Earticle

본 연구는 자율주행시스템의 안전성 검증을 위해 디퓨전(diffusion) 모델 기반의 교통사고와 같은 엣지 케이스 시나리오 생성 방법론 제안한다. 제안된 방법론은 카메라, LiDAR, 그리고 GPS 등 멀티모달 입력을 처리하며, denoising diffusion implicit models 샘플링 기법을 이용하여 차량 궤적의 사실성을 유지하면서도 추론 속도를 향상시키고, classifier-free guidance를 확장하여 차량의 거동을 직관적으로 제어하였다. 또한, 역방향 확산 과정에서 가이던스 스케일 조작 및 안전 신호를 반전을 이용하여 안전 제약 조건을 준수하는 ‘정상 에이전트'와 의도적으로 장애물을 무시하고 충돌을 유발하는 ‘비정상 에이전트' 간의 상호작용을 기반으로 엣지 케이스 궤적을 성공적으로 합성하였다. 본 프레임워크는 가상 환경에서 자율주행 차량의 충돌 회피 로직을 정밀하게 검증할 수 있는 고위험 엣지 케이스 시나리오 구축 방안을 제시한다는 점에서 학술적·기술적 차별성을 지닌다.

This paper proposes a diffusion model-based edge-case scenario generation methodology, such as traffic accidents, to evaluate and validate the safety of autonomous driving systems. The proposed framework processes multimodal inputs including cameras, LiDAR, and GPS data. The methodology accelerates the inference speed using the denoising diffusion implicit models sampling technique while preserving the realism of vehicle trajectories. Furthermore, it extends classifier-free guidance to control vehicle behavior intuitively. During the reverse diffusion process, edge-case trajectories are successfully synthesized based on the interaction between a "Normal agent" that adheres to safety constraints and an "Abnormal agent" that intentionally ignores obstacles to induce collisions by manipulating the guidance scale and inverting safety signals. This framework holds academic and technical significance because it provides a practical approach to constructing high-risk edge-case scenarios capable of precisely verifying the collision avoidance logic of autonomous vehicles in virtual environments.

본 연구는 고속도로 상습 미납 차량의 선제적 단속을 위한 영업소 및 시간대 선정을 지원하고자, 다음 날의 발생 규모 예측 가능성과 예측에 활용된 정보를 검토하였다. 수도권 39개 영업소의 통행이력과 교통량을 3시간 단위로 집계하고, 교통·시간·영업소 변수에 전일·전주 발생 정보를 추가한 통계·머신러닝 모형을 2023년 자료로 학습하여 2024년 자료에서 평가하였다. 두 발생정보를 함께 활용한 랜덤 포레스트의 평균제곱근오차(root mean squared error, RMSE)는 12.725건으로 가장 낮았으며, 전일·전주 값을 그대로 사용하는 예측보다 각각 31.9%와 33.1% 낮았다. 설명 가능한 부스팅 머신(explainable boosting machine, EBM)은 교통량, 과거 발생 건수 및 영업소를 주요 예측 정보로 활용하였다. 본 연구는 단순 과거 통계 기반 예측과의 비교를 통해 발생규모 예측의 적용 가능성을 확인하고, 예측값에 반영된 정보를 함께 제시하여 단속 대상 영업소·시간대 검토를 위한 기초자료를 제공하였다는 데 의의가 있다.

This study examined next-day passage-count prediction for habitual toll nonpayers to support the selection of tollgates and time intervals for proactive enforcement. Passage histories and traffic volumes from 39 tollgates in the Seoul metropolitan area were aggregated into three-hour intervals. Statistical and machine learning models using traffic, temporal, and tollgate predictors with previous-day and previous-week counts were trained on 2023 data and evaluated on 2024 data. Random forest using both historical counts achieved the lowest root mean squared error (RMSE) of 12.725 passages, 31.9% and 33.1% lower than direct previous-day and previous-week predictions, respectively. The explainable boosting machine (EBM) showed that traffic volume, historical counts, and tollgate identity were major contributors to its predictions. These findings support the applicability of passage-count prediction under the evaluated conditions and provide predicted counts and information on their contributing factors to inform enforcement planning.

본 연구는 Wiedemann 99 기반 미시교통시뮬레이션으로 본선 순환구간을 실선형으로 모델링하고, 고정식과 검지기 기반 감응식 우선신호(TSP)를 노선 수준에서 비교하였다. 현시 전환에는 차종·현시별 소거시간 산정에 따른 황색·전적색(주기 105.5 s)을 적용하였다. 옵셋 전 구간 스윕에서 고정식의 교차로 통과시간은 13.8~52.7 s(범위 38.9 s)였으나, 감응식은 23.2±1.7 s(범위 4.3 s)로 변동이 크게 줄었다. 전 교차로에 감응식을 적용하면 트램 표정속도는 10.1% 향상되고, 순환시간은 454.8 s 단축되며, 신호 정지는 순환당 약 88% 감소하였다. 본선 통과검지가 포화 시 고정식과 같은 녹색비(55.0%)를 유지하는 조건에서 승용차 공간평균속도는 23.5% 증가하고 통행시간은 20.2% 감소하였다(모두 p<0.001). 통과검지를 제거하면 승용차 속도가 감소하고 12개 시드 전체가 과포화로 발산하였다. 보행자 감응은 트램 성능에 영향을 주지 않았으나, 승용차 속도 비용은 자유 감응식에서 −4.3~−7.5%, 연동 감응식에서 −2.9~−4.0%로 횡단수요에 비례하였다. 이는 우선신호의 상충관계를 제거하는 대신 정책적 운영점을 선택해야 함을 보여준다.

This study models the 33.7 km circular alignment with 40 stations using a Wiedemann 99-based microscopic traffic simulator and compares fixed-time tram priority with detector-actuated transit signal priority (TSP) at the line level. Phase transitions use per-phase amber and all-red times derived from vehicle-class clearance calculations (cycle 105.5 s). In a full offset sweep, fixed-time intersection transit ranged from 13.8 to 52.7 s (range 38.9 s), whereas the actuated controller achieved 23.2±1.7 s (range 4.3 s), substantially reducing offset-related variability. Applying actuation to all 80 crossings increased tram commercial speed from 25.51 to 28.10 km/h (+10.1%), shortened loop time by 454.8 s, and reduced signal stops per loop by about 88%. With main-line passage detection maintaining the same saturated green ratio as the fixed plan (55.0%), car space-mean speed increased from 27.98 to 34.55 km/h (+23.5%) and mean travel time decreased from 145.58 to 116.18 s (−20.2%; both p<0.001). Removing the passage detectors reversed the result: car speed fell and all twelve seeds became over-saturated. Pedestrian actuation did not affect tram performance (−0.0%, p>0.05), while the car-speed cost increased with crossing demand, ranging from −4.3% to −7.5% under free actuation and from −2.9% to −4.0% under coordinated actuation. The findings show that the tram– general traffic trade-off is not eliminated but selected as an operating point.

