AI 기반 재난안전관리 플랫폼 개발 및 실증 연구

Ⅰ. 서 론

최근 전 세계적으로 복합재난(multi-hazard disaster)의 발생 빈도가 증가하고 있다[1]. 기후변화, 도시 인프라의 복잡화, 인구 밀집화 등 다양한 요인들이 복합적으로 작용하면서 재난 위험은 점차 증대되고 있으며, 기존 재난안전관리 체계의 한계가 지적되고 있다[2]. 우리나라 역시 2022년 이태원 참사, 빈번한 산불과 집중호우 등 사회재난과 자연재난을 경험하면서 사후 복구 중심 대응의 한계를 확인하였다[3]. 이에 따라 행정안전부는 ｢제5차 국가재난관리 기본계획(2023–2027)｣에서 사전 예방과 예측 기반의 선제적 관리로 패러다임을 전환할 필요성을 명시하였다[4].

국제적으로도 정보통신기술(Information and Communications Technology, ICT) 기반 재난 관리 체계의 필요성이 강조되고 있다[5]. UNDRR(United Nations Office for Disaster Risk Reduction)은 Sendai Framework for Disaster Risk Reduction 2015–2030을 통해 예방·예측 중심의 재난 위험 경감 전략을 제시하였다[6]. 미국 연방재난관리청(Federal Emergency Management Agency, FEMA)는 인공지능(Artificial Intelligence, AI) 기반 예측 모델을 정책에 반영하고 있으며, EU(European Union)는 Civil Protection Mechanism과 SmartResilience 프로젝트를 통해 ICT 융합 재난 대응 체계를 실증하고 있다[7],[8]. 이러한 흐름은 첨단 ICT 기술이 단순한 보조적 도구가 아니라 재난 대응 패러다임을 혁신하는 핵심 인프라라는 점을 시사한다[9].

첨단 ICT 기술의 발전은 재난안전관리 체계의 전환을 뒷받침한다[10]. AI는 대규모 데이터를 실시간 분석하여 이상 징후를 탐지할 수 있으며, 딥러닝 기반 영상 분석 기법은 CCTV(Closed-Circuit Television)를 활용한 화재, 침입, 군중 밀집 탐지에서 높은 정확도를 보이고 있다[11],[12]. 디지털트윈(Digital Twin)은 물리적 시설을 가상 공간에 재현하여 구조물의 상태를 모니터링하고 잠재적 위험을 사전에 예측할 수 있는 기술로, 스마트시티 관리와 인프라 유지보수에 적극적으로 도입되고 있다[13],[14]. 메타버스(Metaverse)는 몰입형 시뮬레이션 환경을 제공하여 재난 대응 교육훈련의 효과를 극대화할 수 있는 잠재력을 지닌다[15].

최근 관련 연구[11]–[15]에서는 AI를 활용한 이상행동 탐지 및 군중 밀집도 분석, 디지털트윈을 이용한 구조물 안정성 예측, 메타버스 기반 재난 대응 훈련 시뮬레이션 등이 제안되어 각 기술의 활용 가능성을 입증하였다. 그러나 이러한 연구들은 대부분 개별 기술에 집중하고 있어, 여러 기술을 통합한 실증형 재난안전관리체계 구축은 아직 미흡하다.

국내에서는 세종시가 국가 스마트시티 시범도시로 지정되어 AI, 사물인터넷(Internet of Things, IoT), 디지털트윈을 활용한 도시 관리 모델을 실증하고 있다[16]. 세종시는 행정중심복합도시로서 교량, 터널, 대규모 주거 단지 등 다양한 기반시설을 보유하고 있으며, 이러한 특수성은 도시 차원의 재난안전관리 모델 구축 필요성을 더욱 강조한다[17]. 특히 세종시의 대표적 기반시설인 이응다리는 교통과 관광 기능을 동시에 수행하는 핵심 인프라로서, 재난 발생 시 사회·경제적 피해가 클 수 있다[18]. 따라서 이응다리를 대상으로 한 AI 기반 재난안전관리체계 실증 연구는 지역적 의미뿐 아니라 국가적 차원에서도 확산 가능한 모델로 평가된다[19].

