Earticle

본 연구는 자율협력주행자동차의 도입 환경에서 도로교통 운영 효율성 향상을 목적으로, 기존에 제안된 칼만필터 기반 개별 차량 누적통행시간 예측 기반의 실시간 신호제어 알고리즘 을 국내 독립 교차로 운영 여건에 맞게 개선하였다. 개선된 알고리즘은 게이트 순환 유닛을 활용하여 개별 차량의 누적통행시간을 예측하고, 누적통행시간이 상대적으로 큰 접근로에 녹 색신호를 연장함으로써 실시간 신호제어를 수행한다. 알고리즘 개선 효과를 검증하기 위해 다 양한 교통상황을 반영한 시나리오를 구성하고, 평균지체 및 대기행렬 길이를 평가지표로 설정 하여 time of day(TOD) 신호제어 및 Synchro 기반 신호최적화 결과와 비교·분석하였다. 그 결 과, 제안한 실시간 신호제어 알고리즘은 기존 TOD 방식과 Synchro 기반 신호최적화, 칼만필터 기반 누적통행시간 예측 기반 결과 대비 평균지체를 약 40~50% 감소시키는 것으로 나타났다.

This study enhances a previously developed Kalman filter–based cumulative travel time(CTT) real-time signal control algorithm(CTR) for application to isolated intersections under a cooperative automated vehicle(CAV) environment. The improved method adopts a Gated Recurrent Unit(GRU) model to predict individual vehicle CTT and extends green time for the approach with higher CTT. Performance was evaluated under various traffic scenarios using average delay and queue length as measures of effectiveness. Compared with time-of-day(TOD) control, Synchro-based optimization, and the original Kalman filter–based CTR algorithm, the proposed GRU-based approach reduced average delay by approximately 40–50%.

본 연구는 실사고 데이터 기반의 체계적인 페달 오조작 교통사고 유형 분류를 목적으로 한 다. 분석에는 2024년 페달 오조작으로 감정된 사고 243건을 활용하였으며 혼합형 변수로 구성 된 데이터 특성을 고려하여 Gower distance를 적용해 사고 사례 간 유사도를 산정하고, 이를 기반으로 응집형 계층적 클러스터링을 수행하였다. 사고 시나리오 관점에서 고령 운전자의 주 차 중 인적 피해 유형, 상대적 고령 운전자의 주행 중 사고 유형, 구형 차량에서 발생한 유형, 주차 중 물적 피해 유형 등 네 개의 대표적 사고 유형으로 통합 및 재구성하였다. 분석결과는 페달 오조작 사고가 단일 메커니즘이 아닌 운전자 특성, 주행 상황, 차량 요인이 복합적으로 작용한 결과임을 시사하며, 향후 안전도 평가 시나리오 고도화와 사고 예방 정책 수립을 위한 실증적 근거를 제공한다.

This study classified the occurrence characteristics and accident types caused by pedal misapplication. The types of pedal misapplication traffic accidents were classified systematically based on real-world accident data. Two hundred and forty-three accident cases from 2024, forensically classified as pedal misapplication accidents, were analyzed. Considering the mixed data types, the Gower distance was used to measure the similarity between accident cases, followed by agglomerative hierarchical clustering. The results were integrated into four representative accident types from an accident-scenario perspective: personal-injury accidents involving elderly drivers during parking, accidents involving relatively elderly drivers while driving, accidents in legacy vehicles, and parking-related accidents resulting in property damage only. These findings suggest that pedal misapplication accidents result from the combined effects of driver, driving, and vehicle factors.

본 연구는 지상 도로와 지하도로의 교통류 특성을 비교하기 위해, 교통량과 밀도가 동일하 게 통제된 조건 하에서 교통류 안정성의 차이를 분석하는 것을 목적으로 한다. 이를 위해 미시 적 교통 시뮬레이션 기반의 통제 실험을 수행하였으며, 지하도로 주행 환경의 특수성을 반영 하기 위해 Driving Simulator 실험으로부터 도출된 운전자 행태 보정 계수를 시뮬레이션 모델에 적용하였다. 지상 도로와 지하도로는 동일한 교통 수요와 네트워크 구조를 적용하여 비교하였 고, 가중평균속도, 교통량, 밀도를 활용하여 교통상태의 동등성을 우선 검증하였다. 이후 속도 표준편차, 변동계수, 하위 분위 속도 등 변동성 지표를 통해 교통류 안정성을 분석하였다. 분석 결과, 동일한 교통상태 조건에서는 지상 도로와 지하도로 간 평균 주행 성능 및 대표적인 교통 류 안정성 지표에서 유의미한 차이가 나타나지 않았다. 이는 지하도로의 교통 특성이 평균 지 표만으로는 충분히 설명되기 어렵다는 점을 시사하며, 향후 지하도로의 교통 운영 및 안전성 평가는 비정상 교통 상황과 변동성 중심의 지표를 고려할 필요가 있음을 제안한다.

