[넥스트데일리]내비게이션과 딥러닝이 만나면..MIT의 미래 예측은?

가까운 미래에는 차량 내비게이션 앱에 ‘저위험 경로’ 혹은 ‘사고다발 경로 회피’ 등의 선택 옵션이 추가될지도 모른다. 또 자동차보험회사에서는 가입자의 지난 1~2년간 주 운행 경로를 분석해 교통사고 발생 가능성이 높은 구간을 자주 다닐 경우 보험료를 인상하거나, 현재의 실 주행거리에 기반을 둔 마일리지 운전자보험처럼 주 운행 경로의 위험도에 따른 맞춤 상품을 제안할 수도 있다.

이는 미래 교통사고 발생 구간과 그 시점을 미리 예측할 수 있는 딥러닝 모델 때문이다. 과거 차량 사고가 전혀 없던 곳일지라도 이 모델을 이용하면 미래 특정 기간 내 사고 발생 가능성과 빈도를 정확하게 예측할 수 있다는 것이 이 모델을 개발한 매사추세츠공과대학(MIT) 컴퓨터사이언스 및 인공지능 연구소(CSAIL)의 설명이다.

MIT CSAIL와 카타르인공지능센터(Qatar Center for Artificial Intelligence. 이하 QCAI)가 공동 개발한 딥러닝 모델은 미래 특정 기간의 사고 발생 가능성과 그 빈도를 예측하는 것이 특징이다. 2017~2018년의 데이터를 기반으로 이 모델을 실행해 2019~2020년의 실제 발생한 교통사고 건수를 대입한 결과 거의 맞아떨어졌다고 관계자는 설명했다.

지금까지의 위험 예측 지도는 과거 이력 데이터에 크게 의존하기 때문에 사고가 발생하지 않은 지역일 경우 위험구간으로 분류되지 않는다. 하지만 MIT CSAIL와 QCAI의 딥러닝 모델은 과거 충돌 사고 기록이 없는 많은 장소에서 위험을 예측했으며, 이렇게 고위험구간으로 인식된 장소들은 이후에 실제로 사고가 발생했다는 것이다.

이러한 정확도는 과거 사고 이력 데이터는 물론 도로 지도, 위성 이미지 및 GPS 추적을 조합해 생성해내는 고해상도 충돌 위험 지도 덕분이다. 일반적으로 이러한 유형의 위험 지도는 수백미터 반경을 저해상도 이미지로 캡처해 만들어진다. 이 때문에 세부적인 사항들을 담아내기 힘들며 이는 예측 정확도를 떨어뜨리게 된다.

MIT CSAIL 딥러닝 모델은 5X5미터 그리드셀의 고해상도 이미지를 기반으로 도로와 주변 변수들을 세부적으로 담아냄으로써 가시성과 예측 정확도를 높였다. 뿐만 아니라 데이터세트를 만든 대상 구간이 미국 LA, 뉴욕, 시카고, 보스턴 지역을 아우르는 7500평방킬로미터에 이른다는 것이 놀랍다.

고해상도 이미지에 담을 중요 데이터를 확보하기 위해선 더 많은 원시 정보가 필요했다. GPS 궤도 패턴을 파악해 고위험구간을 식별하는데 이는 차량 통행의 밀도, 속도, 방향에 대한 정보를 제공한다. 또 위성 사진을 통해 차로 개수, 갓길의 유무, 보행자의 수 등 도로 구조를 파악한다. 이러한 차량 통행 패턴과 토폴로지만으로 과거 사고 기록이 없는 지역일지라도 고위험구간으로 규정하게 된다.

이 딥러닝 모델의 목표는 모든 장소에서 미래의 차량 충돌 발생 가능성을 결정하는 제반 위험 분산도를 포착해서 더 안전한 운행 경로를 찾는 것이다. 또 도시공학 부문에서 안전한 도로 설계에 도움을 줄 수 있다. MIT CSAIL 관계자는 “전세계 차량 충돌 사고는 세계 GDP의 약 3%를 차지하는 비용을 유발하며 그보다 더 중요한 것은 어린이와 청소년 사망의 주요 원인이라는 것”이라고 전했다.