arXiv:2606.25002v1 cs.LG

TRACER: Training-Free Closed-Loop Structured Inference for Traffic Accident Reconstruction

Yanchen Guan, Chengyue Wang, Bin Rao, Haicheng Liao, Jiaxun Zhang, Shang Gao, Chengzhong Xu, Zhenning Li

제출 2026-06-23

원문 초록

Traffic accident reconstruction is a forensic inverse problem that requires recovering physically consistent motion from sparse and heterogeneous evidence. Existing learning-based approaches predominantly optimize for semantic plausibility or visual realism, rather than quantitative agreement with measurable geometry and dynamics. Here, we present TRACER, a training-free framework that formulates reconstruction as a closed-loop structured inference process. Instead of directly generating dense trajectories, our framework constructs and iteratively refines event-anchored motion hypotheses under geometric, kinematic, and interaction constraints, guided by structured case memory and consistency-driven diagnosis. This design enables incremental, interpretable corrections when evidence is insufficient, making the accident reconstruction process more aligned with the workflow of human experts. Experiments on real-world accident data show that TRACER achieves improved geometric fidelity, velocity consistency, and collision accuracy over both data-driven and physics-based baselines.

요약

교통사고 재구성을 학습 없이(training-free) 폐루프(closed-loop) 구조화 추론으로 다루는 TRACER는, 밀집 궤적을 바로 생성하지 않고 기하·운동학·상호작용 제약 아래 이벤트 기준 운동 가설을 구조화된 사례 메모리와 일관성 진단으로 반복 정교화해 증거가 부족할 때도 해석 가능한 수정을 가능하게 한다. 실세계 사고 데이터 실험에서 데이터 기반·물리 기반 베이스라인 대비 기하 충실도, 속도 일관성, 충돌 정확도가 개선되었다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.25002v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.39841v2cs.CV공통 태그 Autonomous Driving, Object Tracking

DyRAD: 동적 주행 장면을 위한 레이더 신규 시점 합성

DyRAD: Radar Novel View Synthesis for Dynamic Driving Scenes

기록된 센서 데이터로부터 동적 주행 장면을 재구성하는 기술은 기존 주행 궤적을 벗어난 관측값을 합성함으로써 자율주행 시스템의 폐루프(closed-loop) 평가를 지원합니다. 카메라 및 라이다(LiDAR)와 달리, 레이더는 도플러(Doppler) 효과를 통해 시선 방향 속도(radial velocity)를 직접 측정합니다. 그러나 기존 레이더 신규 시점 합성(novel-view synthesis) 방식들은 이러한 역량을 제대로 활용하지 못하고 있습니다. 동적 장면을 다루는 방법들은 거리-방위각(range-azimuth) 텐서만을 재구성하는 반면, 도플러를 렌더링하는 방법들은 정적 장면만을 가정합니다. 더욱이 레이더 신호 처리 특성상 각 반사 신호가 여러 빈(bin)에 걸쳐 퍼지기 때문에, 기존 표현 방식들은 이러한 번짐 효과를 장면 기하 구조에 흡수하여 시점이 이동할 때 왜곡된 렌더링을 유발합니다. 본 논문에서는 정적 배경 반사체와 움직임이 추적되는 동적 점 반사체를 활용해 동적 주행 장면을 모델링하고 완전한 거리-방위각-도플러(RAD) 텐서를 렌더링하는 DyRAD를 제안합니다. 반사체의 속도는 객체 추적 궤적으로부터 유도되어 시선 방향으로 투영되므로, 도플러는 렌더링된 출력이자 해당 추적을 위한 감독(supervision) 신호로 동시에 기능합니다. 결정적으로, 레이더의 신호 처리 체인에서 유도된 고정된 해석적 점 확산 함수(PSF)를 통해 반사체를 렌더링함으로써 센서로 인한 번짐이 장면 표현에 영구적으로 반영되는 것을 방지합니다. 이러한 분리는 장면 재구성 성능을 향상시킬 뿐만 아니라 제로샷(zero-shot) 센서 구성 전이를 가능하게 하여, 재적합(refitting) 과정 없이도 동일하게 재구성된 장면을 서로 다른 레이더 사양 하에서 렌더링할 수 있도록 지원합니다. 저자들은 선행 연구에서 검증되지 않은 경로 상 포즈 및 위치가 이동된 시점 모두를 아우르며 RADIal, Boreas 및 합성 벤치마크에서 DyRAD를 평가(evaluation)합니다. RADIal 데이터셋에서 DyRAD는 가장 강력한 기준선(baseline)의 26.9% 대비 90.7%의 기준 감지 객체에서 레이더 검출을 복원해 냅니다.