This study analyzes traffic flow stability on surface and underground roads under strictly controlled traffic conditions. A microscopic traffic simulation framework was applied that maintained equivalent traffic demand and density across scenarios. Driver behavior parameters calibrated from driving simulator experiments were incorporated to reflect realistic driving characteristics in underground environments. Traffic state equivalence was verified using weighted average speed, traffic volume, and density, and traffic flow stability was assessed using speed variability indicators. The results indicated no significant differences in average traffic performance or representative stability measures between surface and underground roads. This suggests that average performance indicators alone are insufficient to characterize underground road traffic and highlights the need for condition-dependent and non-recurrent traffic analyses.

자율주행차(AV)의 안전성에도 불구하고, 기존 수용 모델은 선진국의 ‘자동차 중심' 전환에 편중되어 글로벌 사우스의 혼합 교통 환경에서 나타나는 ‘수단 도약(Modal Leapfrog)' 역학을 간과한다. 본 연구는 인도네시아 ‘도시 초기 수용자'의 심리통계적 변수를 분석하여 이 한계를 극복한다. 부트스트랩 서열 로지스틱 회귀분석과 CHAID (Chi-squared Automatic Interaction Detection) 의사결정나무를 통해, 취약한 이륜차 이용자가 AV를 ‘안전 업그레이드'로 수용하는 수단 도약 효과와, 고학력이 기술적 회의감 및 수용 의도를 동시에 높이는 ‘교육의 역설'을 검 증했다. 회귀분석 결과 안전성이 편의성을 압도했으며, CHAID 분석은 시장을 ‘안전 회의론자', ‘불안한 실용주의자', ‘진정한 신봉자'로 계층화했다. 결론적으로 혼잡한 교통 속 AV 도입은 단순 자동화가 아닌 ‘물리적 안전에 대한 근본적 욕구'에 의해 주도된다. 이에 이륜차 의존 중 산층의 잠재력을 이끌어내기 위해, 재정적 지원보다 물리적 안전 인증과 법적 명확성을 우선 하는 공공 정책 로드맵을 제안한다.

Although Autonomous Vehicles (AVs) offer safety benefits, current adoption models focus on the “car-centric” transition of wealthier nations and disregard the “Modal Leapfrog” dynamics under the mixed-traffic conditions of the Global South. This study fills this gap by studying Indonesia's “Urban Early Adopter” psychographic variables. This study validated the “Modal Leapfrog” effect, where vulnerable motorcyclists adopt AVs as a “Safety Upgrade,” and the “Education Paradox,” where higher academic literacy correlates with technical skepticism but higher adoption intent, using bootstrapped ordinal logistic regression and CHAID decision trees. According to regression, safety trumps convenience. CHAID research revealed a market hierarchy comprising “Safety Skeptics,” “Anxious Pragmatists,” and “True Believers.” Studies showed that “fundamental need for physical safety” drives implementation in chaotic traffic, not automation. A public policy roadmap stresses physical safety certification and legal clarity over financial incentives to tap the potential of the motorcycle-dependent middle class.

본 연구는 부산광역시 기장군 수요응답형 교통(Demand Responsive Transport, DRT) ‘타바라’ 를 대상으로 실제 운행자료를 반영한 SUMO(Simulation of Urban MObility) 기반 시뮬레이션 환 경을 구축하고, 근접 정책 최적화(Proximal Policy Optimization, PPO) 기반 유휴차량 재배치 전 략의 적용 가능성과 효과를 분석하였다. 실제 3개월 운행자료를 바탕으로 평일 첨두, 평일 비 첨두, 주말·공휴일 시나리오를 구성하였으며, PPO 정책을 재배치 미적용 정책, 규칙기반 휴리 스틱, DQN 기반 정책과 비교하였다. 분석 결과, PPO 기반 재배치 정책은 재배치 미적용 대비 평균 픽업 대기시간을 약 2.9~6.2%, 누적 미처리 호출 수를 약 2.5~5.3% 감소시키는 경향을 보 였으며, 특히 평일 비첨두 시나리오에서 상대적으로 큰 개선 효과가 나타났다. 반면 휴리스틱 및 DQN과 비교한 추가적 우월성은 제한적으로 나타나, 본 연구 환경에서는 PPO의 절대적 성 능 우위보다 학습기반 적응형 재배치 정책으로서의 적용 가능성이 더 크게 확인되었다.