본 연구에서는 인공지능, 디지털트윈, 메타버스 기술을 융합한 AI 기반 재난안전관리 플랫폼을 제안한다. 본 플랫폼은 데이터 수집, AI 분석, 디지털트윈, 메타버스 교육훈련으로 구성된 4계층 구조로 설계되어, 재난 발생의 탐지-관제-훈련에 이르는 전 주기 대응 체계를 지원한다. 각 계층은 공공 데이터 및 IoT 센서, CCTV 등으로부터 정보를 수집하고, AI 기반 영상 분석을 통해 이상행동을 탐지하며, 디지털트윈 환경에서 구조 안전성을 예측·시각화하고, 메타버스 공간에서 가상 대응 훈련을 수행한다.

본 연구에서는 이러한 통합 플랫폼을 실제로 구축하고, AI 기반 CCTV 영상 분석, 디지털트윈 기반 구조물 안정성 평가, 메타버스 기반 재난 교육훈련 기능을 연계한 재난안전관리체계를 실증하였다. 또한 한국인정기구(Korea Laboratory Accreditation Scheme, KOLAS)의 공인시험을 통해 성능을 검증하였다[20],[21]. 본 논문의 구성은 다음과 같다. Ⅱ에서는 관련연구를 검토하고 본 연구의 차별성을 제시한다. Ⅲ에서는 시스템 설계 및 구현 과정을 설명하며, Ⅳ에서는 성능 검증 결과를 제시한다. 이어서 Ⅴ에서는 기대효과와 한계를 논의하고, Ⅵ에서 결론을 제시한다.

Ⅱ. 관련연구

본 장에서는 재난안전관리 분야에 적용된 주요 기술의 연구 동향을 살펴본다. 구체적으로 AI 기반 재난 대응, 디지털트윈 기반 인프라 관리, 메타버스 기반 교육훈련 관련 선행연구를 검토하고, 기존 연구의 한계를 정리한 뒤 본 연구의 차별성을 제시한다.

Ⅲ. 시스템 설계 및 구현

본 장에서는 제안된 AI·메타버스 기반 재난안전관리체계의 설계와 구현 과정을 설명한다. 그림 1과 같이 전체 시스템은 데이터 수집 계층, AI 분석 계층, 디지털트윈 기반 시뮬레이션 계층, 응용 서비스 계층으로 구성되며, 이를 통해 탐지–관제–훈련으로 이어지는 통합적인 재난 대응 프로세스를 구현하였다[22],[25].

Fig. 1.

Overall system architecture of the AI·metaverse-based disaster safety management system

3-3 AI 분석 계층

AI 분석 계층은 수집된 영상·센서 데이터를 기반으로 사회재난 상황 인식과 시설물 안전성 진단을 동시에 수행하는 핵심 모듈이다.

본 연구에서는 객체 탐지(Object Detection), 행동 인식(Action Recognition), 밀집도 분석(Crowd Density Estimation), 센서 이상탐지(Sensor Fault Detection) 등 여러 AI 모델의 출력을 융합한 앙상블(Ensemble) 기반 다중 AI 기법을 적용하여 재난 상황을 자동으로 감지하고 알람을 제공하도록 설계하였다.

Table 1.

Composition and volume of social disaster abnormal behavior dataset

Table 2.

Summary of collected data for natural disasters and facility safety

1) 사회재난 안전분석 시스템

• 침입 탐지(Intrusion Detection)

통제구역 내 바운딩 박스를 설정하고 YOLO-NAS 객체탐지 모델[7]과 ByteTrack[8] 객체 추적 모델을 적용하여 실시간 침입 여부를 감지하였다. 탐지 결과는 프레임 단위로 경계 박스가 생성되며, 일정 시간 이상 지속될 경우 자동 알람이 발령되도록 구성하였다.

• 쓰러짐 탐지(Fall-Down Detection)

YOLO-NAS와 ByteTrack[8] 알고리즘을 결합하여 객체의 자세 변화를 시계열로 분석하고, 급격한 자세 변화를 쓰러짐으로 판정하였다.

• 폭력 탐지(Violence Detection)

CLIP(Contrastive Language–Image Pre-training) 모델[9]의 Prompt 기반 Zero-Shot 분류 기법과 YOLO-NAS를 병행 적용하여 폭행, 충돌, 군중 난투 등의 이상행동을 식별하였다.

• 군중 밀집도 분석(Crowd Density Analysis)

객체 탐지 결과를 기반으로 단위면적(1m²)당 인원수를 산출하고, 밀집도가 3명/m² 이상일 때 단계별 경보를 발령하였다.

