Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking 주요어 : 배회궤적, 특징벡터, 휴리스틱알고리즘, 레이블링, 보행궤적 서론 서울시도시철도의하루평균이용객은약 7

Save this PDF as:
 WORD  PNG  TXT  JPG

Size: px
Start display at page:

Download "Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking 주요어 : 배회궤적, 특징벡터, 휴리스틱알고리즘, 레이블링, 보행궤적 서론 서울시도시철도의하루평균이용객은약 7"

Transcription

1 ARTICLE LiDAR 기반보행자추적을통한보행궤적패턴분석연구 조영 1 정은비 2 유소영 2 오철 3* 1 한양대학교교통 물류공학과박사과정, 2 한국철도기술연구원미래교통정책본부선임연구원, 3 한양대학교교통 물류공학과교수 Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking JO, Young 1 JEONG, Eunbi 2 YOU, Soyoung Iris 2 OH, Cheol 3* 1 Ph.D Course, Transportation and Logistics Engineering, Hanyang University, Gyeonggi 15588, Korea 2 Senior Researcher, Innovative Transport Policy Division, Korea Railroad Research Institute, Gyeonggi 16150, Korea 3 Professor, Transportation and Logistics Engineering, Hanyang University, Gyeonggi 15588, Korea *Corresponding author: J. Korean Soc. Transp. Vol.36, No.6, pp , December pissn : eissn : ARTICLE HISTORY Received: 15 November 2018 Revised: 10 December 2018 Accepted: 26 December 2018 Copyright C Korean Society of Transportation This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License ( which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited. Abstract The effective provision of route information in subway stations is essential for not only the edestrian guidance but also the evacuation in emergency situations including natural disaster and terrors. This study developed a methodology for characterizing the pedestrian walking trajectory patterns, which can potentially represent the performance of information provision and facility operations in subway stations. Pedestrian tracking data was collected at the Samsung subway station using a LiDAR-based tracking technique. Pedestrian trajectories were classified into four groups such as pacing, lapping, stay, and inefficiency. Feature vectors were extracted toward the reliable characterization of pedestrian walking trajectories. A heuristic classification algorithm based on extracted features was then developed for the trajectory labeling. Approximately, 20% of pedestrians in our dataset were identified as having abnormal trajectories. The outcome of this study is expected to be useful in analyzing pedestrian trajectory patterns. Keywords: abnormal trajectory, feature vector, heuristic algorithm, labeling, pedestrian walking trajectory 초록 도시철도역사내경로안내체계는길찾기뿐만아니라재난재해발생시인명피해최소화를위하여효과적인정보제공이필요하다. 이에본연구에서는역사내경로안내체계의적절성을평가할수있는보행궤적패턴분석을위한방법론을개발하였다. 2호선삼성역을대상역사로설정하여 LiDAR 기반으로수집된보행궤적자료를활용하였다. 보행자배회유형은 pacing, lapping, stay, inefficiency 로분류하였으며, 개별보행궤적내특성을나타낼수있는특징벡터를도출하였다. 각특징벡터에대응하는임계값설정을통해보행궤적데이터레이블링을위한휴리스틱알고리즘을구축하였다. 분석결과, 보행자중약 20% 가배회궤적을나타낸것으로도출되었다. 본연구에서제시한방법론은지하철역사내보행패턴분석을위해효과적으로활용될것으로기대된다. 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 503