This study investigates the applicability and effectiveness of a PPO(Proximal Policy Optimization)- based idle vehicle relocation strategy for the Demand Responsive Transport (DRT) service “Tabara” in Gijang-gun, Busan, using a SUMO-based simulation environment calibrated with actual operational data. Based on approximately three months of service records, three representative demand scenarios were constructed: weekday peak, weekday offpeak, and weekend/holiday. The PPO-based policy was evaluated against a no-relocation baseline, a rule-based heuristic, and a DQN-based policy under identical episode conditions. The results indicate that the PPO-based relocation policy reduced average pickup waiting time by approximately 2.9–6.2% and cumulative unserved calls by approximately 2.5–5.3% relative to the baseline, with the largest improvement observed in the weekday offpeak scenario. However, its additional advantage over the heuristic and DQN policies was limited. These findings suggest that, under the operating conditions considered in this study, the main contribution of PPO lies not in clear absolute superiority, but in its potential as a learning-based adaptive relocation strategy for addressing dynamic demand–supply imbalances in DRT operations.

전기자동차의 에너지 소비 효율은 주행 환경, 교통 흐름, 운전 패턴 등에 따라 크게 달라지 며, 이는 실제 주행거리 예측과 에너지 관리에 중요한 영향을 미친다. 이에 본 연구는 실도로 주행 데이터를 기반으로 주행 환경에 따른 전비 특성과 주요 영향 요인을 정량적으로 분석하 였다. 약 89,437건의 1Hz 주행 데이터를 활용하여 주행 궤적을 공간적 특성에 따라 군집화하고, 군집별 전비 및 주행 특성을 비교하였다. 분석 결과, 주거지역은 단위 거리당 소요 시간이 가장 높은 수준으로 나타났으며, 도심 대비 약 17.3% 높은 에너지 소비를 보였다. 산업단지 구간 역시 고속 주행 환경에서 에너지 소비가 증가하는 경향을 보였다. 분산분석 결과, 도심과 주거 지역 간 전비 차이는 통계적으로 유의하였으며, 회귀분석 결과 단위 거리당 소요 시간과 모터 속도는 전비와 유의한 관계를 보였고, 특히 단위 거리당 소요 시간이 주요 영향 변수로 확인되 었다. 본 연구는 주행 환경에 따른 주행 패턴과 구동 조건이 전기차 전비와 밀접하게 관련되어 있음을 보여주며, 향후 ITS와 연계한 실시간 주행 가능 거리 예측 및 공간 맞춤형 배터리 관리 전략 수립에 기여할 수 있다.

The energy efficiency of electric vehicles varies with the driving environments, traffic conditions, and driving patterns, affecting the range prediction and energy management. This study quantitatively analyzed the energy consumption characteristics and influencing factors using real-world driving data. A total of 89,437 one-second interval data points were used to classify driving trajectories into spatial clusters and compare the energy efficiency across different environments. The results showed that residential areas had the highest time per kilometer, resulting in approximately 17.3% higher energy consumption than central urban areas, while industrial areas also showed increased consumption under high-speed driving conditions. The ANOVA results indicated a statistically significant difference between central urban and residential areas. Regression analysis showed that the time per kilometer and motor speed significantly affect the energy consumption efficiency, with the time per kilometer being the most influential variable. These findings highlight the importance of considering spatial driving characteristics in real-time distance-to-empty (DTE) prediction and energy management strategies in ITS.