지역 단위 수송부문 감축정책 수립에는 실제 차량 주행조건과 배출 위치를 반영한 배출량 자료가 필요하다. 본 연구는 초 단위 주행궤적을 활용해 속도·감가속도·종단경사를 동시에 반영하는 배출량 산정 방법론을 개발하였다. 국내 승인 국가온실가스 배출계수식의 16개 세부차종에 추가 적용 가능한 합성 보정계수 모형을 제안하고, 미국 EPA MOVES 기반 MOVESMatrix를 활용하여 차종·속도·감가속도·종단경사 19,968개 조합의 데이터베이스를 구축하였다. 분석 결과, 두 방식의 보정계수가 일치하는 조합은 1.12%(224개)에 불과하였다. 감가속도와 오르막·내리막이 동시에 발생하는 조건에서는 단일요인 방식이 요인 간 상호작용을 반영하지 못해 구조적 차이가 나타났으며, 방식 간 보정계수의 평균 차이는 분석범위 상 극단조건인 가속·오르막(+3.0m/s², +6%)에서 버스가 14.89배로 가장 컸다. 다만 실주행에서 지속되기 어려운 조건의 값이므로 통상적인 수준으로 볼 수 없다. 실제 통행을 가정하여 구성한 통행 시나리오에서 합성 보정계수 적용 결과는 국내 VKT-속도 기반 산정방식 대비 승용차 127.2%, 버스 203.5%, 화물차 124.0% 수준이었다. 입력자료를 초 단위로 세분화한 경우에도 차이는 –1.2~ +9.6%에 그쳐, 시간 해상도보다 주행상태 반영 여부가 더 큰 영향을 미쳤다. 단일요인 방식은 합성 방식 대비 승용차 9.7%, 버스 15.6% 크게, 화물차 6.1% 작게 산정하였다. 이러한 결과는 속도 중심의 기존 산정방식과 주행상태를 함께 반영한 산정방식 사이에 체계적인 차이가 발생함을 보여준다. 구축된 데이터베이스는 승인 배출계수 체계와의 정합성을 유지하면서 초 단위 궤적 기반 산정을 가능하게 하며, 고배출 도로구간 식별, 교통운영 개선효과 분석, 지자체 맞춤형 감축전략 수립에 활용될 수 있다.

Local transport-sector greenhouse gas policies require emissions data that reflect actual vehicle operating conditions and emission locations. This study developed an emission estimation methodology that simultaneously incorporates speed, acceleration, deceleration, and road grade from second-by-second vehicle trajectories. A composite correction-factor model was proposed for supplementary application to Korea's approved national greenhouse gas emission factor equations for 16 vehicle subcategories. Using a MOVES-Matrix framework based on the U.S. EPA MOVES model, a database of 19,968 combinations of vehicle subcategory, speed, acceleration or deceleration, and road grade was built. Only 1.12% (224) of the combinations yielded identical correction factors under the composite and the conventional single-factor methods. Where acceleration or deceleration coincided with an uphill or downhill grade, the single-factor method produced structural differences because it does not represent interactions among driving factors. The mean correction-factor difference between the two methods was largest for buses, at 14.89-fold, under the most extreme condition of the analysis domain (+3.0 m/s², +6% grade); as this condition is rarely sustained in real driving, the value should be regarded as a bound of the analysis domain rather than a typical difference. In an illustrative travel scenario constructed under assumed real-world driving conditions, composite-factor estimates were 127.2% (passenger cars), 203.5% (buses), and 124.0% (trucks) of the estimates from Korea's conventional VKT- and speed-based method. Refining the input data to second-by-second resolution alone changed the estimates by only −1.2% to +9.6% relative to the approved equations, indicating that reflecting acceleration, deceleration, and road grade matters more than temporal resolution. Relative to the composite method, single-factor estimates were higher by 9.7% (passenger cars) and 15.6% (buses) and lower by 6.1% (trucks). These results show systematic differences between speed-centered estimation and estimation that reflects driving state. The proposed database enables second-by-second trajectory-based estimation while maintaining consistency with Korea's approved national framework, and it can support the identification of high-emission road segments, the evaluation of traffic-operation measures, and the development of reduction strategies tailored to local governments.

최근 기후변화로 인한 극한 강우의 발생 빈도가 증가함에 따라 강우가 도시부 교통 운영에 미치는 영향을 정량적으로 분석할 필요성이 높아지고 있다. 본 연구에서는 차량 주행 데이터와 기상자료를 활용하여 강우 조건에 따른 도시부 도로의 평균 주행속도 변화를 분석하였다. 46개 교차로와 453개 링크에서 수집된 15분 단위 평균 주행속도와 기상청의 시간당 강우 자료를 활용하였으며, 강우일 3일과 비강우일 3일을 동일 요일과 시간대를 기준으로 대응시켰다. 강우 시에는 비강우 시보다 평균 주행속도가 0.322 km/h 감소하였으며, K-S 검정 결과에서도 두 조건의 주행속도 분포는 통계적으로 유의한 차이를 나타내었다. 선형 혼합효과 모형을 이용하여 시간대, 요일, 차로 수 및 제한속도를 고려한 결과, 기준 조건에서 강우 발생 시 평균 주행속도는 비강우 조건보다 0.836 km/h 감소하였으며, 강우의 영향이 시간적·도로 조건에 따라 상이한 것으로 나타났다. 추가적으로 SMOTE를 이용하여 강우자료를 증강하고 강우량 임계값별 주행속도 분포를 비교한 결과, 비강우와 강우 조건의 속도 차이는 주행속도 분포의 상위 백분위에서 상대적으로 크게 나타났다. 본 연구 결과는 강우 시 도시부 주행속도 변화를 이해하고 교통 운영 및 안전관리 전략을 수립하기 위한 기초자료로 활용될 수 있다.