2 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking 주요어 : 배회궤적, 특징벡터, 휴리스틱알고리즘, 레이블링, 보행궤적 서론 서울시도시철도의하루평균이용객은약 798만명이며, 이중 2호선을이용하는승객이 244만명으로가장많은것으로나타났다 (Seoul Open Data Plaza). 특히출퇴근시간대에집중되는지하철이용객으로인해역사내보행혼잡도가증가하며, 이를해결하기위하여보행환경에대한개선이요구되고있는실정이다. 지하철역사내보행공간확장은점유공간의증가로서비스수준이향상될것으로예상되나실질적으로불가능한경우가대부분이며, 이에적절한경로안내체계서비스제공은상대적으로적은비용과시간으로혼잡을상당히감소시킬것으로판단된다. 만약부적절한경로안내체계가제공되었을경우, 역사내이용자는두리번거리기, 헛걸음하기, 다시돌아오기등과같은배회행동을수행할것으로예상된다. 배회보행자가많은지하철역사는길찾기뿐만아니라재난재해발생시출입구및비상통로대피를통한인명피해최소화를위하여경로안내체계의적정성평가가필요하다. 지하철역사내경로안내체계에대한적정성평가는전체보행자수대비배회보행자수를산출하여정량화된값을제시함으로써역사간비교분석이가능하다. 배회보행자검출을위하여 CCTV와같은영상감지시스템을이용할수있으나, 감시자가지속적으로개별보행자의궤적을추적하고, 배회행동을판단하는것은어려움이있다. 최근자율주행을위한주행환경인지기술로많이활용되고있는 LiDAR 센서를기반으로한보행동선솔루션을이용할경우개별보행자를연속하여추적할수있다. 이에본연구에서는 LiDAR 기반으로수집된보행궤적자료를이용하여역사내보행특성을도출하고, 경로안내체계적정성을평가할수있는배회보행자검출기술을개발하였다. 보행궤적패턴분석은데이터준비단계, 전처리단계, 보행궤적패턴분류단계로구성된다. 데이터준비단계에서는 2호선삼성역을대상역사로설정하여, 오전첨두, 오후비첨두, 오후첨두에대한시간대별보행궤적자료를수집하였다. 수집된자료는개별보행자에 ID를부여하여연속추적이가능한보행동선솔루션을활용하였다. 보행궤적자료의전처리단계는분석의용이성을확보하기위하여보행공간블록화및구역을정의하였으며, 이상치제거단계를포함한다. 보행궤적패턴분류단계에서는보행자배회유형을 pacing & lapping, stay, inefficiency 로정의하고, 개별보행궤적내특성을나타낼수있는 7개의특징벡터 (feature vector) 를도출하였다. 각특징벡터에대응하는임계값설정을통해보행궤적데이터레이블링 (labeling) 을위한휴리스틱알고리즘을개발하였다. 본연구에서제시한방법론은도시철도역사내뿐만아니라환승센터, 공항, 항구와같은다중교통시설에확대적용이가능할것으로판단된다. 또한향후건설될경전철, 광역철도등의역사내배회보행자를검지하고, 경로안내체계의적정성평가를수행하는데활용될것으로기대된다. 본연구의구성은다음과같다. 2장에서는보행자배회특성및검지기준관련문헌을검토하였다. 3장에서는삼성역내보행공간에서보행궤적조사및기초자료수집에대해서술하였다. 4장에서는보행궤적내특징을나타내는특징벡터를도출하고, 보행궤적데이터레이블링을위한휴리스틱알고리즘을제시하였다. 5장에서는보행궤적패턴분류결과를제시하였으며, 마지막장에서는본연구의결과및향후연구과제에대해서술하였다. 관련문헌고찰 본연구에서는도시철도역사내보행공간에서이용자의보행특성을도출하고, 보행자배회궤적패턴정의및분석을수행하고자한다. 보행자배회특성관련연구를고찰함으로써보행궤적분류를위한알고리즘구축시궤적내특징을나타내는특징벡터및임계값을설정하는데활용하였다. 배회의사전적의미는아무목적도없이어떤곳을중심으로어슬렁거리며이리저리돌아다니는것을의미한다. 다시말해서, 어떤범위내에서논리없이움직이는행위로, 3가지의배회유형에대한 MS-Patterns를 Table 1에제시하였다 (Martino-Saltzman et al., 1991). 배회유형을정의한저자의이름에따라 MS-Patterns 가제시되었으며, random은목적지를예측하기어렵고, 기점에서 504 Journal of Korean Society of Transportation Vol.36 No.6 December 2018