본 연구는 고속축중기(HS-WIM) 성능평가 자료를 활용하여 축하중 분포 구조가 계측 오차 에 미치는 영향을 분석하였다. 기준 축하중의 변동계수를 기반으로 축하중 분포 불균형지수 (ICV)를 정의하고, 이를 4분위로 구분하여 축별 및 총중량 절대상대오차 특성을 비교하였다. 또 한 축별 오차가 총중량 오차로 반영되는 구조를 분석하기 위해 오차 상쇄 지수를 도입하였다. 분석 결과, 축하중 분포 불균형이 증가하더라도 축별 오차의 크기는 일관되게 증가하지 않았 으며, 오히려 불균형이 큰 구간에서는 축별 오차 상쇄 효과로 인해 총중량 오차가 상대적으로 작게 나타났다. 또한 ICV와 축별 오차 간에는 약한 음의 상관관계가 확인되었으나 그 영향력은 제한적인 것으로 나타났다. 이러한 결과는 현행 성능평가 체계가 축중량과 총중량을 모두 평 가함에도 불구하고, 개별 지표만으로는 오차의 구조적 특성을 충분히 설명하기 어려움을 시사 한다. 따라서 HS-WIM 계측 결과의 해석 및 활용 시 축하중 분포 구조와 오차 상쇄 특성을 함 께 고려할 필요가 있다.

This study analyzes the influence of axle load distribution characteristics on measurement errors using performance evaluation data from a High-Speed Weigh-In-Motion (HS-WIM) system. An axle load distribution imbalance index (ICV) was defined based on the coefficient of variation of reference axle loads, and the dataset was classified into quartiles according to the ICV to compare axle-wise and gross vehicle weight (GVW) absolute relative errors. In addition, an error cancellation index was introduced to examine the structural relationship between axle-wise errors and GVW error. The results indicate that axle-wise errors do not consistently increase with increasing imbalance in axle load distribution. In highly imbalanced conditions, GVW error tends to be relatively small due to the cancellation effect among axle-wise errors. Furthermore, a weak negative correlation between ICV and axle-wise errors was observed, although its influence was limited. These findings suggest that, although current HS-WIM performance evaluation frameworks assess both axle loads and GVW, interpretation based solely on individual error metrics may not fully capture the structural characteristics of measurement errors. Therefore, it is necessary to consider axle load distribution and error cancellation effects when interpreting and utilizing HS-WIM measurements

본 연구는 안양-하동 비교를 통해 인구소멸·교통소외지역에서 자율주행 셔틀-수요응답형교 통(DRT) 도입 시 요구되는 ITS/C-ITS 인프라의 단계적 구축 수준을 비용-효과 관점에서 평가하 였다. 안양시 자율주행 셔틀 ‘주야로’를 도시형 기준선으로, 하동군을 사례지역으로 설정하고, 자율주행 운행설계영역(ODD)을 통신, 정밀지도, 교통관제, 교차로 협력의 4개 축과 L0-L4 수준 으로 구조화하였다. 운영 KPI를 일반화 통행시간으로 내재화해 접근성과 비용-효과를 분석한 결과, 하동군 사례에서 접근성은 L2에서 18.3%, L3에서 22.7% 개선되었으며, L4의 RSU 전면 확대는 추가 개선이 4.1%에 그쳤고 L3에서 L4로의 전이에서 한계 비용-효과 지수(MCI)는 0.43 으로 나타났다. 이는 L1-L3가 우선 검토 가능한 최소 ITS/C-ITS 인프라 패키지임을 시사한다.

This study evaluates phased ITS/C-ITS infrastructure requirements for autonomous shuttle-based demand responsive transport (DRT) in depopulated and transit-disadvantaged areas through a comparative analysis of Anyang and Hadong. Anyang City’s autonomous shuttle service is used as an urban reference case, while Hadong County is treated as a rural comparative case. The Operational Design Domain (ODD) is structured into four infrastructure axes—communication, HD mapping, traffic control, and intersection cooperation—and organized into maturity levels from L0 to L4. By embedding operational KPIs into generalized travel time and linking them to accessibility and cost-effectiveness, the analysis shows that accessibility in Hadong improves by 18.3% at L2 and 22.7% at L3. In contrast, L4 yields only an additional 4.1% gain despite a 3.2-fold increase in cost, with the marginal cost-effectiveness index (MCI) declining to 0.43. These findings suggest that L1-L3 may be interpreted as the minimum infrastructure package worth prioritizing for autonomous DRT deployment in depopulated and transit-disadvantaged areas.