With the increasing frequency of localized and extreme rainfall events due to climate change, there is a growing need to quantitatively assess the effects of rainfall on urban traffic operations. This study analyzed changes in average travel speed on urban roads under rainfall conditions using vehicle driving data and meteorological observations. The analysis used 15-minute average travel speed data collected from 453 links associated with 46 intersections and hourly rainfall data provided by the Korea Meteorological Administration. Three rainfall days and three non-rainfall days were matched by the same day of the week and time period to minimize temporal traffic variability. Descriptive statistical analysis showed that the average travel speed was 26.681 km/h under non-rainfall conditions and 26.359 km/h under rainfall conditions, indicating a reduction of 0.322 km/h during rainfall. The Kolmogorov-Smirnov test also confirmed a statistically significant difference between the travel speed distributions under the two conditions. A linear mixed-effects model was applied considering time period, day type, number of lanes, and speed limit. Under the reference condition, rainfall reduced average travel speed by 0.836 km/h compared with non-rainfall conditions. Significant interaction effects were also identified between rainfall and time period, day type, and number of lanes, indicating that rainfall impacts varied across temporal and roadway conditions. In addition, SMOTE-based data augmentation was used to compare travel speed distributions across rainfall intensity thresholds. The speed differences between non-rainfall and rainfall conditions were relatively greater in the upper percentiles of the travel speed distribution. These findings can support traffic operation and safety management strategies under rainfall conditions.

교통안전대응책 수립에는 지점의 안전상 문제점과 도로 환경을 함께 고려하는 과정이 요구된다. 이에 본 연구는 텍스트와 지점별 파노라마 이미지를 결합한 학습 데이터로 Gemma 4 26B-A4B에 시각 인코더를 포함한 QLoRA 파인튜닝을 적용하여, 교통안전 분야에 특화된 멀티모달 언어모형을 구축하고 전문가 대응책과의 유사성 및 생성 양상을 정량적·정성적으로 검토하였다. 평가 결과, 개발한 모형은 정답과 표현이 다르더라도 의미상 부합하는 대응책을 생성하였으며, 전체 208개 평가 표본 중 1개에서 반복 생성에 따른 퇴화 현상이 관찰되었다. 이는 도로환경의 시각 정보를 대응책 생성 과정에 직접 결합하고 정량·정성 평가를 함께 수행함으로써, 교통안전 분야에서 멀티모달 언어모형의 실현 가능성을 실증하였다는 점에서 의의가 있다.

Developing traffic safety countermeasures requires joint consideration of site-specific safety problems and road environments. To support this process, this study applied QLoRA fine-tuning, including the vision encoder, to Gemma 4 26B-A4B using training data that combined text with panoramic images of each location, thereby developing a multimodal language model specialized for traffic safety and examining the similarity of its outputs to expert countermeasures and their generation patterns through quantitative and qualitative evaluation. The evaluation results showed that the developed model tended to generate countermeasures that were semantically consistent with the ground truth even when phrased differently, while repetitive generation was observed in one of the 208 evaluation samples. This demonstrates the feasibility of multimodal language models in the traffic safety domain by directly incorporating visual information on the road environment into the countermeasure generation process and jointly conducting quantitative and qualitative evaluation.

교통수요 예측의 불확실성은 도로사업 타당성분석의 핵심 쟁점이며, 예측교통량과 실측교통량 간의 체계적 오차(편의)는 사업구간과 주변구간에서 서로 다른 방향으로 나타난다. 본 연구는 예비타당성조사 및 타당성재조사 도로사업 38개 사업, 550개 구간(사업구간 81개, 주변구간 469개)을 대상으로 개통연도 예측오차를 분석하고, 준거집단 예측법에 기반한 분위회귀모형으로 중위 기대교통량(50% 분위)과 90% 예측구간(5~95% 분위)을 추정하는 방법을 제시한다. 분석 결과, 사업구간의 MPE는 −20.23%(과대추정), 주변구간의 MPE는 +9.77%(과소추정)로 구간 유형별 편의의 방향이 상반되었다. 사업 단위로 분할한 K=5 교차검증(20회 반복)에서 제안 모형은 사업구간의 MPE를 −20.23%에서 +4.29%로 보정하였으며, MAPE는 예측교통량과 같은 수준(33.87%)이었으나 OLS 회귀모형(43.15%)보다 낮았다. 90% 예측구간의 실측값 포함률은 사업구간 79.6%, 주변구간 87.4%로 목표 포함률(90%)에 다소 미치지 못하였다. 본 연구는 추정 정확도의 향상보다는 편의 보정과 예측구간 제시를 통해 단일 점추정 중심의 수요예측을 보완하는 실무적 방법을 제시한다는 데 의의가 있다.

Uncertainty in traffic demand forecasting is a critical issue in road project appraisal, and the systematic error (bias) between forecast and observed traffic runs in opposite directions on project and other road sections. Using 550 sections (81 project and 469 surrounding sections) from 38 Korean road projects, this study analyzes opening-year forecast errors and following the reference class forecasting approach, applies quantile regression to estimate the median expected traffic volume (50th percentile) and a 90% prediction interval (5th–95th percentiles). The mean percentage error (MPE) is −20.23% (overestimation) for project sections and +9.77% (underestimation) for surrounding sections. In five-fold cross-validation split by project and repeated 20 times, the proposed model shifts the MPE of project sections from −20.23% to +4.29%; its mean absolute percentage error (MAPE) equals that of the original forecasts (33.87%) and is lower than that of ordinary least squares (43.15%). The empirical coverage of the 90% prediction interval is 79.6% for project sections and 87.4% for other road sections, somewhat below the nominal level. The contribution of the study lies less in point-forecast accuracy than in bias correction and the provision of prediction intervals that complement single-point forecasts in practice.

본 연구는 다차로 좌회전 교차로에서 발생하는 유도선 이탈 및 조기 차로변경이 고의사고 보험사기 유발거동 중 좌회전 사고유발의 취약 조건으로 작용할 수 있다는 연구배경에서 출발하였다. 서울시 보험사기 적발자료와 교차로 좌표를 GIS로 결합하여 100m 영향권 내 사건 집중도를 산정하고, 영등포R 등 상위 취약 교차로를 도출하였다. 이 중 색깔유도선이 설치된 길음역·상도역 교차로를 대상으로 영상 기반 일반차량 궤적과 실험차량의 GNSS·CAN 데이터를 수집하였으며, PC-Crash 시뮬레이션과 조향부담 분석을 통해 좌회전 유도선의 선형 개선안을 검토하였다. 분석 결과, 운전자는 급격한 곡률 변화보다 연속적이고 완만한 궤적을 선택하는 경향이 나타났으며, 최대 조향각 약 150°, 조향각속도 60°/s 이하가 안정적 설계 범위로 판단되었다. 개선안 적용 시 길음역과 상도역 모두에서 최대 조향각과 조향각속도 기준 초과 구간이 감소하여 주행 안정성이 향상되는 것으로 나타났다. 본 연구는 노면표시 형상 조정만으로도 좌회전 차로 이탈과 상충 위험을 줄이고 보험사기 취약 상황을 구조적으로 완화할 수 있음을 제시한다.