3 JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol 종점까지이동하는동안비효율적으로움직이는행위를의미한다. 또한어느두지점사이를앞뒤로반복적으로움직이는행위를 pacing이라고정의하였다. 마지막으로 lapping은최소세지점사이를원형형태를그리며움직이는행위이다. 보행자배회특성관련연구는 Table 1에제시한 MS-Patterns 를고려하여배회궤적패턴을정의하고, 이를검지하기위한기준마련에관한연구가다수수행되었다. Algase et al.(2009) 은 42명의치매환자를대상으로직접적인관찰을통해보행특성자료를수집하였으며, 클러스터링기법을적용하여배회유형을 classic, moderate, subclinical 상태로구분하였다. 배회유형이 classic 상태인경우는특정범위를높은빈도로지나가거나, 점유시간이긴것으로나타났으며, moderate 상태, subclinical 상태순으로점유횟수및시간이감소하는것으로분석되었다. 특정구역을높은빈도로다시되돌아오는행위를수행할때나타나는주요보행특성은방향의변화이다 (Bastista et al., 2015). 특히, 의연속적인방향변화와동시에 4-6회주기로어느두지점사이를앞뒤로움직이는행위는 pacing을검지하는데활용된다. Table 1. Travel patterns of people with dementia (MS-Patterns) Random Pacing Lapping Types of wandering Definition Unpredictable and inefficient path Back-and-forth movement between two points Circular movements between, at least, three points 한편, 치매환자뿐만아니라일반보행자를대상으로배회행동을검지하고특성을분석한연구가수행되었다. Lin et al.(2012) 은 GPS를이용하여실시간으로보행자의배회행동을검지하는방법론을제시하였다. 90 이상의연속적인방향변화와동시에최소세지점사이를원형형태를그리며이동할경우배회동선으로검지하였다. 이처럼갑작스러운방향전환은예측한궤적과관측된궤적의차이가존재할가능성이있으며, 그차이가클수록비정상적인보행자로분류되는것으로나타났다 (Fernando et al., 2018). 인공신경망 (artificial neural network) 기법중심층콘볼루션신경망 (deep convolutional neural network) 을이용하여고령자의보행패턴을분류한연구에서는기점에서종점까지이동하는동안효율적으로이동하였는지여부를통해비정상적인보행자를분류하였다 (Gochoo et al., 2018). 고령보행자는 Table 1에제시한 random, pacing, lapping과같은배회행동을수행하여비효율적인이동동선이나타나는것으로분석되었다. 또한, 보행자의이동궤적과방향에대해특징벡터를생성하고, 생성된특징벡터를 k-nearest neighbor 기법통해배회행위를검출하는방법론을제시한연구가수행되었다 (Kang et al., 2104). 방범용 CCTV를이용하여실시간으로움직이는객체를검출하고방향정보를추출하는것은범죄사고가발생하기전예방을위해활용될것으로서술하였다. 이에 Park et al.(2011) 은감시영역을벗어난후다시되돌아오는객체에대한배회행위를인식할수있는지능형배회행위검출시스템을제안하였다. 영상내객체가동일한블록을반복적으로움직이는행위를수행할때, 배회궤적을나타내는블록이 3개이상일경우배회상황으로검출하였으며, 이를배회검지기준으로설정하였다. 또한, 클러스터링 (Clustering) 기법을적용하여보행궤적을유형화하고, 궤적간특징을통해배회동선을추출한연구가수행되었다 (Jeong and You, 2017). 보행궤적이타보행자들이일반적으로이동하는궤적과유사성이떨어지는경우에대해배회동선으로검출하였다. 기존문헌고찰결과, MS-Patterns 를고려하여배회유형을정의하고, 이를검지하기위한기준마련에관한연구가다수수행되었다. 치매환자의배회행동검지기준은보다정량화된값을제시하고있으나, 일반보행자의배 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 505

4 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking 회행동을검지하는데있어서동일하게적용하는것은부적절할것으로판단된다. 영상감지시스템의경우감시자가지속적으로각각의보행자에대해궤적을추적하고특징을분석하는것은실질적으로어려울것으로예상된다. 특히, 대중교통시설등우리생활에밀접한관련이있는지역에서보행자배회행동을검지하는것은테러와같은위협적인상황을사전에감지하기위하여매우중요하다. 기존에보행궤적간유사성을통해배회동선을검출한연구에서는보행자가이동하는동안배회행위를직접적으로검지하지못하는한계가존재한다. 따라서본연구는배회유형정의및궤적내특성도출을통한정량적인배회검지기준을마련하여배회행동을검출하는데차별성이있다. 자료수집 2호선삼성역을대상으로개찰구에서코엑스와직접연결되는연결통로 3-6번출구인근에서상용화된보행동선분석솔루션을활용하여보행궤적자료를수집하였다. 해당솔루션은 LiDAR 센서를무선네트워크에연결한궤적수집시스템으로, 개별 LiDAR 센서는 270 내에서동선추적이가능하며, 센서간검지영역을일부중첩시킬경우임의로부여된 ID를기반으로궤적을연속하여추적할수있다 (Jeong and You, 2017). 자료수집의시간적범위는 2017년 7월 12일첨두시와비첨두시로나누어수집하였다. 오전첨두시는 7-9시, 오후비첨두시는 14-14시 30분, 오후첨두시는 18-19시로설정하였다. 보행궤적자료는 0.2초단위로수집되었으며 x y z좌표, 방향, 속도, 가 감속도등의보행특성자료를포함한다. 본연구에서는 x 좌표, y 좌표, 방향, 속도, 가 감속도자료를이용하였으며, 가속도의변화량을시간에대해미분한 jerk를분석대상자료에추가하였다. Jerk는운전자의안락감및주행안정성평가에활용되는지표로 (Bagdadi and Varhelyi, 2013), 본연구에서는역사내이용자의보행안정성을나타내는지표로활용하였다. 본연구에서수집된보행궤적자료중속도, 가속도, jerk에대한기술통계량을 Table 2 에제시하였다. Table 2. Comparison of pedestrian characteristics by time Classification Speed (m/s) Acceleration (m/s 2 ) Jerk (m/s 3 ) Number of Standard Standard Standard pedestrians Average Average Average deviation deviation deviation AM peak 10, PM non-peak 2, PM peak 12, 오전첨두시에대해 10,235명, 오후비첨두시 2,771명, 오후첨두시 12,108명으로총 25,112명에대한보행궤적자료가수집되었다. 오전첨두시의경우평균보행속도가 1.18m/s로오후시간대에비해높고표준편차가작은특성으로나타났다. 또한가속도의평균및표준편차가작으며, jerk의평균이낮아오후시간대보다보행안정성이높은것으로도출되었다. 이는오전첨두시에기 종점이같은경우최단거리를중심으로집중되는보행교통류가형성된것으로판단된다. 반면에, 오후첨두시의경우평균보행속도가 0.98m/s로가장낮고, 표준편차는높은것으로분석되어보행자간속도차이가크게발생하는것으로해석할수있다. 또한가속도의평균및표준편차가높으며, 마찬가지로 jerk의평균및표준편차가큰것으로도출되었다. 시간대별보행특성간통계적차이가존재하는지검증하기위하여분산분석을수행하였다. 분석결과, 보행속도, 가속도, jerk는 95% 신뢰수준에서통계적으로유의한차이 (p<0.5) 가있는것으로나타났으며 Table 3에제시하였다. 도출된결과에따라시간대별보행궤적자료를구분하여분석에적용하였으며, 보행궤적패턴분류를위한알고리즘구축시시간대별서로다른임계값을설정하였다. 506 Journal of Korean Society of Transportation Vol.36 No.6 December 2018

