된 차량 속도의 분산을 기반으로 매 프레임마다 동적으로 업데이트됩니다. 이를 통해 필터는 급격한 가속이나 차선 변경 시 민감도를 높이는 동시에, 안정적인 주행 상태에서는 안정성을 유지할 수 있습니다.
측정 노이즈 (R-행렬): 측정 노이즈 공분산은 YOLOv8 탐지의 신뢰도 점수에 따라 조정되어, 높은 신뢰도의 탐지에 더 높은 가중치를 부여합니다.
데이터 연관 (Data Association): **IoU (Intersection over Union)**와 **마할라노비스 거리 (Mahalanobis distance)**를 결합한 2단계 게이팅 메커니즘을 사용하여 탐지 결과와 기존 트랙을 연관시킴으로써, 혼잡한 장면에서의 잘못된 연관을 줄입니다.

3. 랜덤 포레스트 운동 예측

KF의 선형적 가정을 보정하기 위해 과거 궤적 데이터로 학습된 랜덤 포레스트 회귀 모델을 사용합니다.

입력값: 과거 공간 좌표, 프레임 단위 속도 변화, 프레임 간 변위 등의 특징을 포함합니다.
기능: RF 모델은 KF가 예측할 수 없는 비선형 운동 패턴(예: 급회전, 정지 및 출발 동작)을 학습합니다. 모델은 예측된 운동에 대한 보정 벡터를 출력합니다.
융합: 최종 상태 추정치는 KF 예측과 RF 보정의 가중치 혼합(weighted blend)으로 결정됩니다. 가중치 계수( $\alpha_t$ $α_{t}$ )는 다음 요소들을 기반으로 동적으로 계산되는 컨텍스트 인식형입니다:
1. 차량 속도의 시간적 분산.
2. 최근 탐지 신뢰도의 일관성.
3. KF 업데이트 과정에서의 잔차(residual, 오차) 크기.

4. 시스템 통합 및 WSN 최적화

시스템은 에지 배포(예: NVIDIA Jetson Nano) 및 WSN 환경을 위해 설계되었습니다. 다음 기능을 포함합니다:

폐쇄(Occlusion) 처리: 일시적인 폐쇄 상황(최대 5프레임까지) 동안 트랙을 즉시 종료하지 않고 "미검출 카운터(missed counter)"를 통해 유지함으로써 ID 스위칭을 줄입니다.
지연 시간 관리: KF 상태 외삽(extrapolation)을 사용하여 데이터 전송 사이의 간극을 메움으로써 패킷 손실과 네트워크 지터(jitter)를 견딜 수 있도록 설계되었습니다.

주요 기여

하이브리드 융합 아키텍처: 본 논문은 랜덤 포레스트 모델이 단순히 병렬 파이프라인으로 작동하는 것이 아니라, 칼만 필터의 특정 예측 드리프트(drift)를 보정하도록 학습하는 새로운 잔차 피드백 융합 메커니즘을 제안합니다.
적응형 노이즈 모델링: 실시간 속도 분산 및 잔차 오차를 기반으로 하는 동적 Q-행렬 튜닝 전략을 도입하여, 비선형 도시 교통 역학에 대한 대응력을 크게 향상시켰습니다.
WSN 준비 완료 설계: 시스템은 저지연, 자원 제한 환경에 명시적으로 최적화되었으며, KF 기반의 궤적 외삽을 통해 4G 메시 토폴로지에서의 25% 패킷 손실 상황에서도 견고함을 입증했습니다.
설명 가능한 효율성: 딥 리커런트 네트워크(LSTM/GRU) 대신 랜덤 포레스트를 활용함으로써, 에지 디바이스에 적합한 낮은 계산 복잡도와 더 나은 해석 가능성을 갖추면서도 높은 정확도를 달ek성했습니다.

실험 결과

시스템은 MOT20, KITKI, Urban Tracker 데이터셋과 커스텀 CCTV 데이터셋을 사용하여 표준 다중 객체 추적(MOT) 지표(MOTA, MOTP, IDF1, ID Switches)로 평가되었습니다.

성능 지표: 제안된 하이브리드(혼합) 모델은 다음 성과를 달성했습니다:
- MOTA: 0.91 (KF 단독 0.82 및 DeepSORT 0.89 대비)
- IDF1: 0.88 (KF 단독 0.74 대비)
- ID Switches: 11 (KF 단독의 35보다 현저히 낮으며, DeepSORT의 13과 유사한 수준)
- MAE/RMSE: 테스트된 구성 중 가장 낮은 오차율 (MAE: 0.84 픽셀)
실시간 능력:
- FPS: 임베디드 Jetson Nano에서 13.9 FPS, 데스크톱에서 23.7 FPS를 달성하여 실시간 임계값(>10 FPS)을 충족했습니다.
- 지연 시간: 임베디드 플랫폼에서 평균 엔드 투 엔드 지연 시간은 프레임당 71 ms였습니다.
WSN 복원력: 시뮬레이션 결과, KF 기반 궤적 외삽 덕분에 4G 메시 토폴로지에서 25%의 패킷 손실이 발생하는 상황에서도 약 10.5 FPS를 유지했습니다.
절제 연구 (Ablation Study): 적응형 Q-행렬과 랜덤 포레스트 보정 모두가 필수적임을 확인했습니다. 두 구성 요소 중 하나라도 제거하면 MOTA가 감소하고 ID 스위칭이 증가하는 결과가 나타났습니다.

의의 및 주장

본 논문은 이 프레임워크가 모델 기반 필터링과 데이터 기반 학습 사이의 간극을 성공적으로 메우며, 계산 효율성과 높은 정확도를 모두 갖춘 솔루션을 제공한다고 주장합니다.

실용적 적용 가능성: 본 시스템은 대역폭이 제한적이고 에지 컴퓨팅이 필요한 지능형 교통 시스템(ITS) 및 스마트 시티 인프라를 위한 실행 가능한 솔루션으로 제시됩니다.
견고성: Q-행렬의 적응적 특성과 RF 모델의 데이터 기반 보정은 시스템이 정적 필터나 무거운 딥러닝 모델보다 도시 교통의 예측 불가능성(폐쇄, 급정거, 차선 변경 등)을 더 잘 처리할 수 있게 합니다.
확장성: 모듈형 설계는 센서 노드 간의 분산 처리를 지원하여, 중앙 서버에 과부하를 주지 않고 대규모 무선 센서 네트워크에 배포하는 것을 가능하게 합니다.

저자들은 본 시스템이 견고하지만, KF 내의 선형적 가정에 의존하며 장기적인 폐쇄에 대한 외형 기반 재식별(re-identification) 기능이 부족하다고 결 결론지었습니다. 향-후 연구 과제로 긴 시퀀스 예측 및 정체성 보존을 더욱 강화하기 위해 경량 템포럴 모듈(예: GRU)과 트랜스포머 기반 임베딩을 통합하는 것을 제안하였습니다.