노인 친화 가로 네트워크 진단·최적화 — 연구 발표

노인 친화 가로 네트워크 진단·최적화

거리뷰 VLM 진단의 정직성 평가와 추론예산 제약 하 능동감사 설계 · 2026 중앙대 C.O.R.E. 학술제

거리뷰 VLM 진단을 정직하게 평가하고, 그 한계 위에서 감사 자원을 어디에 쓸지 설계하는 연구. 소형 VLM이 거리뷰 사진에서 낸 위험점수가 객관 안전시설과 얼마나 일치하는지를 누출·순환을 통제해 검증하고, 그 진단성능의 경계를 정량으로 규정한다. 그래프(GNN)는 '사진 없는 곳까지 위험을 전파해 채우는' 도구가 아니라, 추론예산 제약 하에서 어디를 추가로 감사할지 고르는 능동감사(active audit) 도구로 위치한다. 이 발표는 '잘 예측한다'는 성과 주장이 아니라, 엄밀한 음성·진단 결과와 작동조건 규정을 기여로 제시한다.

배경 · 문제의식

위에서 내려다보는 도시 이해의 한계. 지도·항공사진은 전체를 지배하는 기하학적 형태를 먼저 드러내지만, 보행자가 길 위에서 매일 겪는 일상 경험은 포착하지 못한다.
가로(street) 차원의 보행 경험. 연석 단차·신호 시간·보도 폭·노면 상태처럼 실제 위험을 만드는 요인은 가로 단위에서만 드러나며, 특히 가장 취약한 노인 보행자 관점에서 평가되어야 한다.
상용 로드뷰의 사각지대. 동기는 간선도로가 아니다. 한국은 Google 스트리트뷰의 차량 커버리지가 군사보안 등으로 빈약하고, Naver/Kakao 로드뷰는 간선을 전수 수집하지만 차량이 진입하지 못하는 골목(서울 S-Map 기준 보행로·골목 14,699개)은 여전히 비어 있다. 사진이 없는 이 사각지대를 어떻게 다룰지가 출발점이다.
고령화 인프라 정합. 2026 중앙대 C.O.R.E. 학술제 소주제 '고령화시대, 도시 인프라의 재설계'에 대응. 노인 특화는 미검증 VLM 페르소나가 아니라 객관 보행속도 규칙(한음 2020, 0.73~0.85 m/s)으로 재조준한다.

연구 질문

소형 VLM이 거리뷰 사진에서 낸 노인 보행 위험점수는 객관 안전시설(신호·턱낮춤 등)과 실제로 일치하는가? — 누출·순환을 통제하면 성능이 얼마나 남는가?
그래프 전파(GNN)는 단순 피처 회귀나 전역 평균 같은 약한 베이스라인을 정말로 능가하는가?
진단 성능이 제한적일 때, 추론예산 제약 하에서 어디를 추가로 감사하면(active audit) 가장 효율적인가? — 검증되지 않은 위험점수를 정비 권고에 직접 쓰지 않으면서.

목표

거리뷰 VLM 진단을 비순환·누출통제 평가틀과 정직성 프로브로 검증하는 프레임워크 구축(페르소나는 진단 변수일 뿐, 신규성 아님 — Dai 2026 선행).
VLM 진단을 노드 특징으로 올린 2단 GNN 전파가 약한 베이스라인 대비 어디서 이기고 지는지를 정량으로 규정.
무인증 공개데이터(OSM 횡단보도, Google 스트리트뷰 무료티어, WorldPop 노인 인구) 기반으로, 추론예산 제약 하 능동감사 우선순위를 산출하는 저비용 파이프라인 설계.

접근 방법 — VLM 진단 → 정직성 평가 → 능동감사(GNN) 설계

거리뷰 사진
SV Static API

→

VLM 진단
구조화 추론

→

구조화 JSON
위험점수·요인·근거·신뢰도

→

정직성·누출통제 평가
객관시설 대조(AUROC)

→

도로망 그래프
교차로=노드 / 도로=엣지

→

GNN 자기지도 전파
약 베이스라인과 비교 검증

→

능동감사 우선순위
추론예산 하 추가감사 지점

1단 — VLM 거리뷰 진단

모델: Qwen2.5-VL-3B(4bit 양자화)로 RTX4060 로컬 구동 — 무인증·비용 0.
입력→출력: 거리뷰 1장 → 위험점수·위험요인·근거·신뢰도를 담은 구조화 JSON.
페르소나: 독립보행 / 보조필요 / 의존 3수준을 진단 변수로 둔다. 페르소나 자체는 신규성이 아니며(Dai 2026, arXiv 2601.03534 선행), 노인 특화는 페르소나가 아니라 객관 보행속도 규칙으로 본다.
VLM 선택 이유: 단차·연석·노면 파손·그늘·턱 등 의미 단위 위험요인을 서술적 근거와 함께 포착하려는 설계 의도. 다만 이 진단이 객관시설과 일치하는지는 별도 검증 대상이며, 본 연구에서 검증 결과는 음성에 가깝다(아래 진단 결과 참조).
환각 억제(설계): 자유 서술이 아닌 고정 스키마(JSON) 강제 + 신뢰도 필드로 불확실 진단을 식별·필터하는 구조. 그러나 근거 필드가 장면과 무관한 템플릿으로 반복되는 정황이 관찰되어, 억제 효과는 입증되지 않았다.