5 JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol Table 3. ANOVA test results Speed Section Scheffe Acceleration Section Scheffe Jerk Section Scheffe ANOVA Sum of squares d.f Mean square F Sig. Between groups Within groups Total Post-Hoc test N Subset for alpha= PM non-peak PM peak AM peak Sig ANOVA Sum of squares d.f Mean square F Sig. Between groups Within groups 2.E Total 2.E Post-Hoc test N Subset for alpha= AM peak PM peak PM non-peak Sig ANOVA Sum of squares d.f Mean square F Sig. Between groups 1.E Within groups 3.E Total 3.E Post-Hoc test N Subset for alpha= AM peak PM peak PM non-peak Sig 분석방법론 본연구에는보행자배회궤적유형을정의하고개별보행궤적데이터레이블링 (labeling) 을위한휴리스틱알고리즘을개발하였다. 앞서언급한, 자료준비단계에서는수집된자료의특성을분석하여자료분석을위한기본정보를정의하였다. 자료전처리단계에서는보행공간을일정한셀 (cell) 로블록화하고, 보행공간구역을정의하는단계이며, 비연속적이거나불완전한보행궤적을이상치로제거하는과정을포함한다. 보행궤적분류단계에서는배회궤적유형을정의하고, 보행궤적내특징을나타낼수있는특징벡터를도출하였다. 최종적으로개별보행궤적에대해배회여부를레이블링하기위한알고리즘을개발하였다. 본연구의수행과정은 Figure 1과같다. 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 507

6 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking Figure 1. Overall research process 1. 보행궤적자료전처리 1) 보행공간블록화본연구에서는보행공간을격자형태의셀로구분하여보행궤적자료의좌표와대응시켰다. 보행자는차량과마찬가지로일정공간을점유하게되는데양쪽어깨점사이의수평거리인어깨너비를고려하여셀의크기를설정하였다. 성인남녀의연령별어깨너비는 Table 4에제시하였으며 (Ministry of Trade, Industry and Energy, 2016), 이를참고하여셀의크기는 (mm 2 ) 으로설정하였다. 이는보행자가일정범위로지정된동일한공간에다시되돌아오는지또는오랜시간을소요하는지여부를판단하는데활용하였다. Table 4. The shoulder width of Korean adults by age Age Number of measurements Average (mm) Maximum (mm) Minimum (mm) Journal of Korean Society of Transportation Vol.36 No.6 December 2018

7 JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol 2) 보행공간구역정의본연구의분석범위인삼성역지하보행공간에대한구역을구분하였다. 0구역은대합실로정의한중앙공간이며, 1구역은지하철승강장과연결되는계단공간에서개찰구까지의구역이다. 2구역, 3구역, 4구역은방향별출입구로향하는통로에대해시계방향으로설정하였다 (Jeong and You, 2017). 설정된구역은 Figure 2와같으며, 보행궤적자료의이상치제거에활용하였다. Figure 2. Definition of walking area 3) 이상치제거보행궤적자료의기 종점위치를기반으로비연속적이고불완전한궤적을추출하여이상치로제거하였다. 본연구에서는보행자의기 종점이출입구접근로인 1-4구역일경우, 대합실로정의된 0구역을반드시통과하는것으로가정하였다. 보행궤적의기 종점이 0구역인경우는어느방향에서오고어느방향으로갔는지알수없기때문에이상치로판단하여분석에서제외하였다. 또한기점에서종점까지이동하는동안 0구역을포함하지않으며기 종점이동일한보행궤적은비연속적으로끊긴궤적으로나타났다. 이는전체보행궤적에대한패턴을알수없기때문에이상치로판단하여분석에서제외하였다. 2. 보행궤적패턴분류 1) 보행궤적유형정의본연구에서는특정구역에서반복적인움직임을보이거나이동동선이불규칙한행위를배회라고정의하였다. 앞서 Table 1에제시한배회유형인 MS-Patterns를참고하여역사내보행자의배회궤적유형을 Figure 3과같이정의하였으며, 각셀에표기된숫자는점유횟수를의미한다. Pacing은두개의연속적인셀을앞뒤로움직이는행위이며, lapping은특정구역에서반복적으로움직이는행위로정의하였다. 배회유형 2는 stay로임계값이상의시간동안하나의셀에머물러있는행위를의미한다. 배회유형 3은보행자가기점에서종점까지이동하는동안비효율적으로움직이는행위로 inefficiency 라고정의하였다. 여기서, 각셀에대해개별보행자의점유횟수및시간에대한자료를추가적으로수집하였다. 이때, 고령자등보행속도가낮은보행자는동일한셀을연속하여 2회이상점유하거나, 하나의셀을점유하는시간이일반보행자에비해길기때문에배회궤적으로분류될가능성이존재한다. 따라서셀의점유횟수및시간을이용하여배회유형을분류할경우방향및속도의표준편차를함께고려하여배회여부를판단하는데활용하였다. 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 509

