arXiv:2609.27143v1 cs.CV

고속도로 교통 모니터링을 위한 인프라 기반 레이더 시스템의 체계적 평가

A Systematic Evaluation of Infrastructure-Based Radar System for Highway Traffic Monitoring

Tianheng Zhu, Woei-chyi Chang, Alamss Riaz, Sogand Hasanzadeh, Yiheng Feng

제출 2026-09-24

한국어 초록

인프라 기반 레이더 시스템은 교통 모니터링에 견고하고 장거리 솔루션을 제공하지만, 실제 환경에서의 탐지 및 추적 성능은 아직 충분히 평가되지 않았다. 본 연구는 텍사스주 포트워스의 고속도로 합류 구간에서 수집한 자연주행 차량 궤적의 이중 모달리티 데이터셋 DRaT(Drone and Radar Trajectories)를 제안하여, 드론으로 얻은 ground truth 대비 레이더 센싱 성능을 체계적으로 평가한다. 성능은 개별 차량 탐지, 궤적 추적, 거시적 교통 매개변수 추정의 세 수준에서 평가한다. 개별 차량 탐지에서 레이더는 전체 정밀도 78%, 재현율 57%를 달성하며, 교통 혼잡 조건과 장거리에서 성능이 저하된다. 궤적 수준에서는 레이더가 비교적 강한 추적 성능(IDF1 = 0.699)을 보이며, 궤적이 성공적으로 확립된 경우 안정적인 차량 ID를 유지한다. 거시적 교통 흐름 지표에서는 레이더가 공간 평균 속도를 정확히 추정(MAPE < 4%)하지만, 미탐지로 인해 밀도와 통행량을 약 23% 과소추정한다. 논문은 또한 도로변 레이더 센싱 시스템의 실용적 배치 고려사항과 잠재적 하류 응용을 논의한다. 인프라 기반 센싱 시스템에 대한 재현 가능한 연구를 지원하기 위해 DRaT 데이터셋을 Zenodo에 공개했다: https://zenodo.org/records/20171110.

원문 초록

Infrastructure-based radar systems offer robust and long-range solutions for traffic monitoring, yet their detection and tracking performance under real-world conditions remains insufficiently evaluated. This study introduces DRaT (Drone and Radar Trajectories), a dual-modality dataset of naturalistic vehicle trajectories collected at a highway merging segment in Fort Worth, Texas, to systematically assess radar sensing performance against drone-derived ground truth. The performance is evaluated at three levels: individual vehicle detection, trajectory tracking, and macroscopic traffic parameter estimation. For individual vehicle detection, the radar achieves an overall precision of 78% and a recall of 57%, with degraded performance under congested traffic conditions and at longer distances. At the trajectory level, the radar demonstrates reasonably strong tracking performance (IDF1 = 0.699), maintaining reliable vehicle identities when tracks are successfully established. For macroscopic traffic flow metrics, the radar accurately estimates space-mean speed (MAPE < 4%) but underestimates density and volume by approximately 23% due to missed detections. The paper also discusses practical deployment considerations and potential downstream applications of roadside radar sensing systems. To support reproducible research on infrastructure-based sensing systems, we have open-sourced the DRaT dataset on Zenodo: https://zenodo.org/records/20171110.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27143v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2610.01135v2cs.CV공통 태그 Object Detection, Benchmarking

RSNA 뇌동맥류(RSNA-ICA) 데이터셋

The RSNA Intracranial Aneurysm (RSNA-ICA) Dataset

뇌동맥류 파열은 상당한 이환율 및 사망률과 관련이 있지만, 특히 작은 병변이거나 비혈관조영 일반 영상 검사에서는 동맥류 탐지가 여전히 까난한 과제로 남아 있습니다. 뇌동맥류 탐지 및 위치 식별을 위한 인공지능(AI) 알고리즘의 개발과 평가를 지원하고자 북미영상의학회(RSNA)는 미국신경영상의학회(ASNR), 신경중재수술학회(SNIS), 유럽신경영상의학회(ESNR)와의 협력을 통해 RSNA 뇌동맥류(RSNA-ICA) 데이터셋을 구축했습니다. 2025 RSNA 뇌동맥류 탐지 챌린지(RSNA Intracranial Aneurysm Detection Challenge)를 위해 개발된 RSNA-ICA는 5개 대륙 12개국 21개 기관에서 수집한 4,278명의 성인 환자로부터 얻은 7,202건의 CTA, MRA 및 MRI 시리즈로 구성된 대규모의 공개 전문가 주석 데이터셋입니다. 이 데이터셋은 낭상 뇌동맥류가 있거나 없는 환자들의 CTA 2,566건, MRA 2,166건, MRI 2,470건 시리즈를 포함하여 상당한 지리적 및 영상학적 다양성을 제공합니다. 전문가 주석에는 동맥류의 유무와 위치가 모두 표시되어 있으며, 178건의 시리즈에는 챌린지에서 정의한 혈관 위치에 대한 3차원 분할(segmentation)이 추가로 포함되어 있습니다. RSNA-ICA는 2025 RSNA 뇌동맥류 탐지 챌린지에서 알고리즘을 개발하고 평가하는 데 사용되었습니다. 7,202건의 영상 시리즈 중 5,041건은 MIRA를 통해 공개되어 있으며, 나머지는 챌린지의 공개 및 비공개 테스트 세트로 사용되었습니다. 이 데이터셋은 비상업적 용도에 한해 연구 커뮤니티에 무료로 제공되며, 혈관조영 검사와 일반 신경영상 검사 전반에서 AI 기반 동맥류 탐지를 발전시키기 위한 종합적인 리소스를 제공합니다.