This study was initiated on the premise that guideline departures and premature lane changes at multi-lane left-turn intersections can create vulnerable conditions that are exploited for intentional insurance fraud maneuvers. The concentration of incidents within a 100 m radius was calculated by integrating Seoul’s insurance fraud detection data with intersection coordinates using a Geographic Information System, identifying highly vulnerable intersections such as Yeongdeungpo Rotary. Among these, the Gireum Station and Sangdo Station intersections, which feature colored guide lines, were selected for further investigation. The video-based trajectories of general traffic and GNSS/CAN data from an experimental vehicle were collected at these sites. The proposed alignment improvements for the left-turn guide lines were evaluated using PC-Crash simulations and steering workload analysis. The analysis showed that drivers tended to choose continuous and gentle trajectories over abrupt changes in curvature, establishing a stable design range with a maximum steering angle of approximately 150° and a steering angular velocity of 60 °/s or less. Applying the proposed improvements reduced the number of sections exceeding these steering criteria at both intersections, thereby enhancing driving stability. This study suggests that adjusting the geometry of road surface markings alone can reduce left-turn lane departures and collision risks, structurally mitigating the vulnerabilities to insurance fraud.

본 연구는 전기이륜차 배터리 교환 서비스의 차량 이용행태를 고정된 고객군이 아니라 반복적으로 갱신되는 운영상태로 분석하였다. 2025년 유효 교환로그 410,464건으로부터 795대의 완전한 30일 차량-구간 8,398개를 구성하고, 교환 10건 이상인 6,876개 활동구간에서 교환강도, 평균 반납 충전상태, 야간비중 및 주 이용 교환소 비중을 이용해 네 활동상태를 도출하였다. 상태중심은 연간 자료에서 학습한 뒤 2-6월에 최초 관측되어 180일 추적이 가능한 차량 131대의 786개 구간에 적용하였다. 달력월, 진입월, 요일, 활성 교환소 수와 관측시간을 통제한 결과 관측 경과구간의 전체 효과는 유의하지 않았다(p=0.469). 군집수 4의 실루엣계수는 0.235였으나 차량 재표본화 안정성은 높았다(평균 ARI=0.939). 전체 상태유지율은 67.5%, Cohen의 카파 계수는 0.575였고, 저활동형의 24.4%는 다음 구간에 활동상태로 복귀하였다. 결과는 차량상태를 월별로 갱신하여 재고, 충전, 야간지원 및 대체교환소 안내를 차등화할 필요성을 보여준다.

This study analyzes vehicle-level behavior in an electric two-wheeler battery-swapping service as periodically updated operational states. From 410,464 valid swap records collected in 2025, 8,398 complete 30-day vehicle-periods were constructed for 795 vehicles. Four active states were derived from 6,876 periods with at least ten swaps using swap intensity, mean return state of charge, night-swap share, and primary-station share. The fleet-wide centroids were then applied to 786 periods from 131 vehicles first observed between February and June and followed for 180 days. A negative-binomial generalized estimating equation controlling for calendar month, entry month, weekday, active stations, and observed time found no overall elapsed-period effect (p=0.469). The four-cluster solution had a silhouette score of 0.235, while vehicle-level resampling showed high stability (mean adjusted Rand index=0.939). Overall one-period persistence was 67.5%, with Cohen's kappa of 0.575. Initial states significantly differentiated subsequent five-month swaps and nominal replenishment energy, whereas 24.4% of low-activity periods returned to an active state. These findings support monthly profile updates and state-specific inventory positioning, charging planning, night support, alternative-station guidance, and cautious reactivation decisions.

안개는 영상의 대비와 가시거리를 저하시켜 주행 환경의 의미론적 분할 성능을 크게 떨어뜨린다. 실제 안개 영상은 주석 비용이 높아 맑은 영상에 안개를 합성하여 학습하는 방식이 널리 활용되지만, 기존 합성 안개는 거리에 따라 대비를 감소시킬 뿐 다중 산란으로 원거리가 흐려지는 특성을 재현하지 못한다. 본 연구는 실제 안개 영상 없이, 깊이 기반 합성 안개에 광학 거리에 비례하는 블러를 더하는 Scattering blur 증강을 제안하였다. 제안 합성 안개는 평가된 실제 안개 영상의 원거리·근거리 선명도비에 더 가까운 경향을 보인 반면, 전역 지표인 FID와 FADE로는 기존 합성 안개와 구분되지 않았다. Cityscapes만으로 학습한 SegFormer는 실제 안개 데이터셋에서 기존 합성 안개 대비 평균 2.6 mIoU 향상된 전이 성능을 보였다. 본 실험에서는 대비 감소 조건보다 블러를 포함한 조건에서 더 큰 향상이 관찰되었고, 블러를 거리에 연동한 조건에서 추가 향상이 관찰되었다. 다만 이러한 개선은 아키텍처에 따라 상이했으며, 평가한 모델 중 SegFormer 계열에서 가장 일관되게 나타났다.

Fog reduces image contrast and visibility, substantially degrading semantic segmentation performance in driving environments. Synthetic fog generated from clear images is widely used for training because collecting and annotating real foggy images is expensive. Nevertheless, conventional fog synthesis mainly models distance-dependent contrast attenuation and does not sufficiently capture the increase in far-field blur caused by multiple scattering. This paper proposes a Scattering Blur augmentation that adds blur proportional to optical distance to depth-based synthetic fog without using real foggy images. The proposed synthetic fog exhibits a far/near sharpness ratio (FNSR) closer to that of the evaluated real-fog images, while showing similar FID and FADE values to conventional synthetic fog. SegFormer trained only on Cityscapes achieved an average improvement of 2.6 mIoU over conventional synthetic fog on real-fog datasets. Larger improvements were observed in configurations including the blur component, with an additional gain when blur was coupled to distance. The improvement was architecture-dependent and was most consistent for the evaluated SegFormer models.