8 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking Type 1-1: pacing Type 1-2: lapping Type 2: stay Type 3: inefficiency Figure 3. Definition of abnormal pedestrian trajectory patterns 510 Journal of Korean Society of Transportation Vol.36 No.6 December 2018

9 JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol 2) Feature vector 도출수집된자료를이용하여보행자배회유형및여부를판단하기위해개별보행궤적내특징을나타낼수있는 7개의특징벡터와이에대응하는임계값을도출하였다. 첫번째특징벡터, 은보행자가기점에서종점까지이동하는동안점유한셀의수와최단거리에해당하는셀의수차이를의미한다. 기점과종점의각셀을대각선으로연결할경우이에포함되는셀을이용하여최단거리에해당하는셀의수를산출하였다. 이에대응하는임계값은 으로, 모든보행자에대해 95percentile 에해당하는 으로설정하였다. 예를들어, 어느보행자가초과한셀의수가 보다클경우기점에서종점까지이동하는동안비효율적인궤적패턴을나타내기때문에배회행위로판단할수있다. 는진행방향에서벗어나동일한셀을점유한횟수를의미한다. 90 이상의연속적인방향변화는진행방향에서벗어난것으로간주하였으며 (Bastista et al., 2015; Lin et al., 2012), 이와동시에동일한셀을중복적으로점유할경우다시되돌아오기와같은배회행위를수행한보행자로판단된다. 방향의단위는 degree ( ) 로보행궤적자료의 x, y 좌표를이용하여 2차원평면에서원점을기준으로시계방향으로산출하였으며, Figure 4에도식화하였다. 에대한임계값 는동일한셀을점유한평균횟수이며, 특정셀을점유한횟수가임계값이상일경우해당보행자는제자리로되돌아오는배회행위를수행한것으로판단된다. Figure 4. Example of direction calculation 는기점에서종점까지이동하는동안속도의표준편차를의미하며, 속도의표준편차가클경우가다서기 (stop-and-go) 와같은머뭇거리는행위를수행한보행자로판단된다. 또한, 는기점에서종점까지이동하는동안방향의표준편차로정의하였으며, 방향의표준편차가클경우진행방향에서벗어난행위를빈번히수행한것으로판단된다. 이에해당하는임계값 와 는모든보행자에대해속도및방향의표준편차로정의하였다. 한편, 는 jerk의최댓값과최솟값의차이를의미하며 peak-to-peak jerk로정의하였다. 역사내이용자의보행안정성을나타내는지표로활용하였으며, 모든보행자를대상으로 95percentile 에해당하는 peak-to-peak jerk인 이상일경우는보행안정성이저하되는것으로해석할수있다. 마지막으로, 및 은기점에서종점까지이동하는동안점유한셀의평균및최대점유시간을의미한다. 셀의평균및최대점유시간이임계값보다클경우일정공간에오래머물러있는시간이길어두리번거리기, 주변탐색하기, 방황과같은배회행위를수행한보행자로판단된다. 는모든보행자의평균셀점유시간이며, 마지막으로 는모든보행자의 95percentile 에해당하는최대점유시간을의미한다. 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 511