arXiv:2610.02580v1cs.CV공통 태그 Benchmarking, Object Tracking

Physical AI Smart Spaces: 스마트 공간에서의 다중 카메라 3D 인식을 위한 대규모 벤치마크

Physical AI Smart Spaces: A Large-Scale Benchmark for Multi-Camera 3D Perception in Smart Spaces

Physical AI Smart Spaces는 우리가 아는 한 실내 스마트 공간을 대상으로 대규모, 다중 클래스(multi-class), 다중 카메라 3D 인식(3D perception) 데이터를 동시에 제공하는 최초의 벤치마크이다. 이 데이터셋은 물류창고, 병원, 소매점 및 이와 유사한 환경에서 약 1,800대의 카메라로 촬영한 280시간 이상의 동기화된 1080p 영상과 함께, 다중 카메라 식별자(ID), 2D 바운딩 박스, 3D 바운딩 박스, 카메라 캘리브레이션, 그리고 가능한 경우 깊이(depth) 정보에 대한 자동 주석(annotation)을 포함한다. 본 벤치마크는 Isaac Sim 기반 합성 데이터 생성, Cosmos Transfer 외형 증강(appearance augmentation), 그리고 실제 환경에서의 Sim2Real 평가를 아우른다. 실제 대상 환경을 위해, 시간 동기화된 스트림, 자동 VGGT 기반 캘리브레이션, 그리고 교차 카메라 검증을 위해 월드 좌표계(world-frame) 3D 박스를 각 뷰에 투영하는 3D 라벨링 인터페이스를 갖춘 두 곳의 물류창고 배포 환경을 포함한다. 우리는 데이터셋 범위, 주석 및 캘리브레이션 스키마, 생성 워크플로우, 벤치마크 프로토콜, 그리고 제출 형식과 리더보드 보고를 표준화한 공식 평가 시스템을 설명한다. 핵심 기여 중 하나는 기존의 2D 박스 기반 추적 평가를 3D 위치 및 3D 박스로 확장한 HOTA(Higher Order Tracking Accuracy)의 3D 구현이다. 나아가 AI City Challenge 리더보드의 실증적 베이스라인을 보고하여, 현실적인 스마트 공간 제약 조건 하에서 방법론들이 인물 전용 3D 위치 추적에서 다중 클래스 3D 박스 추적으로 어떻게 발전하는지 보여준다. 공개된 데이터셋은 https://huggingface.co/datasets/nvidia/PhysicalAI-SmartSpaces 에서 확인할 수 있다.