• 현장 실증 (Field Validation)

세종시 이응다리 남측 광장(면적 2,600m²)에서 개최된 ‘빛 축제’ 현장을 대상으로 군중 밀집도를 실증하였다. AI 분석 계층과 관제 시스템 간의 실시간 연동을 통해 알람 기능, 데이터 송신 속도, 시스템 안정성을 검증하였다. 또한 2023~2024년에 걸쳐 총 411,161건의 이상행동 영상 데이터를 구축 및 라벨링하여 YOLO-NAS 및 ByteTrack 학습 데이터셋으로 활용하였다. 이는 모델의 일반화 성능 향상과 사회재난 대응 시나리오의 고도화에 기여하였다[22],[23].

Fig. 2.

Conceptual framework of AI-based abnormal behavior detection and field validation process

2) 시설안전 분석 시스템

• 센서 데이터 통합(Sensor Data Integration)

풍향풍속계, 변형률계, 지진계, 가속도계 등 기존 센서와 신규 도입된 초음파(피로균열) 센서, 변위 센서를 통합하여 데이터를 수집·분석하였다[28]. 이 데이터는 구조 건전성 평가의 기본 입력값으로 사용된다.

• 변위센서 기반 처짐 탐지(Deflection Detection)

교량 처짐 한계를 100mm로 설정하고, 80mm(1단계) 및 90mm(2단계) 구간에서 경보가 발생하도록 설계하였다. 이상치 검출에는 칼만필터 기반 예측 모델을 적용하여 오차를 보정하였다[16]-[18],[22].

• 초음파 센서 기반 균열 탐지(Crack Detection)

0.3μm 수준의 미세 균열까지 감지 가능한 초음파 기반 비대칭 신호분석 알고리즘을 적용하여 기존 육안 검사(0.3mm) 대비 약 1,000배 향상된 감지 능력을 확보하였다.

• 이상데이터 처리(Abnormal Data Handling)

특정 변형률계(S03)에서 190MPa→230MPa로 급격한 이상 데이터가 발생했을 때, 대칭 구조의 센서(S05) 데이터를 비교 분석하여 센서 자체 오차임을 식별하고 원점 보정을 수행하였다.

• 위험도 산출 및 시뮬레이션(Risk Index Estimation)

센서 계측치와 디지털트윈 구조해석 결과를 융합하여 시간에 따른 안전지수(Safety Index)를 계산하였다. 이 과정에서 균열의 전파율, 신규 균열 발생 확률, 외부 하중(지진·군중 등)에 대한 구조적 응답을 시뮬레이션하고 3D 시각화 기반으로 제공하였다.

Fig. 3.

Finite element refinement of the structural model and time-dependent probabilistic prediction of crowd density

3-4 디지털트윈 계층

디지털트윈 계층은 그림 4와 같이 교량 및 주변 환경을 3차원으로 모델링하고, 실시간 데이터를 가상 공간에 반영하는 역할을 수행한다[14],[15]. 본 계층은 교량의 변위·진동·기상·환경 정보를 시각화하여 관리자가 구조적 상태를 직관적으로 파악할 수 있도록 하며, 태풍·지진·산불·군중 밀집 등 복합 재난 시나리오를 시뮬레이션할 수 있도록 설계되었다. 지리정보시스템(Geographic Information System, GIS) 데이터와 설계도면을 기반으로 한 정합도 검증 결과, 모델의 일치율은 97%로 측정되어 시뮬레이션 신뢰성을 확보하였다[16]-[18].

Fig. 4.

3D digital twin model and structural visualization

1) 디지털트윈 시뮬레이션 시스템

본 연구에서는 이응다리를 대상으로 설계정보와 실시간 센서 데이터를 통합한 디지털트윈 기반 시뮬레이션 플랫폼을 구축하였다. 시스템은 구조 거동의 정량적 평가, 안전 지수 계산, 위험도 시각화 기능을 제공한다[17],[18].

• AI 기반 시설관리 안전 분석 시스템

교량 구조물의 변위 및 하중 상태를 실시간으로 추정하기 위해 칼만필터(KF; Kalman Filter) 기반의 시설물 안전 분석 알고리즘을 그림 5와 같이 설계하였다[16]-[18],[22].

Fig. 5.