10 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking Table 5. Definition of 7feature vectors Feature vectors Name Definition Thresholds Additional extra cell Difference of the number of cells occupied and corresponding to the shortest distance while moving from start to end point Occupancy count of cell The number of times occupied same cell by changing direction of 90degrees or more Standard deviation of speed Standard deviation of speed while moving from start to end point Standard deviation of Standard deviation of direction while moving direction from start to end point Peak-to-peak jerk Difference between maximum and minimum value of variation of acceleration per unit time Average duration Average duration occupying a cell Maximum duration Maximum duration occupying a cell 3) 보행궤적데이터레이블링본연구에서수집된삼성역지하철역사내수집된보행궤적자료는보행자의배회여부를알수없으며, 보행궤적자료와영상을매칭 (matching) 하여배회여부를판단하는데실질적으로오랜시간이소요된다. 따라서본연구에서는개별보행궤적내특징을나타낼수있는각 7개의특징벡터와임계값을이용하여배회유형및보행자를레이블링하기위한휴리스틱알고리즘을개발하였다. Figure 5에제시한바와같이 3가지의배회유형중어느하나에해당될경우비정상 (abnormal) 보행자로분류되어 1로레이블링하였으며, 그렇지않을경우정상 (normal) 보행자로분류되어 0으로레이블링을수행하였다. Figure 5. The heuristic algorithm for pedestrian trajectory data labeling 512 Journal of Korean Society of Transportation Vol.36 No.6 December 2018

11 JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol 우선, 배회유형 2에해당하는 stay를분류하기위하여속도의표준편차 ( ), 셀의평균점유시간 ( ), 그리고셀의최대점유시간 ( ) 에대한특징벡터를이용하였다. 일반적으로셀을점유하는시간이다소높을경우배회로판단할수있으나, 고령자와같은보행속도가낮은보행자는배회를하지않았음에도불구하고배회보행자로분류될가능성이존재한다. 따라서속도의표준편차가모든보행자의속도표준편차 ( ) 보다클때셀의평균및최대점유시간을비교하였다. 예를들어, 가다서기를반복한보행자는속도의표준편차가다소높을것이며, 일정범위에머무르는행위를수행한보행자로배회유형 2로분류된다. 한편, 배회유형 1을분류하기위하여초과한셀의수 ( ), 동일한셀의점유횟수 ( ), 방향표준편차 ( ), 그리고 peak-to-peak jerk ( ) 에대한특징벡터를이용하였다. 개별보행자의초과한셀의수가모든보행자의 95percentile 에해당하는초과셀수보다크거나, 방향의표준편차가다소높을경우배회로판단할수있다. 또한 peak-to-peak jerk 값이모든보행자의 95percentile 에해당하는수치보다클경우보행안정성이낮은보행자로판단된다. 이와동시에동일한셀을점유한횟수가임계값이상일경우유형 1의 pacing & lapping으로분류하였으며, 임계값미만일경우유형 3의 inefficiency 로구분하였다. 분석결과 1. 시간대별임계값비교 본연구에서는삼성역역사내보행공간에서수집된보행궤적자료를이용하여궤적내특징을나타낼수있는특징벡터와임계값을도출하였다. Table 3에제시한바와같이시간대별보행특성은통계적으로유의한차이가존재하는것으로분석되었으며, 이에시간대별임계값을다르게설정하였다. 오전첨두시에 10,235명, 오후비첨두시에 2,771명, 오후비첨두시에 12,109명의보행궤적자료가수집되었으며, 이상치제거후오전첨두시에 7,049명, 오후비첨두시에 1,420명, 오후첨두시에 6,778명의자료를분석에적용하였다. 시간대별보행특성의 95percentile, 평균, 표준편차는 Table 6에제시하였다. Table 6. Comparison of feature vectors by time AM peak 95percentile Average Standard deviation PM non-peak 95percentile Average Standard deviation PM peak 95percentile Average Standard deviation 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 513

12 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking 기점에서종점까지이동하는동안초과한셀수의 95percentile ( ) 은오전첨두시에 30개로오후시간대에비해적은것으로나타났다. 이는오전첨두시에기 종점이같은경우최단거리를중심으로집중되는보행교통류가형성된것으로판단된다. 동일한셀을점유한횟수의평균 ( ) 은오후비첨두시의경우약 3회로첨두시간대에비해많은것으로분석되었다. 또한, 속도의표준편차 ( ) 와방향의표준편차 ( ) 는오후비첨두시에대해각각 0.64m/s, 로첨두시간대보다높은것으로도출되었다. Peak-to-peak jerk의 95percentile ( ) 은오후비첨두시에 m/s 3 으로첨두시간대의약 3배정도높은것으로분석되었다. 마지막으로, 셀의평균점유시간 ( ) 및최대점유시간의 95percentile ( ) 은오후비첨두시에대해각각 0.38초, 6.79초로첨두시간대보다다소긴것으로나타났다. Table 6을고려하여도출된시간대별임계값은 Table 7과같다. Table 7. Threshold values by time Thresholds AM peak PM non-peak PM peak 보행궤적데이터레이블링결과본연구에서는역사내보행궤적자료를이용하여배회궤적패턴을도출하고, normal 및 abnormal 보행자를분류하였다. 본연구에서정의한배회유형은 3가지로 pacing & lapping, stay, inefficiency 로구분하였다. 개별보행궤적내특징을나타낼수있는 7개의특징벡터및이에대응하는임계값을적용한보행궤적레이블링결과는 Table 8과같다. 오전첨두시에수집된 7,049명의보행자중 1,249명 (17.72%) 이 abnormal 보행자로분류되었다. 오후비첨두시의경우는 1,420명의보행자중 300명 (21.13%), 오후첨두시는 6,778명중 1,731명 (25.54%) 으로배회보행자가가장많은것으로도출되었다. 오전및오후첨두시의경우배회유형 2 (stay) 를수행하는보행자가가장많고, 유형 1, 유형 3 순으로적은것으로나타났다. 반면에오후비첨두시는배회유형 1 (pacing & lapping) 을수행하는보행자가가장많았으며, 유형 2, 유형 3 순으로감소하는것으로분석되었다. 도출된결과에따라배회보행자의보행궤적을살펴본결과, 본연구에서제시한배회유형을나타낸것으로확인되었다. 배회궤적패턴을나타낸일부보행자의궤적을 Figure 6에제시하였다. Table 8. Results of pedestrian trajectory data labeling AM peak (N=7049) PM non-peak (N=1420) PM peak (N=6778) Abnormal pedestrian Number of Number of Number of trajectory patterns Rate (%) Rate (%) Rate (%) pedestrians pedestrians pedestrians Type 1 Pacing & Lapping Type 2 Stay Type 3 Inefficiency Total Journal of Korean Society of Transportation Vol.36 No.6 December 2018