arXiv:2610.01750v1cs.CV공통 태그 Autonomous Driving, Object Tracking

FFBL-Coop: 연관 분리형 협력형 3D 다중 객체 추적

FFBL-Coop: Association-Decoupled Cooperative 3D Multi-Object Tracking

협력형 3D 추적은 일관된 식별자(ID)를 유지하면서 여러 에이전트와 시간에 걸친 상호보완적인 관측 정보를 통합해야 합니다. 증거 통합과 식별자 상속이 동일한 매칭 결정을 공유할 경우, 시점 간 외형 차이 및 공간적 불일치로 인해 발생하는 오류가 특징 융합과 트랙 연속성을 모두 저해할 수 있습니다. 본 논문에서는 인스턴스 수용과 식별자 관리를 분리하는 선 융합 후 결합(fuse first, bind later) 프레임워크인 FFBL-Coop을 제안합니다. 신뢰도 순위 슬롯 수용(CSA)은 신뢰도와 공간적 근접성을 바탕으로 협력 쿼리를 사용 가능한 자차(ego) 슬롯에 할당합니다. 통합 표현 집약(URA)은 협력 의미 특징과 정렬된 앵커를 활용해 자차 특징 검색을 유도하며, 공유 트랜스포머 디코더 내에서 증강된 쿼리 뱅크를 정제합니다. 정제 후 협력 우선 식별자 앵커링(CPIA)은 학습된 연관성과 지속적인 매핑을 결합하여 프레임 전반에 걸쳐 수용된 식별자 할당을 확립합니다. 공유 코드북은 전송 페이로드를 줄이면서도 압축되지 않은 버전과 유사한 수준의 AP 및 AMOTA를 유지합니다. FFBL-Coop은 V2X-Seq에서 0.611/0.548, Griffin-25M에서 0.688/0.653의 AMOTA/AP를 달성합니다. 코드는 공개될 예정입니다.

arXiv:2609.27509v1cs.CV공통 태그 Autonomous Driving, Object Tracking

Know-Your-Scene (KYS)-SLAM: 스테레오 시각적 SLAM의 특징 매칭을 위한 계층적 의미-움직임 사전 확률

Know-Your-Scene (KYS)-SLAM: Hierarchical Semantic-Motion Priors for Feature Matching in Stereo Visual SLAM

지역 기술자(local descriptor) 기반의 스테레오 시각적 SLAM(stereo visual SLAM) 시스템은 의미적 모호성, 인스턴스 수준의 혼동, 독립적으로 움직이는 객체로 인해 데이터 연관이 손상되고 궤적 드리프트(trajectory drift)가 누적되는 문제를 겪습니다. 기존의 의미론적 및 동적 SLAM 방식은 이진 특징 기각(binary feature rejection)을 통해 이를 해결하려 하므로, 이상치 억제를 위해 대응점 밀도를 희생시킵니다. 본 논문에서는 문맥적 개연성 부족을 배제 기준보다는 점진적인 양으로 표현하는 것이 더 낫다고 주장합니다. 이에 따라 특징 기각을 연속적인 대응점 조절로 대체하는 ORB-SLAM3의 모듈형 확장인 Know-Your-Scene (KYS)-SLAM을 제안합니다. 본 연구의 기여는 기하학적 백엔드를 수정하지 않은 채 특징 매칭 내에 적용되는 대응점 비용으로서 문맥적 증거를 재구성한 점입니다. 각 키포인트는 계층적 호환성 수식을 통해 융합된 의미론적, 팬옵틱(panoptic), 움직임 사전 확률로 보강되며, 여기서 의미론적 클래스와 인스턴스 식별자는 구조적 개연성을 강제하고 제로샷(zero-shot) 움직임 점수는 독립적으로 움직이는 객체의 특징 가중치를 낮춥니다. 해당 점수는 배경 옵티컬 플로우(optical flow)에 깊이 인식 자기-움직임(ego-motion) 모델을 피팅하고 자체 보정 및 커버리지 인식 임계값을 통해 팬옵틱 세그먼트를 분류하는 학습(training) 불필요 모듈에서 도출되므로, 충분한 움직임 증거가 있는 세그먼트에만 페널티가 부여되고 정적 구조에는 페널티가 부여되지 않습니다. 대응점을 폐기하기보다 페널티를 부여함으로써 번들 조정(bundle adjustment)이 의존하는 기하학적 지지를 보존합니다. 시퀀스나 데이터셋별로 계수를 재조정하지 않은 단일 고정 구성 하에서, KYS-SLAM은 성능 저하 없이 21개 스테레오 시퀀스 전반에 걸쳐 시퀀스당 ATE RMSE를 실외 KITTI에서 17.4%, 실내 EuRoC에서 27.7% 감소시켰으며, KITTI Tracking의 동적 하위 집합에서 6.6%, Virtual KITTI 2에서 17.8%(최대 31.2%) 감소시켜 단일 상수 세트로 실외 주행, 실내 비행 및 합성 영상 전반에 걸친 크로스 도메인 전이를 달성했습니다.