최근 자율주행 및 로봇 기술의 발전으로 다양한 신규 이동 수단이 등장하면서 도입 가능성 평가와 운영계획 수립을 위한 시뮬레이션의 중요성이 커지고 있다. 그러나 신규 이동 수단은 실제 운행 자료가 부족해 차종별 물리적 주행 특성을 운영계획에 반영하기 어렵다. 본 연구에서는 제원과 주행 특성이 서로 다른 다종 모빌리티를 대상으로 배차와 경로를 계획하는 운영시뮬레이션과 차량의 물리적 움직임을 모사하는 물리 시뮬레이션을 연계하는 프레임워크를 구축하였다. 두 시뮬레이션 사이에 전달되는 차량·경로·도로 구간의 데이터 구조와 대응 관계를 정의하고 운행 계획을 전달하여 주행 결과를 반환하는 절차를 설계하였다. 관측된 속도는 도로 구간과 차종 단위로 집계되어 운영 시뮬레이션의 도로망에 반영된다. 화성시 리빙랩 도로망에서 두 차종 20대에 적용한 결과, 모두 139km의 계획 경로를 완주하였고 1,223개 링크의 속도를 갱신하였다. 두 차종이 함께 주행한 링크의 통행시간은 균일한 속도를 가정한 계획보다 1.6배와 2.2배 길었다. 이는 실제 운행 자료가 없는 신규 이동 수단도 물리 시뮬레이션의 주행 결과로 차종별 운영계획을 평가할 수 있음을 시사한다.

Recent advances in autonomous driving and robotics have introduced diverse forms of emerging mobility, making simulations important for assessing their deployment feasibility and planning their operations. Nevertheless, emerging mobility vehicles lack real-world driving data, making it difficult to incorporate the physical driving characteristics of each vehicle type into operational planning. This study developed a framework that couples an operational simulator, which plans vehicle dispatch and routes, with a physics simulator that reproduces vehicle motion, for multi-type mobility comprising vehicle types with different specifications and driving characteristics. Data structures and correspondence relations for vehicles, routes, and road links exchanged between the two simulators were defined, and procedures were designed to transfer operational plans and return driving results. The observed speeds are aggregated by road link and vehicle type and returned to the road network of the operational simulator. The framework was applied to 20 vehicles of two types on the Hwaseong Living Lab road network. All vehicles completed planned routes totaling 139km, and speed information on 1,223 links was updated. The travel times on the links driven by both types were 1.6 and 2.2 times those of a plan that assumed a uniform speed. These results suggest that operational plans for emerging mobility without real-world driving data can be evaluated by vehicle type using the driving results from physics simulations.

본 연구는 일반 차량에서 수집한 주행 영상을 활용하여 다수의 선행 차량 중 자차와 동일차로를 주행하는 전방차량을 식별하는 방법을 제안하였다. 제안된 방법은 사전 학습된 YOLOv11 모델로 차량 객체를 1차 탐지한 후, 영상 좌표계 상에서 기하학적 각도 임계 조건을 적용해 최종 전방차량을 선별한다. 스마트폰으로 수집한 고속도로 주행 영상으로 평가한 결과, 정탐률 86.4%, 오탐률 5.4%, 미탐률 8.2%를 보였다. 전체 오류의 약 75.6%는 YOLO 객체 탐지 단계의 바운딩 박스 오류 또는 탐지 실패에서 발생하였으며, 이를 제외한 전방차량 식별 방법 자체의 정탐률은 96.3%의 높은 성능을 나타냈다. 이는 고정밀 센서 없이 일반 카메라 영상만으로 전방차량 정보를 생성할 수 있음을 보여주며, 향후 차간거리, 차두시간 및 차량 추종 거동 분석을 위한 기초자료로 활용될 수 있다.

This study proposes a method for identifying the preceding vehicle traveling in the same lane as the ego vehicle among multiple surrounding vehicles using driving videos collected from ordinary vehicles. The proposed method first detects 'car', 'truck', and 'bus' objects using a pre-trained YOLOv11 model and subsequently selects the target preceding vehicle by applying geometric angle threshold conditions for each object in the image coordinate system. Performance evaluation using smartphone-recorded highway driving videos demonstrated a true detection rate of 86.4%, a false detection rate of 5.4%, and a missed detection rate of 8.2%. However, approximately 75.6% of the total errors resulted from bounding box inaccuracies or detection failures during the YOLO object detection stage. Excluding these initial errors, the identification method itself achieved a high true detection rate of 96.3%. These findings demonstrate that preceding vehicle information can be generated using only standard camera videos without high-precision sensors, serving as fundamental data for estimating inter-vehicle distance, time headway, and car-following behavior.

대중교통 공간정보는 공급과 수요를 연결하는 기반 데이터인데, 많은 지역에서 데이터 미구축, 미갱신 및 비표준화로 분석에 제약이 존재한다. 본 연구는 대중교통 기반자료가 미비한 지역에 실제 차량 운행 궤적과 교통카드 승차 이력을 융합해 버스 노선 및 정류장 공간정보를 자동으로 생성하는 방법론을 제안한다. 데이터 정제 및 운행 회차 분리 후 차량·정류장별 교통카드 최초 승차시각과 매칭되는 DTG 좌표를 추출하고, 공간군집화 알고리즘(DBSCAN)을 통해 최적 정류장 좌표를 산정하였다. 본 연구는 이기종 교통 데이터 연계로 예산 소모 없이 신뢰도 높은 국가 대중교통 공간정보를 동적으로 구축·갱신할 수 있는 실무적 프레임워크를 정립했다는 점에서 의의를 지닌다.

Missing or outdated public transit spatial data severely restricts transportation analysis. This study paper proposes a methodology to automatically generate bus route and stop information by fusing vehicle trajectories (DTG) with smart card boarding records. Following After data purification and trip segmentation, the framework extracts extracted DTG coordinates corresponding to the first boarding time per stop. Optimal stop locations are were then calculated using the DBSCAN spatial clustering algorithm. This establishes a practical framework to dynamically construct and update national transit spatial databases without additional budget expenditures.