13 JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol Figure 6. Example of abnormal pedestrian trajectory patterns 3. 분석결과의활용방안예시본연구에서제시한방법론은역사내경로안내체계의적정성평가를위한성능지표개발에활용될것으로기대된다. 성능지표는배회보행자수에대한전체보행자수의백분율로 Equation 1과같이정의할수있으며, 성능지표의분석및활용목적에따라분석주기를결정할수있다. (1) 여기서, Performance Index (t): 분석주기 t에대한성능지표 Wandering Ped(t): 분석주기 t에대한배회보행자수 All Ped(t): 분석주기 t에대한전체보행자수 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 515

14 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking 이때, 역사내부적절한동선및안내체계가제공되었을경우보행자는배회하며, 보행궤적자료를기반으로 abnormal 보행자로분류된보행자는배회보행자라는가정이따른다. 성능지표의범위는 사이로산출되며성능지표가 0일경우는배회하는보행자가존재하지않는것을의미한다. 이는적절한경로안내체계가제공된역사내보행자는배회할가능성이낮은것으로해석할수있다. 반면에성능지표가 100일경우는모든보행자가배회하는상황으로, 위의가정에따라역사내경로안내체계가비효율적임을나타낸다. 본연구에서설정한오전첨두시, 오후비첨두시및첨두시에대한시간대별성능지표는각각 17.72%, 21.13%, 25.54% 로도출되었다. 오후첨두시의경우성능지표가가장큰것으로도출되어배회보행자가가장많은것으로해석된다. 일일보행궤적자료가모두수집될경우분석주기단위의성능지표도출이가능할것으로판단된다. 또한, 본연구의분석대상인삼성역뿐만아니라여러역사를대상으로성능지표를도출할경우, 경로안내체계의개선이필요한대상역사를선정할수있을것으로판단된다. 결론및향후연구과제 도시철도역사내부적절한경로안내체계가제공되었을경우, 역사내이용자는두리번거리기, 헛걸음하기, 다시돌아오기등과같은배회행동을수행할것으로판단된다. 배회보행자가많은지하철역사는길찾기뿐만아니라재난재해발생시인명피해최소화를위하여경로안내체계의적정성평가가요구된다. 따라서본연구에서는 LiDAR 센서를기반으로수집된자료를이용하여배회보행궤적분류를통해경로안내체계의적정성평가를위한기초연구를수행하였다. 2호선삼성역을대상역사로설정하여, 오전첨두, 오후비첨두, 오후첨두시에대한시간대별자료를분석에적용하였다. 보행궤적자료전처리단계는어깨너비를기준으로보행공간을격자형태의셀로구분하여블록화하였으며, 역사내방향별출입구에대해구역을정의하였다. 또한비연속적이거나, 불완전한궤적에대해이상치제거를수행하였으며, 오전첨두시 7,049명, 오후비첨두시 1,420명, 오후첨두시 6,778명에대한보행궤적자료를분석에활용하였다. 보행궤적데이터레이블링결과, 오전첨두시에수집된 7,049명의보행자중 1,249명 (17.72%) 이 abnormal 보행자로분류되었다. 오후비첨두시의경우는 1,420명의보행자중 300명 (21.13%), 오후첨두시는 6,778명중 1,731명 (25.54%) 으로배회보행자가가장많은것으로도출되었다. 특히, 오전및오후첨두시의경우 stay를수행하는보행자가각각 800명 (11.35%), 874명 (12.89%) 으로가장많았으며, 오후비첨두시는 pacing & lapping을수행하는보행자가 115명 (8.10%) 으로분석되었다. 본연구의결과는배회보행자검출을통해경로안내체계의적정성평가를위한지표개발에활용될것으로기대된다. 본연구에서제시한보행궤적패턴분류에대한신뢰도를높이기위해서는다음과같은추가적인연구가필요하다. 첫째, 휴리스틱알고리즘개발에있어보행궤적분류를위한특징벡터선정시다양한자료를이용할필요가있으며, 임계값설정에대한추가적인연구가필요하다. 예를들어, 유전알고리즘을통해 normal 및 abnormal 보행자의분류정확도가우수한임계값을도출하여, 보행궤적패턴분류를위한알고리즘을개선해야할것이다. 둘째, 본연구에서는일부샘플데이터를활용하여분석하였으나, 센서기반 DB를구축하여보다다양한배회유형및원인분석이가능하도록하는것이다. 보행궤적자료를무한히수집하여빅데이터분석을위한데이터셋이구축될경우, 심층신경망 (deep neural network) 과같은인공신경망기법을적용하여배회보행자를검출하는분류기생성이가능할것으로판단된다. 마지막으로, 분석결과의검증을위해서는보행동선솔루션과동시에수집된영상자료를매칭하여보행자의속성, 특징, 행동등을비교해야한다. 영상자료를이용하여개별보행자의궤적을지속적으로추적하는것은오랜시간이소요되며, 배회행동을판단하는데실질적으로어려움이있다. 따라서영상기반의연속적인보행자추적을위한방법론개발이추가적으로수행되어야할것이다. 본연구의결과는보행자배회유형을정의하고, 보행궤적패턴분석을통한배회보행자를검출하는데의의가있다. 이는도시철도역사내뿐만아니라환승센터, 공항, 항구와같은다중교통시설에확대적용이가능할것으로 516 Journal of Korean Society of Transportation Vol.36 No.6 December 2018