arXiv:2607.23910v1cs.CV공통 태그 Autonomous Driving, Object Tracking

SimBEV2X: 다중 과제 차량-만물(V2X) 협력 인식을 위한 대규모 데이터셋 및 데이터 생성 도구

SimBEV2X: A Large-Scale Dataset and Data Generation Tool for Multi-Task Vehicle-to-Everything Cooperative Perception

차량-만물(V2X) 통신을 통한 협력 인식은 가림(occlusion) 및 제한된 센서 범위와 같은 개별 자율주행 차량의 고유한 물리적 한계를 극복할 수 있다. 그러나 견고한 V2X 알고리즘, 특히 조감도(bird's-eye view, BEV) 표현과 같은 통합 공간 표현에 의존하는 알고리즘의 개발은 대규모, 다중 모달, 다중 과제 데이터셋의 부재로 인해 저해되고 있다. 또한 동기화된 실세계 다중 에이전트 데이터를 대규모로 수집하고 주석하는 것은 비용이 지나치게 높다. 이로 인해 기존 V2X 데이터셋은 규모와 범위 모두에서 현저히 제한적인 상황이 발생했다. 이를 극복하기 위해 CARLA 시뮬레이터 기반의 고급 합성 데이터 생성 도구인 SimBEV2X를 제안한다. SimBEV2X는 무작위 운전 시나리오를 자동으로 생성하여, 차량과 RSU(roadside unit) 모두로부터 고유 추적 ID가 부여된 3D 바운딩 박스, HD 맵 정보, BEV 분할(segmentation) 맵, 의미론적 점유(occupancy) 복셀 그리드 등 다양한 유형의 ground truth와 함께 다중 모달 센서 데이터를 수집한다. 또한 현재까지 최대 규모의 V2X 인식 데이터셋인 SimBEV2X 데이터셋을 공개한다. 이 데이터셋은 다양한 도로 네트워크에 걸쳐 최대 8대의 연결된 차량과 최대 4개의 RSU가 포함된 258개의 장면으로 구성된다. SimBEV2X 데이터셋은 기존 V2X 데이터셋보다 한 자릿수 더 크며, 102,200개의 프레임, 588,520개의 LiDAR 포인트 클라우드, 300만 개 이상의 이미지, 2,700만 개 이상의 바운딩 박스, 그리고 포괄적인 기타 주석을 포함한다. 마지막으로 CoopDet3D를 사용하여 SimBEV2X 데이터셋에 대한 강력한 기준선을 수립하고, 문맥 인식 다중 에이전트 특징 집계를 위해 CoopDet3D와 융합 축 어텐션(fused axial attention, FAX)을 결합한 새로운 아키텍처인 CoBEVFusion을 제안하여 우수한 성능을 달성한다. SimBEV2X, SimBEV2X 데이터셋, CoBEVFusion은 https://simbev2x.org 및 https://github.com/GoodarzMehr/SimBEV2X에서 이용할 수 있다.

arXiv:2607.19781v1cs.CV공통 태그 Autonomous Driving, Object Tracking

WASABI: 프레임 간 추적 기반 차선 토폴로지 전 그래프 할당 안정화

WASABI: Whole-graph Assignment-based Stabilizer for lAne topology By Inter-frame tracking