개인형 이동장치(Personal Mobility, 이하 PM)는 도심의 주요 단거리 이동수단으로 확산되고 있으나, 차종 간 안전수준 비교에서는 사고에 관여한 가해운전자의 연령구성 차이가 충분히 고려되지 않았다. 본 연구는 TAAS의 2021~2025년 자료를 이용하여 PM의 사고 치사수준을 자전거, 이륜차 및 원동기장치자전거와 비교하고, 차종별 가해운전자 연령구성을 동일하게 가정했을 때 결과가 어떻게 달라지는지 분석하였다. 연령이 확인된 사고 기준 PM의 사고 100건당 사망자수는 1.09명으로 자전거 1.46명보다 낮았으나, 동일한 기준 연령분포를 적용한 후에는 PM 2.70명, 자전거 1.45명으로 나타났다. PM/자전거 치사수준 비는 1.860(95% CI 1.413~2.378)으로 유의한 차이를 보였으나, 이륜차와 원동기장치자전거와는 유의한 차이가 확인되지 않았다. 따라서 PM의 사고 치사수준이 자전거보다 낮다는 단순 평균 결과는 가해운전자 연령구성의 차이를 함께 고려하여 해석할 필요가 있으며, 차종 간 치사수준 비교에서는 가해운전자 연령구성의 기여를 함께 검토할 필요가 있다.

Personal mobility devices (PM) have become a common short-distance travel mode, but safety comparisons across vehicle types rarely account for differences in at-fault driver age composition. Using 2021−2025 data from the Traffic Accident Analysis System (TAAS), this study compared fatalities per 100 crashes for PM with bicycles, motorcycles, and mopeds and examined how the results changed after adjusting for differences in at-fault driver age composition. Among crashes with a reported at-fault driver age group, PM recorded 1.09 fatalities per 100 crashes, lower than bicycles at 1.46. After age-composition adjustment, these values became 2.70 for PM and 1.45 for bicycles. The adjusted PM-to-bicycle fatality ratio was 1.860 (95% CI: 1.413−2.378), indicating a significant difference. In contrast, no statistically significant differences were observed between PM and motorcycles or between PM and mopeds. Therefore, the simple average finding that PM has a lower crash fatality level than bicycles should be interpreted in conjunction with differences in the age composition of at-fault drivers, and comparisons of fatality levels across vehicle types should also consider the contribution of at-fault driver age composition.

본 연구는 COVID-19 팬데믹이 서울 도시철도 이용량 감소에 미친 영향을 ‘기존 추세의 가속'과 ‘새로운 구조적 패턴 변화'로 분해하여 분석하였다. 2000년부터 2023년까지의 서울교통공사 월별 승하차 데이터(1~8호선)를 활용하여 가상 기준선 구축 및 이중분해 프레임워크를 적용하였 다. 분석 결과, 2020년 초 유의미한 구조적 단절이 발생했으며, 총 이용량 감소의 27%가 기존 추세 연장으로 설명되고, 73%가 코로나19 특유의 구조적 충격으로 나타났다. 회복 궤적은 'L형'을 보이며 2023년 12월 기준 코로나19 이전의 92.8% 수준에 머물러 영구적 수요 소실 우려를 확인했다. 호선별로 2호선은 추세 가속 비중(37%)이, 4호선은 회복률(96.8%)이 가장 높았다. 이는 대중교통 수요가 일시적 감소를 넘어 ‘새로운 정상(New Normal)'에 진입했음을 의미하며, 대중교통의 회복 및 발전을 위해서는 대중교통 서비스의 구조적 전환이 필요함을 시사한다.

This study empirically decomposed the impact of the COVID-19 pandemic on the decline of Seoul Metro ridership into the "acceleration of existing downward trends" and "new structural pattern changes." Using the monthly boarding and alighting data of Seoul Metro (Lines 1–8) from 2000 to 2023, a counterfactual baseline was constructed, and a dual decomposition framework was applied. The analysis results showed that a significant structural break (F=413.07) occurred in early 2020, and only 27% of the total ridership decline was explained by the extension of existing trends, while more than 73% appeared to be a COVID-19-specific structural shock. The recovery trajectory showed an 'L-shape' and remained at 92.8% of the pre-COVID-19 level as of December 2023, confirming concerns about a permanent demand loss. Subway Line 2 had the highest trend acceleration ratio (37%), and Line 4 had the highest recovery rate (96.8%). Hence, public transit demand has moved beyond a temporary decline and entered a 'New Normal', highlighting the need for a fundamental structural transformation of public transit services.

대규모 환승역에서 핵심 시설이 미운영되고 우회 안내가 충분하지 않으면 이용자는 정보 공백 속에서 경로를 판단해야 한다. 본 연구는 이러한 상황의 경로 판단 행태와 관련 요인을 분석하였다. 2026년 7월 수도권 거주 성인 대상 진술선호조사의 일반 표본 1,000명을 사용하여, 우회 안내가 없는 시나리오(S1)와 확정적 안내가 제공되는 시나리오(S2)를 연계해 분석하였다. S1에서 응답자의 22.0%가 익숙한 기존 경로를 그대로 시도하였고, 익숙경로 고수율은 연령이 높을수록 상승하였다. 성별·이용빈도를 통제한 이항 로지스틱 회귀에서도 60~64세(승산비(OR)=2.04)와 65세 이상(OR=2.10)의 익숙경로 고수 승산이 높았고, 직관이동 성향(OR=0.77)과 익숙경로 성향(OR=1.38)이 연령을 통제한 후에도 유의하였다. 익숙경로 고수자의 89.1%가 익숙한 경로의 안전성을 이유로 들었고 안내정보 불신은 3.6%였다. S2에서는 고수자의 58.6%(65세 이상 69.6%)가 안내를 즉시 수용해 비고수자(25.9%)보다 높았고, 차이는 연령과 성향을 통제한 뒤에도 유지되었다(OR=3.53). 익숙경로 고수자는 안내가 제공되면 이를 따르지 않는 집단이 아니라 안내가 없을 때 익숙한 경로의 주관적 안전성을 이유로 기존 경로를 선택하는 집단이며, 이는 대규모 환승역 우회 안내 체계 설계의 기초자료로 활용될 수 있다.