Proposed two-stage Kalman filter algorithm for structural safety monitoring

본 알고리즘은 예측 단계(Prediction)와 갱신 단계(Update)의 두 단계로 구성된다. 예측 단계에서는 상태전이행렬(State Transition Matrix)를 이용하여 다음 시점의 상태를 추정하고, 갱신 단계에서는 센서 계측값을 반영하여 추정치를 보정한다. 이 과정에서 칼만 이득(Kalman Gain)을 계산하여 예측치와 관측치 간 오차를 최소화함으로써 상태 추정의 정확도를 향상시켰다.

또한 민감도 행렬(Sensitivity Matrix)과 바이어스 보정(Bias Correction) 절차를 추가하여 오차 누적을 최소화하였으며, 보정된 동적 변위(Bias-corrected Dynamic Displacement)를 최종 출력으로 산출하였다. 이 반복적 필터링 과정을 통해 센서 신호 내 노이즈를 효과적으로 억제하고, 구조물의 동적 거동(Dynamic Behavior)을 고신뢰도로 평가할 수 있었다. 특히 변위 센서와 가속도계를 연계함으로써 실시간 처짐 모니터링과 구조 안정성 검증이 가능하였다[16]-[18],[22].

[Stage 1] 1단계 칼만필터(Prediction & Update)

- 사전 추정(Prior estimation)

$\[ \begin{array}{l}\widehat{x}\left(k\right)=[x\left(k\right),\dot{x}\left(k\right){]}^T\\ \widehat{x^{-}}\left(k\right)=A\widehat{x}\left(k-1\right)+B\widehat{x_m}\\ P_x^{-}\left(k\right)=A{P}_x\left(k-1\right)A^T+Q\left(k\right)B{B}^T\end{array} \]$

(1)

- 사후 추정(Posteriori estimation)

$\[ \begin{array}{l}{K}_x\left(k\right)=P_x^{-}\left(k\right)H^T{\left[H{P}_x^{-}\left(k\right)H^T+R\left(k\right)\right]}^{-1}\\ \widehat{x}\left(k\right)=\left[I-K_x\left(k\right)C\right]\widehat{x^{-}}\left(k\right)+K_x\left(k\right)x_m\left(k\right)\\ P_x\left(k\right)=P_x^{-}\left(k\right)-K_x\left(k\right)C{P}_x^{-}\left(k\right)\end{array} \]$

(2)

[Stage 2] 2단계 칼만필터(Bias Correction)

- 사전 추정(Prior estimation)

$\[ \begin{array}{l}\widehat{b^{-}}\left(k\right)=\widehat{b}\left(k-1\right),\\ P_b^{-}\left(k\right)=P_b\left(k-1\right)\end{array} \]$

(3)

- 민감도 행렬 계산(Sensitivity matrix)

$\[ \begin{array}{l}U\left(k\right)=AV\left(k-1\right)+B\\ S\left(k\right)=CU\left(k\right)\\ V_x^{-}\left(k\right)=U\left(k\right)-K_x\left(k\right)S\left(k\right)\end{array} \]$

(4)

- 사후 추정(Posteriori estimation)

$\[ \begin{array}{l}{K}_b\left(k\right)=P_b^{-}\left(k\right)S^T{\left[H{P}_x^{-}\left(k\right)H^T+S\left(k\right)P_b^{-}\left(k\right)S^T+R\left(k\right)\right]}^{-1}\\ \widehat{b}\left(k\right)=\left[I-K_b\left(k\right)S\left(k\right)\right]\widehat{b^{-}}\left(k\right)+K_b\left(k\right)y\left(k\right)\\ P_b\left(k\right)=P_b^{-}\left(k\right)-P_b^{-}\left(k\right)K_b\left(k\right)S\left(k\right)\end{array} \]$

(5)

- 편의 보정된 동적변위(Bias-corrected dynamic state)

$\[ {\widehat{x}}^{\mathrm{*}}\left(k\right)=\widehat{x}\left(k\right)+V\left(k\right)\widehat{b}\left(k\right) \]$

(6)

수식에서 사용된 주요 파라미터의 정의는 다음과 같다. (1)–(2)에서 $$ \widehat{x}\left(k\right)$$은 시점 k의 상태 추정값(state estimate), A는 상태전이 행렬(state transition matrix), B는 입력 제어 행렬(input control matrix), Q(k)는 프로세스 잡음 공분산 행렬(process noise covariance matrix)이다. H는 관측 행렬(observation matrix), R(k)는 측정 잡음 공분산 (measurement noise covariance), P_x(k)는 상태 공분산 행렬(state covariance matrix), K_x(k)는 1단계 칼만 이득(Kalman gain of the 1st stage)을 의미한다.