자율주행은 교차로를 통과하는 경로를 따르고 교차·합류 교통에 대해 추론하기 위해, 자차 차선만이 아니라 주행 가능한 차선과 그 연결성을 그래프로 이해해야 한다. 최근 지각(perception) 모델은 온보드 센서로 360도 BEV(bird's-eye view) 시야에서 이러한 차선 토폴로지, 즉 차선 세그먼트와 차선 간 연결성(LCLC)을 추론한다. 신경망 지각의 불완전성으로 인해, 그 출력에는 미검출, LCLC 손실 또는 오류, 과검출, 레이블 깜빡임(label flicker)과 같은 구조적 불안정성이 남아 있다. 본 논문은 WASABI를 제안한다. WASABI는 차선 세그먼트와 LCLC 연결성을 공동 추적 대상으로 취급하여 프레임 내·프레임 간 차선 토폴로지 출력을 안정화하는 실시간 후처리 파이프라인으로, 온보드 실시간 제약(10 Hz / 20 ms / 최대 200개 입력 차선) 하에서 동작한다. 이 파이프라인은 세그먼트 추적과 연결성 통합, 노이즈에 강건한 토폴로지 인식 정제, 자원 제약형 실시간 설계를 결합한다. 내부 검증 데이터(16 시퀀스)에서 WASABI는 LCLC 검출 F1을 0.834에서 0.948(+0.114, +13.6%)로 향상시키고, 중심선 횡방향 오차를 2.50 m에서 0.95 m로 줄이며, 검출 false-positive를 24.6% 감소시킨다. 동일 데이터에 대한 시간적 안정성 지표는 LCLC 토글 비율이 63.3%, 경계 레이블 깜빡임 비율이 30.2% 감소했음을 보여주며, 프레임 단위 정확도를 넘어 프레임 간 안정화가 이루어졌음을 확인한다.

arXiv:2607.19911v1cs.CV공통 태그 Autonomous Driving, Object Tracking

LoRFT: 고정형 고속도로 카메라 기반 장거리 차량 궤적 복원 벤치마킹

LoRFT: Benchmarking Long-Range Vehicle Trajectory Reconstruction from Fixed Highway Cameras

장거리 차량 궤적은 교통 안전 분석, 자율주행 평가, 데이터 기반 교통 관리를 위한 중요한 시공간적 근거를 제공하지만, 고정형 고속도로 카메라로부터 이를 연속적으로 복원하는 것은 여전히 어렵다. 차량이 원거리 도로 구역으로 멀어질수록 원근 압축(perspective compression)과 스케일 감쇠(scale decay)로 인해 자동 tracklet이 분절되거나 조기 종료되는 경우가 많으며, 이는 인접 프레임 간 운동 일관성으로부터 연속성이 식별 가능함에도 불구하고 발생한다. 우리는 이 문제를 신뢰할 수 있는 근거리 tracklet으로부터 차량 궤적의 원거리 연속 구간을 복원하는 것으로 공식화한다. 우리는 LoRFT를 제안하며, 우리가 아는 한 고정형 고속도로 카메라로부터의 장거리 차량 궤적 복원에 전념한 최초의 공개 벤치마크이다. LoRFT는 22개의 고속도로 감시 장면, 366,109개의 비디오 프레임, 6,601개의 수동 검증 궤적, 2,694,889개의 바운딩 박스(bounding box), 도로 기하 주석, 장면 수준 분할, 평가 스크립트로 구성된다. 또한 Map-RSTNet을 제안한다. 이는 지도 인식(map-aware) 잔차 시퀀스-투-시퀀스 모델로, 도로 기하에 정렬된 상태 공간에서 원거리 궤적을 복원하고 디코딩 중 지역 도로 기하를 동적으로 갱신한다. LoRFT에서 Map-RSTNet은 가장 강력한 기준선 대비 ADE, FDE, 5초 RMSE를 각각 11.0%, 15.4%, 10.5% 감소시킨다. 이 결과는 도로 기하 인식 복원이 기존 고정 카메라 인프라로부터 활용 가능한 궤적 기록을 확장할 수 있음을 보여준다. LoRFT는 장거리 차량 궤적 복원을 위한 재현 가능한 테스트베드(testbed)를 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.