Users must decide their route under an information gap when the key facilities in large transfer stations are out of service, and detour guidance is not sufficiently provided. This study analyzed the route decision behavior and its associated factors in such situations. Using the general sample of 1,000 respondents from a stated preference survey conducted in July 2026 among adults residing in the Seoul metropolitan area, a scenario without detour guidance (S1) was linked to a scenario in which definite guidance was provided (S2). In S1, 22.0% of the respondents tried their most familiar existing route, and familiar-route adherence increased with age. In a binary logistic regression controlling for gender and usage frequency, the odds of adherence remained higher for ages 60–64 years(odds ratio [OR]=2.04) and 65 years and over (OR=2.10), and intuitive wayfinding propensity (OR=0.77) and familiar-route propensity (OR=1.38) remained significant after controlling for age. Among the adherents, 89.1% cited the familiar route as the safest option, whereas the distrust of guidance information accounted for only 3.6%. In S2, 58.6% of adherents (69.6% among those aged 65 and over) immediately accepted the guided detour, exceeding the 25.9% of non-adherents. This gap persisted after controlling for age and propensity (OR=3.53). Therefore, familiar-route adherents are not a group that declines to follow guidance once it is provided, but one that chooses the familiar route for its perceived safety when guidance is absent, which provides a basis for designing detour guidance systems in large transfer stations.

본 연구는 자율주행자동차의 중요한 센서 중 하나인 LiDAR 센서의 형태에 따른 먼지 오염상황에서의 객체 인지 성능 비교를 목적으로 하고 있다. 본 연구에서 제시한 방법론은 dust filter 개발, 시험용 먼지, 시험 시나리오, 평가지표로 구성된다. LiDAR 센서 형태별 성능 비교를 위해 고정형 LiDAR 센서와 회전형 LiDAR 센서를 이용하여 먼지 오염상황에서 LiDAR 센서의 객체 인지 성능을 분석하였다. 분석 결과, 먼지 오염도 15% 이상에서의 point cloud의 개수 감소폭이 가장 크며, 검정색 객체는 LiDAR 센서의 객체 인지 성능에 영향이 있음을 확인하였다. 또한, LiDAR 센서 형태에 따라 객체를 인지하는 경향도 서로 다름을 확인하였다. 본 연구를 통해 도출된 방법론과 분석 결과는 자율주행자동차에 장착되는 LiDAR 센서의 특성을 고려하여 자율주행 알고리즘 고도화 및 최적의 객체 인지 센서 장착 방안 마련에 기초자료를 제공할 것으로 기대된다.

This study aims to compare the object perception performance of LiDAR sensors under dust contamination according to sensor configuration, as LiDAR is one of the key sensors used in autonomous vehicles. The proposed methodology consists of dust filter development, test dust selection, test scenario design, and evaluation metrics. To compare the performance of different LiDAR configurations, object perception performance was evaluated under controlled dust contamination conditions using solid-state and rotating LiDAR sensors. The results indicate that the reduction in the number of point clouds becomes most pronounced when the dust contamination level exceeds 15%. In addition, black-colored objects were found to influence LiDAR perception performance, and different LiDAR configurations exhibit distinct object detection characteristics. The proposed methodology and findings are expected to provide useful insights for improving autonomous driving perception algorithms and establishing optimal LiDAR sensor deployment strategies.

종단 간 자율주행은 센서 입력으로부터 주행 행동을 예측할 수 있어 정보 손실을 줄일 수 있는 방법으로 주목받고 있다. 그러나 기존 연구는 대부분 도심 주행에 집중되어 고속 주행상황을 충분히 다루지 못했다. 고속 주행에서는 짧은 시간에 긴 거리를 이동하므로 원거리 객체와 도로 구조가 중요한 단서가 되지만, 카메라 해상도 한계로 이를 포착하기 어렵고 최종 제어 출력에 일관되게 반영하기도 어렵다. 이에 본 연구는 장거리 시각 인코딩 구조와 장면-궤적-행동 정렬 모듈을 통해 원거리 장면 정보와 주행 행동을 연결하는 실시간 자율주행 아키텍처를 제안한다. 실험 결과, 제안 방법은 고속 주행 시뮬레이션 환경에 대한 개루프 및 폐루프 평가에서 인지 및 제어 성능을 향상시켰고, 약 22 Hz의 추론 속도를 달성하였다.

End-to-End (E2E) autonomous driving has attracted attention because it predicts driving actions directly from sensor inputs and reduces information loss. Nevertheless, existing studies have focused mainly on urban driving, leaving high-speed driving insufficiently explored. In high-speed driving, a vehicle moves a long distance in a short time, making distant objects and road structures important cues. On the other hand, these distant cues are difficult to capture and reflect in the final driving actions consistently due to camera resolution limitations. This paper proposes a real-time E2E framework that connects distant cues with driving actions through a long-range visual encoding structure and a Scene-Trajectory-Action alignment module. In a high-speed driving simulation environment, the proposed method improves perception and control performance in open-loop and closed-loop evaluations and achieves real-time inference at approximately 22 Hz.

자율주행 기술이 발전함에 따라 안정적인 자율차 운행을 위한 선제적 안전관리의 중요성이 강조되고 있다. 제어권 전환은 자율차의 기술적·운영적 취약성이 표출된 이벤트로 교통안전관리를 위한 핵심 지표로 활용할 수 있다. 시뮬레이션은 자율차 데이터의 활용이 제한되는 구간의 안전성을 평가할 수 있는 실용적인 도구이지만, 실제 운행에서 관찰되는 제어권 전환을 직접 반영하는 데에는 한계가 있다. 따라서 본 연구에서는 실도로 자율차 주행 데이터를 기반으로 제어권 전환 예측 모델을 개발하고, 시뮬레이션에 적용하여 가상의 제어권 전환 이벤트를 재현한다. 또한 제어권 전환 이벤트가 공간적으로 집중된 구간을 자율주행 취약구간으로 정의하고, 공간분석을 통해 취약구간을 검지하는 방법론을 제안한다. 제어권 전환과 일반 자율주행 케이스를 추출하고, 궤적자료를 기반으로 주행행태지표를 산출하였다. 주행행태지표를 입력변수로, 제어권 전환 발생 여부를 목표변수로 설정하여, 정확도 72.9%의 예측 모델을 학습하였다. 모델 트리 구조를 바탕으로 예측 로직을 개발하고, 자율주행 리빙랩 시뮬레이션 네트워크에 적용하였다. 재현된 제어권 전환 이벤트를 대상으로 커널밀도추정 기법을 수행하여 밀도상위 5% 영역에서 4개의 자율주행 취약구간을 검지하였다. 도로조건과 교통환경을 바탕으로 취약요인을 분석한 결과, 교차로 영향권, 차로 감소구간, 버스정류장 등의 주요 특성이 확인되었다. 본 연구의 방법론은 선제적 안전관리와 자율협력주행을 위한 의사결정을 지원하는 기초자료로 활용될 수 있다.