설정 가정	값
노인 보행속도(객관 규칙)	0.73~0.85 m/s(한음 2020) 설정 가정
페르소나 수준	3단계(독립/보조/의존) — 신규성 아님

2단 — GNN '추론예산 하 능동감사 전파' 계획

핵심 아이디어(재조준): GNN을 '라벨 채우기로 미관측 위험을 산출하는' 도구로 보지 않는다. 모든 횡단보도를 VLM으로 감사할 추론예산이 없을 때, 어느 지점을 추가로 감사(획득, acquisition)하면 가장 정보가 큰지를 그래프 구조로 고르는 능동감사(active audit) 도구로 위치한다.
그래프 구성: 교차로를 노드, 도로를 엣지로 하는 도로망 그래프. 감사를 마친 노드는 신호로, 아직 감사하지 않은 노드는 다음 감사 후보로 둔다.
전파의 정직한 한계: 예비 분석에서 GNN 전파는 단순 피처 회귀·전역 평균 같은 약한 베이스라인을 능가하지 못했다(구조적 패배). 따라서 전파 결과를 '미관측 위험의 추정값'으로 제시하지 않으며, 능동감사 후보 선별이라는 한정된 역할로만 쓴다.
용어 구분(중요): 1단 VLM은 사전학습 모델을 프롬프트로 쓰는 추론이며 학습이 아니다. ‘자기지도·자가학습’이라는 표현은 2단 GNN에만 해당한다.
현 단계: 미구현 — 1단 결과를 입력으로 받는 직렬 확장으로 설계 단계.

데이터

분석에 사용한 데이터는 전부 무인증 공개데이터로, 별도 계약·구매 없이 수집했다(데이터 비용 0). OSM 횡단보도 전국 19,437개 중 4개 구 1,054개를 분석 대상으로 한정했다. 객관 프록시(OSM 시설태그)는 크라우드소싱이라 희소하며, 태그 부재가 시설 부재를 뜻하지 않는 노이즈 있는 참조임을 인정한다.

데이터	출처 / 접근	규모	용도
횡단보도 위치	OpenStreetMap (무인증 추출)	전국 19,437개 → 분석대상 4개 구 1,054개	도로망 그래프 노드 정의, 진단 타겟 추출
거리뷰 이미지	Google Street View Static API (무료티어)	약 4,216장	1단 VLM 진단 입력, 시맨틱 세그멘테이션
노인 인구 분포	WorldPop 노인 인구 래스터	격자 래스터	노출(고령 보행 수요) 가중 → 취약지수 산출

진행 현황

항목	내용	상태
데이터 파이프라인	타겟 추출 → 거리뷰 수집 → 시맨틱 세그멘테이션 → 가로 특징 추출 → 취약지수/우선순위 산출	완료
세그멘테이션 검증	RTX4060 로컬 환경에서 동작 확인	완료
1단 VLM 진단 PoC	노인 페르소나 진단의 구조화 JSON 출력 형식 작동 확인(소수 샘플)	완료
정직성·누출통제 평가	VLM 위험점수 vs 객관 안전시설 대조(이진 AUROC), 근거 템플릿·페르소나 경계 효과 진단	완료
VLM 진단 확대 적용	분석대상 1,054개 횡단보도 전체로 진단 확대	계획
2단 GNN — 능동감사 전파	약 베이스라인 대비 검증 후, 추론예산 하 추가감사 후보 선별 용도로 한정 적용	계획
결과 검증	현장 표본 대조 · 사고/민원 데이터 상관 · 실제 노인 인지 검증	계획
능동감사 우선순위 지도	추론예산 제약 하 추가감사 우선순위 산출	계획

예비 결과 (정직성·누출통제 진단)

객관시설과의 불일치(음성 결과). 소형 VLM 거리뷰 위험점수를 객관 안전시설과 대조하면 이진 분류 AUROC 0.43(<0.5) — 무작위보다 못한 수준으로, 위험점수가 객관시설과 일치한다고 볼 수 없다.
근거 템플릿화. JSON 근거 필드가 장면과 무관하게 반복되는 정황이 관찰되어, 서술 근거가 실제 장면 해석이라는 보장이 없다.
페르소나 경계 효과 미약. 페르소나 수준 간 진단 차이는 Δ+0.77(p=0.063)로 통계적으로 확정되지 않는다.
전파의 구조적 패배. GNN 전파는 단순 피처 회귀·전역 평균 같은 약한 베이스라인을 능가하지 못했다.
통계력 부재. 객관 대조에 쓸 수 있는 라벨이 41개 수준이라, 모델 우열 결론은 보류한다(우열을 단정하지 않음).
노인 보행속도 0.73~0.85 m/s(한음 2020)는 측정값이 아닌 객관 규칙 기반 설정 가정.