(3)~(5)에서 b(k)와 $$ \widehat{b}\left(k\right)$$는 각각 편향(bias)과 편향 추정값(bias estimate), P_b(k)는 편향 공분산 행렬(bias covariance matrix), U(k)는 민감도 행렬(sensitivity matrix), S(k)는 편향 관련 행렬(bias-related matrix), C는 보정 행렬(correction matrix), K_b(k)는 2단계 칼만 이득(Kalman gain of the 2nd stage)을 나타낸다.

(6)에서 V(k)는 편향 보정 행렬(bias correction matrix), $$ {\widehat{x}}^{\mathrm{*}}\left(k\right)$$은 V(k)과 $$ \widehat{\mathrm{b}}\left(\mathrm{k}\right)$$을 이용해 계산된 편향 보정된 동적변위(bias-corrected dynamic displacement)를 의미한다.

• 유한요소 모델 구축 및 초기화

교량 구조해석 및 안전도 평가를 위해 유한요소(Finite Element Method, FEM) 모델을 구축하였다. 각 핵심 지점의 3차원 좌표를 정의하고, 노드(Node)별 질량·강성·감쇠비 등의 역학적 특성을 행렬(Matrix) 형태로 부여하였다. 모델은 설계도면을 기반으로 물리적 구조와 해석 모델 간 정합성을 확보하였다[28].

• 센서 데이터 연계 및 자동 갱신

변위, 가속도, 초음파 센서 데이터를 디지털트윈 모델과 연동하였다. 센서 계측값은 단일 부재의 안정성 평가뿐 아니라 전체 구조물의 위험도 지수(Risk Index) 산정에도 활용된다. 데이터는 실시간 반영되어 구조물 상태의 동적 변화가 즉시 시각화 된다[17],[18].

• 구조 안전성 평가 및 시뮬레이션

디지털트윈 기반 해석 프로그램은 지진 파형, 군중 하중, 풍하중 등의 외력을 입력받아 교량의 동적 응답을 계산하고, 지점별 안전도를 수치화하여 제공한다. 그림 6과 같이 시뮬레이션 결과는 3D 시각화로 표현되어 관리자가 시간·공간에 따른 위험도를 직관적으로 확인할 수 있다. 이를 통해 교량의 이상 징후를 조기에 탐지하고, 복합 재난 상황에서 구조적 안전성을 종합적으로 평가할 수 있다[17],[18],[27].

Fig. 6.

Digital twin-based structural analysis and risk simulation

Ⅳ. 성능검증

본 장에서는 제안된 AI 기반 재난안전관리체계의 성능을 KOLAS 인증 시험 환경에서 검증한 결과를 기술한다. 검증은 사회재난 이상행동 탐지, 시설안전 경보 정확도, 디지털트윈 정합도, 교육·훈련 효과를 포함하며, 모든 항목은 국제표준시험 절차에 준하여 수행되었다[29].

4-3 사회재난 이상행동 탐지 성능

이상행동 탐지 모듈의 성능은 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score를 기준으로 평가하였다. 전체 평균 탐지율은 83.5%로 나타났으며, 이는 목표치(75%)를 8.5%p 상회하는 수치다. 구체적으로 군중 밀집 탐지의 recall이 가장 높게 나타났으며, 화재와 폭력 데이터는 일부 오탐지(false positive)로 인해 F1-score가 낮게 측정되었다. Confusion matrix 분석 결과, 정상 상황을 오탐지하는 비율은 4.3%로 나타났으며 이는 허용 오차 범위 내였다[7],[8],[23].

Table 3.

Detailed summary of performance evaluation results

4-6 교육·훈련 효과 분석

메타버스 기반 교육훈련은 그림 7과 같이 화재, 지진, 홍수 시나리오를 대상으로 실시되었으며, 훈련 참가자 17명을 대상으로 만족도 및 학습 효과를 평가하였다. 전반적 만족도는 89점(100점 만점)으로 측정되었으며, 특히 “재난 대응 능력 향상 효과” 항목에서 평균 4.43점(5점 척도)을 기록하였다. 훈련 종료 후 실시한 퀴즈 평가에서는 평균 정답률 86%가 도출되었으며, 이는 훈련자가 시나리오 기반 절차를 효과적으로 습득했음을 의미한다[19]–[21].