교통서비스는 공공의 대중교통에서 PM, DRT 등 민간 모빌리티 서비스로 급격히 확대되고 있으나, 민간 모빌리티 서비스는 운영 및 운행 데이터가 공유되지 않고 있어, 관련 통행 분석이 나 정책 수립에 어려움이 있다. 본 연구에서는 우리나라와 해외 주요 도시의 PM 데이터 정책 수준을 알아보았고, 해외사례를 바탕으로 PM 데이터의 성숙도가 높아지면 어떠한 정책적 연 구가 가능한지도 살펴보았다. 데이터 성숙도를 단계별로 제시하고 있는 DMM 모델을 바탕으 로 우리나라 PM 서비스의 데이터 성숙도가 어느 수준인지를 알아보았으며, 데이터 성숙도를 단계별로 높이기 위한 법과 제도 개선 방안을 제시하였다.

Transportation services are rapidly expanding beyond traditional public transit to encompass private mobility solutions such as Personal Mobility (PM) and Demand-Responsive Transport (DRT). Nevertheless, the lack of operational and trip data sharing from these private mobility services poses significant challenges for comprehensive travel analysis and evidence-based policymaking. This study examined the current landscape of PM data policies in South Korea compared to major global cities. The advanced policy research and urban management capabilities that become feasible as PM data maturity increases were evaluated through an analysis of international case studies. Furthermore, using the Data Management Maturity (DMM) model, which outlines a phased approach to data governance, this research evaluated the current data maturity level of South Korean mobility services, with a specific focus on PM. Ultimately, this paper proposes a phased policy strategy, including legal and institutional improvements, to elevate South Korea’s data maturity.

우리나라 화물운송부문은 운행서비스시간 제도의 부재로 화물차 운전자의 충분한 회복기회 가 제도적으로 보장되지 않고 있다. 본 연구는 2022년 사업용 화물차 운전자 설문조사(N=940)를 활용하여 일일 휴식기간(Rhour)의 분포, 휴식부족의 영향요인, 그리고 사고경험과의 연관성을 로 지스틱 회귀로 분석하였다. 분석 결과, Rhour의 평균은 10.4시간, 하위 10분위(P10)는 8시간이었 고, 국제기준 중 상대적으로 엄격한 EU/영국≥11h의 충족비율은 48.4%에 그쳐 표본의 과반이 11시간 미만의 회복 기회를 갖는 것으로 나타났다. 휴식부족의 영향요인은 기준에 따라 상이하 였다. 하위 휴식부족 그룹 (≤8h)에서는 운행거리와 연속운전시간이 증가요인으로, 휴게시간과 디지털운행기록장치 제출빈도는 완화요인으로 나타났다. 반면 전반적 휴식부족 그룹(<11h)에 서는 적재용량, 품목, 온라인 플랫폼 물량확보가 주요 연관요인이었다. 사고경험은 휴식이 짧을 수록 증가했고, 특히 장시간 운전(≥11h)과 결합될 때 위험이 가장 높았다(OR=17.89). 이러한 결과는 최소 휴식기준 도입 논의와 취약집단 중심 관리전략의 필요성을 시사한다.

South Korea’s freight transport sector lacks comprehensive limits on driving and working hours and does not guarantee minimum daily rest for commercial truck drivers. Using a 2022 survey of commercial truck drivers (N = 940), this study examines the distribution of daily rest (Rhour), determinants of rest deficiency, and its relationship with self-reported crash involvement using logistic regression. Mean Rhour was 10.4 h, and the 10th percentile was 8 h; only 48.4% of drivers met the EU/UK benchmark of at least 11 h of daily rest. Lower-tail rest deficiency (≤8 h) was associated with longer driving distance and longer continuous driving, whereas longer break time and more frequent DTG submission were associated with lower odds. General rest deficiency (<11 h) was additionally associated with payload capacity, cargo type, and online-platform freight procurement. Crash involvement increased as rest shortened and was highest when insufficient rest coincided with long driving hours (≥11 h; OR = 17.89). These findings support the introduction of minimum daily rest standards and targeted management of high-risk groups.

