2025 1학기 울산대학교 IT융합학부 산학협력프로젝트캡스톤디자인
Accident_Ratio.pdf 는 교통사고 당시 사고 영상을 기반으로 사고 객체 탐지, 사고 유형 분류 및 해당 사고의 정보를 담은 보고서를 작성하는 서비스입니다.
OpenMMLab의 오픈 라이브러리인 mmdetection, mmaction2 모델을 활용하여 교통사고 상황 당시 블랙박스 영상을 Fine-Tuning 시켜 객체 검출 및 사고 분류 모델을 제작. 해당 모델은 블랙박스 영상의 객체 및 4가지 정보(사고 유형, 사고 장소 유형, 객체 A의 진행 방향, 객체 B의 진행 방향)를 추출한다. 추출된 정보는 랭체인 기술을 이용해 손해보험협회의 자동차사고 과실비율 인정기준과 비교하여 인정 과실비율을 산정. 이후 사고 상황, 과실비율 분석, 판정 근거, 관련 법률 등의 정보를 제공하는 보고서를 생성한다.
- 해마다 교통사고 건수는 약 20만건 정도 발생(한국도로교통공단 교통사고분석시스템 24년 기준), 과실비율 산정 청구 건수 또한 해마다 증가하는 추세(23년 기준 약 13만건, 손해보험협회)
- 현재 과실비율 산정 절차는 매우 까다롭고 복잡함. (사고 분석 1건당 평균적으로 2주 ~ 2개월의 시간 소요)
- 법률 및 제도의 빈번한 변경, 법원 판례의 일관성 부족, 해석의 다양성 등의 이유로 과실비율 판정에 어려움.
- 이들의 문제를 해결하기 위해 AI 과실비율 산정 모델을 개발, 산정된 과실비율을 바탕으로 일반인들도 이해하기 쉬운 사고 요약 보고서 생성 서비스를 기획하게 되었다.
-
사고 영상 제출
- 사고 상황 당시에 녹화된 블랙박스 영상(사고 시점으로 부터 전후 5초)을 제출
-
영상 데이터 수집 (프레임 단위로 추출)
- 제출한 영상을 프레임 단위로 추출
-
프레임 단위로 영상 내 사고 객체 인식
- 각 프레임 마다 사고장면의 객체를 인식
-
프레임 단위로 영상 내 사고 유형 분류
- 4개의 분류 모델을 연결하여 4가지 정보(사고 유형, 사고 장소 유형, 객체 A의 진행 방향, 객체 B의 진행 방향) 동시 추출
-
추출된 정보를 바탕으로 과실 비율 산정
-
산정된 과실 비율과 산정 근거, 사고 상황 설명, 관련된 법률 등의 정보를 제공하는 보고서 작성 및 생성
- LangChain 기반 보고서 생성
- DetectoRS 알고리즘을 이용하여 9종(자동차, 보행자, 이륜차, 자전거 표지판, 신호등(적색), 신호등(청색), 신호등(기타), 횡단보도)의 객체를 검출
- SlowFast 구조를 가진 모델 활용
- 각 모델은 4개의 직렬구조로 이루어져 총 4개의 출력값이 하나의 사고 유형을 이룸
- 프레임 단위의 영상을 입력으로 받아 두 Pathway를 거쳐 보다 정밀하게 영상 분류 수행
- RAG 파이프라인 기반
- 사고 영상 분류 모델에서 추출된 사고 유형 정보를 바탕으로 해당 모델에서 과실비율 산정 및 사고 분석
- 사고 정보를 기반으로 손해보험협회에서 제공한
자동차사고 과실비율 인정기준.pdf와 국가법령정보센터에서 제공한도로교통법.pdf에서 검색
- 다양한 시나리오의 데이터셋 확보 및 증강
- 현재는 4개의 사고 정보를 추출하여 한정된 사고 유형에 대해서만 분류가 가능
- 추후 다양한 조건의 블랙박스 영상을 확보하여 데이터의 다양성 확대
- 웹/앱 기반의 서비스 확장
- 사고 영상 업로드 -> 실시간 보고서 생성 시스템 구축
- 보험사 및 공공기관과의 협력(연계) 서비스 구축
- 손해보험협회, 경찰청, 보험사 등과의 협업을 통해 시스템 상용화
- 실제 사고 감정 시스템에 AI 보조 시스템으로 연계 가능
- 사고 처리 기간 단축
- 평균 2주 ~ 2개월이 걸리던 과실 비율 산정 절차를 대폭 단축 가능
- 판단의 객관성 확보
- AI가 법률, 판례를 기반으로 분석
- 쉬운 이해도
- 랭체인 기반 요약 및 설명으로 인해 비전문가들도 쉽게 이해할 수 있는 보고서 생성
- 사회적 비용 절감
- 불필요한 소송 감소 등
- AI – Law 융합 사례
- 실제 법률 해석과 AI 기술의 융합 가능성 제시