Fig. 7.

Metaverse-based disaster response scenarios and immersive training modules

Ⅴ. 논 의

본 연구는 AI 기반 재난안전관리체계를 설계·구현하고, 교량 환경에서 실증함으로써 기존 연구와 차별화된 성과를 제시하였다. 본 장에서는 연구의 의의와 한계를 분석하고, 향후 연구 방향을 제시한다.

Ⅵ. 결 론

본 연구는 AI와 디지털트윈, 메타버스 기술을 융합한 AI 기반 재난안전관리체계를 제안하고, 세종시 이응다리를 대상으로 실증하였다. 제안된 체계는 데이터 수집 계층, AI 분석 계층, 디지털트윈 계층, 응용 서비스 계층으로 구성되며, 재난의 탐지–관제–시뮬레이션–훈련을 통합적으로 지원한다.

성능 검증 결과, 사회재난 이상행동 탐지 정확도는 83.5%로 목표치(75%)를 초과하였으며, 시설안전 경보 정확도는 100%, 디지털트윈 모델 정합도는 97%(±3 cm), 교육훈련 효과는 만족도 89점 및 퀴즈 정답률 86%로 나타났다. 이는 제안된 체계가 실제 재난 대응 현장에서 활용 가능한 신뢰성과 교육적 효과를 확보했음을 의미한다.

본 연구의 주요 기여는 재난안전관리 분야에서 AI, 디지털트윈, 메타버스 기술을 융합한 새로운 프레임워크를 제시한 것이다. 이를 통해 학문적으로는 융합 연구의 가능성을 제시하였으며, 산업적으로는 스마트시티 안전관리 체계의 구현 가능성, 사회적으로는 시민 안전 교육과 대응 역량 강화의 효과를 입증하였다.

결론적으로, 본 연구에서 제안한 AI 기반 재난안전관리체계는 향후 재난 대응 패러다임 전환과 차세대 디지털 안전 플랫폼 구축에 기여할 것으로 기대된다.

Acknowledgments

이 논문은 과학기술정보통신부 지원으로 정보통신산업진흥원이 추진하는 ｢인공지능·메타버스 기반 재난안전관리 체계 강화 사업(과제번호: D1201-25-1004)｣을 통해 수행되었으며, 세종특별자치시의 공동 지원과 시스템 및 데이터 구축에 협력해 준 가온플랫폼㈜, KAIST, ㈜심스리얼리티 컨소시엄에 감사드립니다.