터널과 같은 GNSS(Global Navigation Satellite System) 음영 환경에서는 위성 신호가 차단되 어 기존 측위 기법의 적용이 제한된다. 이를 보완하기 위해 카메라 기반의 측위 기술이 활용되 지만 터널 내부는 반복적인 텍스처와 진출입시 조명의 변화라는 한계가 명확하여 여전히 정밀 한 위치 추정을 어렵게 한다. 본 연구는 이러한 GNSS 음영 환경의 측위 불확실성을 보완하기 위해 향후 측위 알고리즘의 횡방향 오차를 검증하는 핵심 지표로 활용될 수 있는 차로 수준 인지 경량 딥러닝 프레임워크를 제안한다. 연구 과정은 크게 데이터 구축과 모델 설계로 구분 된다. 먼저, Lucas-Kanade 광학 흐름 기반의 반자동 라벨링 기법을 적용하여 터널 주행 데이터 셋을 효율적으로 구축하였다. 이어 MobileNetV3-small 기반의 End-to-End 분류 모델을 적용하여 제한된 연산 자원에서도 운용 가능한 경량 구조를 확보하였다. 실험 결과 터널 환경에서 약 97.8%의 차로 식별 정확도를 달성하였으며, 횡방향 발산 오류를 감지하고 통제할 수 있는 강건 한 보조 수단으로서의 활용 가능성을 시사한다.

In GNSS-denied environments, such as tunnels, the obstruction of satellite signals significantly limits the applicability of conventional positioning techniques. In addition, camera-based position illumination changes at the tunnel entrances and exits continue to hinder precise localization. This paper proposes a lane-level recognition lightweight deep learning framework to compensate for positioning uncertainty in GNSS-denied environments, which can be utilized as a key metric to verify the lateral error of future positioning algorithms. The research methodology was categorized into data construction and model design. First, a tunnel-driving dataset was efficiently established using a semi-automatic labeling technique based on Lucas–Kanade optical flow.Subsequently, an end-to-end classification model based on MobileNetV3-Small was implemented to ensure a lightweight architecture capable of operating within limited computational resources. Experimental results demonstrated a lane identification accuracy of approximately 97.8% in tunnel environments, suggesting its potential as a robust auxiliary mechanism to detect and control lateral divergence errors.

AI 기반 자율주행 기술의 발전으로 대규모 주행 데이터 수집이 가속화됨에 따라 방대한 학 습 데이터를 효율적으로 관리하기 위한 데이터 큐레이션 기술의 중요성이 커지고 있다. 특히 수작업 캡셔닝은 비용이 높고 일관성이 낮아 AI 기반 자동화 요구가 커지고 있으나, 데이터 보안과 비용 문제로 클라우드 API보다 온프레미스(On-premises) 환경에서 실행 가능한 VLM (Vision-Language Model) 활용이 대안으로 주목받고 있다. 본 연구에서는 온프레미스 VLM 환 경에서 주행 데이터에 대한 고품질의 자동 캡셔닝을 위해 4단계 프롬프트 전략을 설계하였으 며, GPT-5.2, GPT-4o, InternVL2.5-8B에 적용하여 성능을 검증하였다. 각 모델에서 생성된 캡션 을 텍스트 유사도, 임베딩 유사도, LLM-as-a-Judge의 세 가지 지표로 분석한 결과 본 연구에서 제안하는 프롬프트가 온프레미스 VLM 기반 캡셔닝 실무에 활용 가능한 수준의 성능을 확보 했음을 확인하였다. 본 연구의 결과는 방대한 주행 데이터에 대해 저비용의 자동 메타정보 생 성에 활용할 수 있으며, 효율적인 데이터 관리 등 학습 데이터 큐레이션 체계 구축에 기여할 것으로 기대된다.

The acceleration of large-scale driving data collection driven by advances in AI-based autonomous driving technology has heightened the importance of data curation technology for efficiently managing vast amounts of training data. In particular, while manual captioning is expensive and inconsistent, leading to a growing demand for AI-based automation, the use of Vision-Language Models (VLMs) that can be deployed in on-premises environments rather than via cloud APIs is attracting attention as an alternative because of data security and cost concerns. In this study, a four-stage prompting strategy was designed for high-quality automatic captioning of driving data in an on-premises VLM environment, and its performance was verified by applying it to GPT-5.2, GPT-4o, and InternVL2.5-8B. An analysis of the captions generated by each model using three metrics(text similarity, embedding similarity, and LLM-as-a-Judge)confirmed that the prompts proposed in this study achieved a level of performance suitable for practical application in on-premises VLM-based captioning. These results can be used to automatically generate metadata for vast amounts of driving data at low cost and are expected to help establish a data curation system, including efficient training data management.