기여 (재정의)

무엇이 기여인가

(1) 평가·정직성 프레임워크 — VLM 진단을 곧장 성과로 쓰지 않고, 비순환·누출통제 평가틀과 정직성 프로브로 검증하는 절차. 진단점수가 객관시설과 일치하는지, 근거가 템플릿인지, 페르소나 경계가 실재하는지를 분리해 측정한다.
(2) 엄밀한 음성·진단 결과 — 소형 VLM 거리뷰 위험점수가 객관 안전시설과 불일치(이진 AUROC 0.43<0.5), 근거 템플릿화, 페르소나 경계 Δ+0.77(p=0.063), 전파의 베이스라인 패배(구조적)를 정량으로 보고한다. '잘 된다'가 아니라 '어디까지 안 되는지'를 정직하게 규정한 결과 자체가 기여다.
(3) 작동조건 규정 + 재조준 — 노인 특화는 미검증 페르소나가 아니라 객관 보행속도 규칙(한음 2020)으로, GNN은 라벨 채우기가 아니라 추론예산 제약 하 능동감사 획득으로, 동기는 간선이 아니라 상용 로드뷰 사각지대(차량 미진입 골목)로 재조준한다.

선행연구·경계(정직)

VLM 페르소나는 신규성이 아니다(Dai 2026, arXiv 2601.03534 선행). 거리뷰 VLM 진단, 유사라벨 자기지도, 보행성 ML, 사고 예측 GNN 각각도 선행연구가 존재한다.
통계력 부재(라벨 약 41개)로 모델 우열은 보류한다. 미검증 위험점수를 정비 권고에 직접 쓰지 않는다.
객관 프록시(OSM 시설태그)는 크라우드소싱이라 희소하며, 태그 부재가 시설 부재를 뜻하지 않는 노이즈 있는 참조임을 인정한다.

향후 계획 · 일정

단계	내용	상태
1	데이터 수집·전처리 파이프라인 구축 / 세그멘테이션 로컬 검증(RTX4060)	완료
2	1단 VLM 진단 PoC — 소수 샘플에서 노인 페르소나 진단이 의도한 JSON 출력 형식으로 작동함을 확인(대규모 정량 검증 아님)	완료
3	정직성·누출통제 평가 — 객관시설 대조(AUROC), 근거 템플릿·페르소나 경계 진단(음성 결과 확인)	완료
4	VLM 진단을 분석 대상 1,054개 횡단보도로 확대 적용 — 라벨 수 확보로 통계력 보강	계획
5	2단 GNN '능동감사 전파' 구현 — 약 베이스라인 대비 검증 후, 추론예산 하 추가감사 후보 선별 용도로 한정	계획
6	결과 검증 — 현장 표본 대조 / 사고·민원 데이터 상관 / 노인 인지 검증	계획

한계와 검증 계획

한계	검증 설계(계획)
진단 타당도 — VLM 위험점수가 객관 안전시설과 불일치(이진 AUROC 0.43<0.5)	라벨 수 확대(1,054개)로 통계력 보강, 근거 템플릿화·환각 비율 정량화, 다중 샘플 일관성 점검
통계력 부재 — 객관 대조 라벨이 41개 수준이라 모델 우열 결론 보류	진단 확대로 라벨 확보 후 우열 재평가. 현 단계에서는 우열을 단정하지 않음
객관 프록시 희소 — OSM 시설태그는 크라우드소싱이라 태그 부재≠시설 부재	현장 표본 대조로 태그 누락률 추정, 노이즈 있는 참조임을 명시하고 보정
페르소나 대리 진단 — 페르소나 경계 효과 미약(Δ+0.77, p=0.063), 페르소나는 신규성 아님	객관 보행속도 규칙(한음 2020)으로 재조준, 실제 노인 인지 검증으로 대리 진단 일치도 측정
전파의 구조적 패배 — GNN 전파가 단순 피처·전역 평균 베이스라인을 능가하지 못함	전파를 미관측 위험 추정에 쓰지 않는다. 추론예산 제약 하 능동감사 후보 선별이라는 한정 역할로만 적용하고, 베이스라인 대비 이득이 확인된 경우에만 쓴다

필수 전제 — 검증되지 않은 VLM 위험점수는 정비 권고에 직접 쓰지 않는다. GNN 전파 결과는 추정값이 아니라 추가감사 후보 선별용이며 확정 판단이 아니다.

정직한 입장 — 본 발표의 가치는 '잘 예측한다'는 성과가 아니라, 누출·순환을 통제한 음성·진단 결과와 그로부터 도출한 작동조건 규정·재조준에 있다.