References

• United Nations Office for Disaster Risk Reduction (UNDRR), Sendai Framework for Disaster Risk Reduction 2015-2030, UNDRR, Geneva: Switzerland, Policy Framework Report, 2015.
• Federal Emergency Management Agency (FEMA), National Response Framework, 4th ed. FEMA, Washington D.C., Government Policy Report, 2019.
• European Commission, Union Civil Protection Mechanism Annual Report 2022, European Commission, Brussels: Belgium, Annual Report, 2022.
• European Union Horizon, SmartResilience Project, Final Project Report: Smart Resilience Indicators for Critical Infrastructure, European Union Horizon 2020 Programme, 2019.
• Ministry of the Interior and Safety (MOIS), The 5th National Disaster Management Plan (2023-2027), MOIS, Sejong, 2023.
• A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” arXiv:2004.10934, , April 2020. [https://doi.org/10.48550/arXiv.2004.10934]
• Deci AI, YOLO-NAS: Neural Architecture Search for Real-Time Object Detection, Technical Report, 2023.
• Y. Zhang, P. Sun, Y. Jiang, D. Yu, F. Weng, Z. Yuan, ... and X. Wang, “ByteTrack: Multi-Object Tracking by Associating Every Detection Box,” in Proceedings of the 17th European Conference on Computer Vision (ECCV), Tel Aviv: Israel, pp. 1-21, 2022. [https://doi.org/10.1007/978-3-031-20047-2_1]
• A. Radford, J. W. Kim, C. Hallacy, A. Ramesh, G. Goh, S. Agarwal, ... and I. Sutskever, “Learning Transferable Visual Models from Natural Language Supervision,” arXiv:2103.00020, , 2021. [https://doi.org/10.48550/arXiv.2103.00020]
• Y. S. Chong and Y. H. Tay, “Abnormal Event Detection in Videos Using Spatiotemporal Autoencoder,” in Proceedings of the 14th International Symposium on Advances in Neural Networks – ISNN 2017, Sapporo, Hakodate, and Muroran, Hokkaido: Japan, pp. 189-196, June 2017. [https://doi.org/10.1007/978-3-319-59081-3_23]
• Y. Li, X. Zhang, and D. Chen, “CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes,” in Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Salt Lake City: UT, pp. 1091-1100, June 2018. [https://doi.org/10.1109/CVPR.2018.00120]
• J. J. Fruin, Pedestrian Planning and Design, New York, NY: Metropolitan Association of Urban Designers and Environmental Planners, 1971.
• D. Helbing and P. Molnár, “Social Force Model for Pedestrian Dynamics,” Physical Review E, Vol. 51, No. 5, pp. 4282-4286, May 1995. [https://doi.org/10.1103/PhysRevE.51.4282]
• National Research Foundation Singapore, Virtual Singapore: A 3D Digital Twin Model for Urban Planning and Disaster Management, National Research Foundation Singapore, Singapore, Technical White Paper, 2019.
• World Economic Forum (WEF), Digital Twin Cities: Key Applications and Policy Implications, WEF, Geneva: Switzerland, White Paper, 2022.
• R. E. Kalman, “A New Approach to Linear Filtering and Prediction Problems,” Journal of Basic Engineering, Vol. 82, No. 1, pp. 35-45, March 1960. [https://doi.org/10.1115/1.3662552]
• G. Welch and G. Bishop, An Introduction to the Kalman Filter, University of North Carolina at Chapel Hill, Chapel Hill: NC, Technical Report, 2006.
• D. Simon, Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches, Hoboken, NJ: Wiley, 2006. [https://doi.org/10.1002/0470045345]
• ISO/IEC 17025, General Requirements for the Competence of Testing and Calibration Laboratories, International Organization for Standardization, Geneva: Switzerland, 2017.
• KOLAS, Korea Laboratory Accreditation Scheme: Operational Guidelines for Testing and Calibration Laboratories, Korean Agency for Technology and Standards, Eumseong, 2022.
• Sejong Technopark, Annual Technical Report on AI and Metaverse-Based Disaster Safety Management System (2023), Sejong, 2023.
• Sejong Technopark, Interim Technical Report on AI and Metaverse-Based Disaster Safety Management System (2025), Sejong, 2025.
• R. Padilla, S. L. Netto, and E. A. B. da Silva, “A Survey on Performance Metrics for Object-Detection Algorithms,” in Proceedings of the 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), Niterói: Brazil, pp. 237-242, 2020. [https://doi.org/10.1109/IWSSIP48289.2020.9145130]
• V. Mahadevan, W. Li, and N. Vasconcelos, “Anomaly Detection and Localization in Crowded Scenes,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 36, No. 1, pp. 18-32, 2014. [https://doi.org/10.1109/TPAMI.2013.111]
• Sejong Technopark, Annual Technical Report on AI and Metaverse-based Disaster Safety Management System (2024), Sejong, 2024.
• D. G. Costa, J. P. J. Peixoto, T. C. Jesus, P. Portugal, F. Vasques, E. Rangel, and M. Peixoto, “A Survey of Emergencies Management Systems in Smart Cities,” IEEE Access, Vol. 10, pp. 61843-61872, June 2022. [https://doi.org/10.1109/ACCESS.2022.3180033]
• H. Mitsuhara, “Metaverse-Based Evacuation Training: Design, Implementation, and Experiment Focusing on Earthquake Evacuation,” Multimodal Technologies and Interaction, Vol. 8, No. 12, 112, 2024. [https://doi.org/10.3390/mti8120112]
• M. Fawad, M. Salamak, G. Poprawa, K. Koris, M. Jasinski, P. Lazinski, ... and M. Gerges, “Automation of Structural Health Monitoring (SHM) System of a Bridge Using BIMification Approach and BIM-Based Finite Element Model Development,” Scientific Reports, Vol. 13, 13215, 2023. [https://doi.org/10.1038/s41598-023-40355-7]
• WiseStone Co., Ltd., KOLAS Certified Test Report for Structural Displacement Simulation Program v1.0, Conducted under KS X ISO/IEC 25023:2016, Commissioned by GaonPlatform, Daejeon, Report No. 2024-359-VSW-K, 2024.