arXiv:2610.03051v1cs.CV공통 태그 Object Detection, Object Tracking

BeeWhere: 행동 효과 정량화를 위한 뒤영벌 군집 인스턴스 세분화

BeeWhere: Segmenting Bumble Bee Colonies to Quantify Behavioral Effects

사회성 벌은 전 세계적으로 생물다양성과 농작물 수분을 지원하며 집단 행동 연구를 위한 중요한 모델 시스템 역할을 하는 핵심 화분 매개자이지만, 밀집되고 가림이 많은 둥지 환경에서는 개체 및 군집 수준의 행동을 대규모로 측정하기 어렵습니다. 기존의 모니터링 워크플로는 개체 식별을 유지하기 위해 기준 마커(예: ArUco) 태그를 사용하지만, 태그 기반 추적은 마커가 가려질 경우 실패할 수 있으며 신체 범위, 공간적 맥락, 태그가 부착되지 않은 개체에 대한 정보가 제한적이라는 단점이 있습니다. 본 논문에서는 고해상도 군집 이미지 및 비디오에서 뒤영벌의 행동을 정량화하기 위해 ArUco 검출과 딥러닝 기반 인스턴스 세분화(instance segmentation)를 결합한 AI 보조 어노테이션 및 분석 워크플로인 BeeWhere를 제안합니다. 동부호박벌(Bombus impatiens) 마이크로군집을 테스트 케이스로 활용하여 8,443개의 벌 인스턴스가 포함된 483개 프레임을 어노테이션했습니다. 추가로 꽃가루 덩어리, 둥지 구조, 챔버 경계를 어노테이션하고 후속 행동 분석을 위한 YOLO 인스턴스 세분화 모델을 학습(training)했습니다. 인스턴스 세분화를 통해 신체 윤곽을 기반으로 최근접 이웃 거리, 둥지 구조와의 근접도, 둥지 내 공간 점유율, 시간 경과에 따른 검출 수 등 중요한 행동 지표를 정량화할 수 있습니다. 네오니코티노이드계 살충제 노출이 행동에 미치는 영향을 평가하는 탐색적 검증(validation) 연구에서 태그 기반 추적에 BeeWhere 모델을 적용했습니다. BeeWhere는 특히 벌이 부분적으로 가려지거나 까다로운 이미징 조건일 때 태그 기반 추적 대비 검출률을 높였으며, 태그 기반 추적만으로는 포착하지 못했던 처리군 관련 벌들의 공간적 조직 변화도 포착했습니다. 이러한 결과는 인스턴스 세분화가 까다로운 군집 환경에서도 행동학적으로 유의미한 신호를 복원함으로써 기준 마커 기반 추적을 상호보완할 수 있음을 시사합니다.

arXiv:2610.01682v1cs.RO공통 태그 Benchmarking, Object Tracking

리더보드 점수를 넘어서: 보행자 중심 환경에서 해석 가능한 추적 평가를 위한 배포 중심 프로토콜

Beyond Leaderboard Scores: A Deployment-Focused Protocol for Interpretable Tracking Evaluation in Pedestrian-Centric Environments

보행자 사이에서 작동하는 모바일 로봇은 빠르게 가용해지고, 누락된 관측 속에서도 공간적 신뢰성을 유지하며, 동일성을 보존하고, 임베디드 컴퓨팅 예산 내에 부합하는 궤적을 필요로 합니다. 종합 추적 점수는 궤적이 언제 어떻게 실패하는지에 대한 통찰을 제한적으로만 제공하며, 서로 다른 검출기(detector) 입력은 추적기(tracker)와 검출기의 품질을 혼동시킬 수 있습니다. 본 논문에서는 공유된 검출 결과를 사용하여 추적기의 동작을 분리하고, 초기화(initialization), 검출기 공백 지속성, 동일성 복구, 근접 이웃 연관성, 부하 의존적 추적기 스텝 실행 시간을 직접 평가하는 배포 중심의 추적기 전용 평가 프로토콜을 제시하며, 보완적인 종합 척도로 HOTA(Higher Order Tracking Accuracy)를 유지합니다. 6개의 오픈 소스 추적기와 자체 개발한 경량 Pedestrian Reference Tracker(PedRefTrack), 그리고 이상적인 연관 및 모션 하에서 추적기 측 잔여 격차를 추정하는 GT 보조 변형을 사용하여 JackRabbot 데이터셋 및 벤치마크(JRDB)에 이 프로토콜을 적용합니다. 고정된 검출 조건에서 GT를 사용하지 않는 추적기들은 24.26%~29.67%의 좁은 HOTA 범위에 머물렀지만, 뚜렷하게 다른 능력 프로파일을 나타냈습니다. 검출기 지원 없이 1.0초가 지난 후, GT 보조가 없는 어떤 추적기도 적격 사례의 절반 이상에서 공간적으로 정확하고 동일한 동일성의 출력을 유지하지 못하여, 누락된 관측 지속성이 테스트된 특성 중 가장 주요한 한계점으로 나타났습니다. 근접 이웃 실패는 더 적었으며 주로 가장 가까운 분리 거리에서 증가했습니다. NVIDIA Jetson Orin에서의 추적기 스텝 실행 시간은 꼬리가 길고(heavy-tailed) 부하에 민감하여 혼잡한 프레임에서 여러 추적기가 10 Hz 실시간 목표치 이하로 떨어졌습니다. 본 프로토콜은 보행자 중심 환경에서 추적기의 동작과 배포 적합성을 특성화할 수 있는 재현 가능한 방법을 제공합니다. 코드 및 평가 스크립트는 https://github.com/SCAI-Lab/tracker_eval 에 공개되어 있습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.