15 JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol 판단된다. 또한향후건설될경전철, 광역철도등역사내배회보행자를검지하고, 경로안내체계의적정성평가를수행하는데활용될것으로기대된다. 앞서언급한향후연구내용에대한체계적인분석을통해실질적으로적용가능한결과도출을위해다각적인노력이필요할것이다. Funding This research was supported by a grant from the R&D Program of the Korea Railroad Research Institute, Republic of Korea. ORCID JO, Young JEONG, Eunbi YOU, Soyoung Iris OH, Cheol References Algase D. L., Antonakos C., Beattie E. R., Beel Bates C. A., Yao L. (2009), Empirical Derivation and Validation of a Wandering Typology, Journal of the American Geriatrics Society, 57(11), Bagdadi O., Várhelyi A. (2013), Development of a Method for Detecting Jerks in Safety Critical Events, Accident Analysis & Prevention, 50, Batista E., Borras F., Casino F., Solanas A. (2015), A Study on the Detection of Wandering Patterns in Human Trajectories, In Information, Intelligence, Systems and Applications (IISA), th International Conference on IEEE, 1-6. Fernando T., Denman S., Sridharan S., Fookes C. (2018), Soft+ Hardwired Attention: An lstm Framework for Human Trajectory Prediction and Abnormal Event Detection, Neural networks, 108, Gochoo M., Tan T., Velusamy V., Liu S., Bayanduuren D., Huang S. (2018), Device-Free Non-Privacy Invasive Classification of Elderly Travel Patterns in A Smart House Using PIR Sensors and DCNN, IEEE Sensors Journal, 18(1), Jeong E. B., You S. Y. (2017), An Algorithm of Identifying Roaming Pedestrians Trajectories using LiDAR Sensor, Journal of Korea Institute Intelligent Transportation System, 16(6), Kang J. H., Kwak S.Y. (2014), Loitering Detection Solution for CCTV Security System, Journal of Korea Multimedia Society, 17(1), Lin Q., Zhang D., Huang X., Ni H., Zhou X. (2012), Detecting Wandering Behavior Based on GPS Traces for Elders with Dementia, In Control Automation Robotics & Vision (ICARCV), th International Conference on IEEE, Martino-Saltzman D., Blasch B. B., Morris R. D., McNeal L. W. (1991), Travel Behavior of Nursing Home Residents Perceived as Wanderers and Nonwanderers, The Gerontologist, 31(5), 대한교통학회지, 제 36 권제 6 호, 2018 년 12 월 517

16 Article Analysis of Pedestrian Trajectory Patterns Using LiDAR-based Pedestrian Tracking Ministry of Trade, Industry and Energy (2016), 7th Dimension of Human Body Report. Park E. S., Lee H. H., Yun M. K., Kim M. G., Kwak J. H., Kim H. K. (2011), Loitering Behavior Detection using Shadow Removal and Chromaticity Histogram Matching, Korea Institute Of Information Security And Cryptology, 21(6), Seoul Open Data Plaza, Journal of Korean Society of Transportation Vol.36 No.6 December 2018