자율 주행 차량의 안전성을 향상시키기 위해 사고 예측의 정확성은 필수적입니다. 기존 방법들은 센서 고장, 환경 방해, 불완전한 데이터 등 예측 정확도를 저하시키는 요소를 간과하는 경향이 있었습니다. 또한, 다양한 차량 유형에 따른 운전자 행동 및 사고율의 상당한 변동성을 제대로 고려하지 않았습니다. 본 연구는 이러한 한계를 극복하기 위해 사고 감지 및 예측을 위한 새로운 접근 방식인 ROAR을 제시합니다. ROAR은 Discrete Wavelet Transform (DWT), 자체 적응 객체 인식 모듈, 동적 초점 손실을 결합하여 이러한 과제를 해결합니다. DWT는 잡음이 많고 불완전한 데이터로부터 특징을 효과적으로 추출하고, 객체 인식 모듈은 위험도가 높은 차량에 집중하고 교통 흐름 요소 간의 시공간적 관계를 모델링하여 사고 예측을 향상시킵니다. 또한, 동적 초점 손실은 긍정적 및 부정적 샘플 간의 클래스 불균형의 영향을 완화합니다. DAD, CCD 및 A3D 데이터 세트에서 평가한 결과, ROAR은 평균 정밀도(AP) 및 사고까지의 평균 시간(mTTA)과 같은 주요 지표에서 기존 baseline을 일관되게 능가했습니다. 이 결과는 센서 성능 저하, 환경 잡음, 불균형 데이터 분포를 처리하는 데 있어 ROAR의 견고성을 보여줍니다.