Proactive traffic safety management has become increasingly important for stable autonomous vehicle (AV) operation as autonomous driving technology has advanced. Take-over events show technical and operational vulnerabilities in AVs and can serve as key indicators for traffic safety management. Traffic simulation is a practical tool for evaluating safety in road segments with limited AV data availability. Traffic simulation faces limitations in directly reproducing take-over events observed during real-world driving. Therefore, this study developed a take-over prediction model using real-world AV driving data and adopted the model in a traffic simulation to reproduce virtual take-over events. Autonomous driving vulnerability zones are defined as road segments where take-over events are spatially concentrated. A methodology was proposed to identify the vulnerability zones through spatial analysis. Take-over cases and normal autonomous driving cases were extracted. The driving behavior indicators were obtained from the trajectory data. The prediction model was trained using driving behavior indicators as input variables and take-over occurrence as the target variable. The trained model achieved an accuracy of 72.9%. The prediction logic was developed from the tree structure of the trained model and applied to the simulation network of the autonomous driving living lab. A kernel density estimation of the reproduced take-over events identified four autonomous driving vulnerability zones within areas corresponding to the top 5% of the density values. An analysis of the road conditions and traffic environments identified intersection influence areas, lane-drop sections, and bus stops as major characteristics of the vulnerability zones. The proposed methodology can provide a basis for decision-making on proactive traffic safety management and cooperative autonomous driving.

본 연구는 도심형 소규모 물류 환경에서 택배의 목적지별 분류를 지원하기 위해 큐브형 스토리지 프레임, X–Y축 직교 이송로봇, YOLOv5 기반 영상 인식부 및 사용자 인터페이스를 통합한 시제품을 제안한다. 영상 인식부는 QR 및 Tape 영역을 검출하며, QR 판독으로 얻은 배송지 정보를 로봇 제어부에 전달한다. Arduino 기반 통신·구동 제어와 IR 센서 기반 목표 위치 검출을 통합하여 분류 동작을 구현하였다. 기존 평가에서 보고된 QR 및 Tape 클래스의 precision은 각각 0.998과 0.999이며, AP@0.5는 각각 0.995이다. 추가로 동일 공간 조건의 이상화된 저장 배치 분석과 가정 기반 정지 오차·처리 시간 시뮬레이션을 수행하여 통로 폭 및 이동 속도에 따른 설계 민감도를 분석하였다. 이러한 보조 분석은 실제 시제품의 저장 용량, 정지 정밀도 또는 전체 분류 성공률을 검증한 결과와 구분된다. 본 연구의 기여는 소규모 분류 시스템의 통합 구현 및 후속 실증을 위한 평가 체계 제시에 있다.

This study presents a prototype parcel sorting system integrating a cube storage frame, an X–Y Cartesian handling robot, YOLOv5-based visual detection, and a graphical user interface for small urban logistics hubs. The vision module detects QR and tape regions, while decoded QR information determines the destination. Arduino-based communication and actuation are integrated with infrared sensing for target-position detection. The previously reported precision values are 0.998 for QR and 0.999 for Tape, with an AP@0.5 of 0.995 for each class. Additional idealized layout calculations and assumption-based simulations examine the sensitivity of storage capacity, stopping error, and cycle time to aisle width and robot speed. These supplementary analyses do not constitute measured validation of prototype capacity, positioning accuracy, or end-to-end sorting reliability. The contribution is an integrated prototype and an evaluation framework for subsequent physical validation.

실내외 보행자 구역에서 작동하는 자율 배달 로봇은 물리적 충돌과 일상적인 움직임 방해를 구분해야 합니다. 고정 임계값 관성 검출기는 울퉁불퉁한 표면, 갑작스러운 조작, 바퀴 미끄러짐 등으로 인해 오검출이 발생하기 쉽습니다. 반면, 많은 학습 기반 방법들은 전용 충돌 센서에 의존하거나 제한된 환경에서만 평가됩니다. 본 논문에서는 기존의 온보드 신호를 활용한 하이브리드 다중 센서 충돌 감지 프레임워크를 제안합니다. 프레임워크의 첫 번째 구성 요소는 직접 라이다-관성 측정(DLIO) 추정을 활용해 명령과 움직임 간의 잔차와 적응 임계값에 따른 전방 속도 차이 신호를 평가합니다. 두 번째 구성 요소는 시간적 합성곱 신경망(TCN)을 사용해 제어 입력, 주행 거리 측정, 필터링된 충격 지표, 그리고 깊이 기반 사람 근접 신호를 융합합니다. 분류기는 물리적 충돌과 일반 주행, 충돌 유사 인간 개입을 구분하며, 시간적 정교화는 프레임별 예측을 안정적인 이벤트 수준의 결정으로 전환합니다. 우리는 6개의 독립 세션에서 수집한 55건의 충돌과 56건의 간섭 사건을 활용해 실내, 실외, 혼합 환경에서 이 프레임워크를 평가했습니다. 적응형 규칙 기반 기준선과의 비교를 통해, 이 프레임워크가 테스트된 조건에서 잘못된 충돌 판단을 억제할 수 있음을 추가로 확인했습니다.

Autonomous delivery robots operating in indoor and outdoor pedestrian areas must distinguish physical collisions from routine motion disturbances. Fixed-threshold inertial detectors are prone to false alarms caused by uneven surfaces, abrupt maneuvers, and wheel slip. Meanwhile, many learning-based methods rely on dedicated collision sensors or are evaluated only in constrained settings. In this paper, we present a hybrid multi-sensor collision detection framework that uses existing onboard signals. The framework's first component uses Direct LiDAR-Inertial Odometry (DLIO) estimates to evaluate command-to-motion residuals and a forward-velocity discrepancy cue against adaptive thresholds. Its second component uses a Temporal Convolutional Network (TCN) to fuse control inputs, odometry, filtered impact indicators, and a depth-based person-proximity cue. The classifier separates physical collisions from normal driving and collision-like human interference, while temporal refinement converts frame-wise predictions into stable event-level decisions. We evaluate the framework in indoor, outdoor, and mixed environments using 55 collision and 56 interference events collected across six independent sessions. The comparison with an adaptive rule-based baseline further indicates that the framework can suppress false collision decisions under the tested conditions.