본 논문은 차량과 보행자의 미래 위치를 예측하기 위해 설계된 물리 기반 신경망(physics-informed neural network, PINN)을 제시하며, 이는 도로 안전 위험에 대한 핵심적인 통찰을 제공한다. 제안된 모델은 도로 이용자의 잠재적 궤적을 예측함으로써 사고를 예방하기 위한 선제적 전략에 정보를 제공한다. 물리 모델에는 차량에 대해 지능형 운전자 모델(intelligent driver model)이 포함되고, 보행자에 대해서는 사회적 힘 모델(social force model)이 포함된다. 위험 평가는 확률적 예측의 특성을 고려하여, 2차원 개방 공간에서의 기대 분포(expected distribution)를 기반으로 미래 위치를 확률적으로 예측함으로써 다룬다. 본 프레임워크는 2~4초 시간 범위 내에서 차량과 보행자의 미래 위치를 예측하여 위험을 정확하게 평가하며, 약 2%의 오차율을 보였다. 제안된 프레임워크의 위험 평가 성능은 차량과 보행자 간 충돌 시간(time to collision, TTC)을 계산하고 교통 갈등을 분석함으로써 검증되었다. 확률적 예측을 활용하여 TTC는 몬테카를로 시뮬레이션(Monte Carlo simulations)과 콜모고로프–스미르노프 검정(Kolmogorov–Smirnov test)을 통해 확률적으로 평가되었으며, 이를 통해 보다 세분화되고 효과적인 교통 갈등 분석이 가능해졌다. 개발된 방법은 3초 이내에 발생하는 잠재적으로 위험한 사건을 평가할 때 95%를 초과하는 정확도를 보였고, 도로 안전을 향상시키기 위한 실행 가능한 통찰을 제공한다. 또한 본 프레임워크는 실제 환경에 배치되어 신뢰할 수 있고 견고한 시험 결과를 입증하였다. 이러한 포괄적 접근은 교차로와 도로에서 보다 효과적인 위험 평가 및 완화를 위한 길을 열 것으로 기대된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.