선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 또한 현재 시점을 바탕으로 하여 대피 경로를 제안해주기에 실제 대피할 시점의 상황에는 적절하지 않다는 한계를 내포하고 있다[12]. 따라서 본 논문에서는 이런 상황을 고려하여, 최소한의 정보인 온도 정보만을 수집하여 일정 시간 이후의 화재 상황을 파악하며, 사용자의 위치와 실제 대피할 시점을 고려한 대피 경로를 제안한다는 점에서 기존 연구들과의 차별성을 가진다.
- 화재 발생은 사고 발생 시 보다 신속한 사고 발생인지 및 대응이 절대적으로 필요한 대표적인 재난 상황으로서, 건물 내에서 발생 시 사람들에게 신속하고 효율적인 대피 경로 제시가 사고 발생으로 인한 피해를 최소화하는데 중대한 영항을 미친다. 본 논문에서는 빌딩 내 화재 발생 시 WSN 으로 수집한 온도 데이터를 바탕으로 지역별로 멀티레벨 클러스터링(multi-level clustering)을 통해 일정 시간 이후의 재난 상황 정도를 예측하는 기법과, 이의 신뢰도를 고려한 화재 대피 경로를 결정해주는 알고리즘을 제안한다.
- 본 논문에서는 정적 노드들로 구성된 WSN 환경이 구축된 스마트 빌딩 내 화재가 발생하였을 때, WSN에서 수집한 각 노드별 온도 정보를 바탕으로 멀티레벨 클러스터링 기법과 화재 대피 경로 알고리즘을 제안한다. 멀티레벨 클러스터링은 차례대로 여러 단계의 클러스터링을 적용하는 방식으로, 앞의 클러스터링 결과를 토대로 다음 클러스터링에 적용하는 단계적 클러스터링 기법이다.
- 본 연구에서는 무선 센서 네트워크 환경에서 화재가 발생하였을 때, WSN으로 수집한 온도 정보를 바탕으로 온도 예측 정확성을 높이기 위한 가우시안 혼합 모델 기반 클러스터링과 예측 정확도 기반 클러스터링의 두 단계에 걸친 멀티레벨 클러스터링 기법을 사용한 온도 예측 시스템을 제안하였다. 또한, 앞에서 예측한 온도와 이의 신뢰도에 기반하여, 사용자의 현재 위치부터 가장 안전한 출구까지의 대피 경로를 도출하는 화재 대피 경로 알고리즘을 제안하였다.
- 예측 온도 값의 신뢰도 분석은, 두 번째 단계에서 사용할 예측된 온도의 정확성을 판단하기 위해 수행된다. 모든 노드에 대해서 각각 RMSE를 계산하여 신뢰도를 측정한다.
가설 설정
- 두 번째는 WSN을 통해 수집한 ground-truth 온도 정보를 적용하여 신뢰도 또한 100%라고 가정한 ‘Real’ 경로 도출 알고리즘 결과이다.
제안 방법
- 온도 예측 정확도를 검증하기 위해서 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 다룰 때 흔히 사용하는 측도인 식 4의 평균 제곱근 오차를 사용하였다. predicti를 구하는 기준 시간은 화재 진압의 초기대응에 있어서 가장 중요한 시간인 골든 타임(golden time)[12] 5분을 참고하여, 예측을 하기 위해 최근으로부터 과거 L시간 전까지의 데이터를 통해 모델 학습을 수행하고, 현재로부터 W 앞의 시간을 예측하되 L+W가 3분에서 5분이 되도록 하였고, 예측하고자 하는 시간이 사용한 시간 자료의 두 배가 넘지 않을 경우에서만의 예측 정확도를 측정하였다.
- 는 시간 t일 때의 온도를 의미한다. 각 노드마다 시간과 그 시간에서의 온도로 구성된 데이터를 사용하여, 가장 적합한 계수 a와 b값을 최소 자승법(Least Square)을 통해 도출하고, 이렇게 완성된 식을 통해 예측하고자 하는 시간에서의 온도를 구한다. t는 초단위이며, Tt는 ℃를 사용한다.
- 각 노드별로 예측 온도와 예측 정확도, 그리고 노드 간의 거리 데이터가 주어졌을 때, 이를 이진 정수 프로그램을 수립하여 최적화된 대피 경로를 도출한다. 수립한 이진 정수 프로그램은 아래와 같다.
- 각각의 노드마다 사용한 시간 자료와 예측할 시간의 데이터 세트들에서의 차이 값들에 대한 평균값을 도출하고, 해당 값이 30 미만일 경우 그룹 1, 60 미만일 경우 그룹 2, 그 이상은 그룹 3으로 분류한다. 즉, 그룹 1은 예측이 잘 된 노드들로, 그룹 3은 예측이 가장 부정확한 노드들로 구성된다.
- 각각의 모든 클러스터 개수에서의 결과들의 평균과 표준 편차를 다시 계산한 값과 가장 유사한, 이 모든 경우들을 대표할 수 있는 클러스터의 개수를 GMM 클러스터링에 사용할 클러스터의 개수로 선정한다
- 첫 번째 단계인 멀티레벨 클러스터링 기법에서는 GMM 클러스터링을 통해 노드별 온도 변화를 예측하고, 예측정확도 기반 클러스터링을 사용하여 화재 상황을 파악한다. 두 번째 단계에서는 예측된 값의 정확성을 파악하기 위해, RMSE를 사용하여 예측 온도 값의 신뢰도를 분석한다.
- 21배 증가함을 확인할 수 있었다. 또한, 멀티레벨 클러스터링을 사용하여 화재 상황 및 화재가 발생한 건물의 구조를 파악할 수 있음을 모의실험을 통해 검증하였다. 화재 대피경로 도출 알고리즘을 통해 찾아낸 대피 경로는 실제 ground-truth 온도를 사용하여 대피했을 때에 비하여 안전한 노드를 경유하는 비율이 큰 차이를 보이지 않았으며, 최단 경로만 고려하여 도출된 대피 경로의 경우에 비해서는 더 안전한 경로를 도출하였음을 확인하였다
- 본 연구에서는 무선 센서 네트워크 환경에서 화재가 발생하였을 때, WSN으로 수집한 온도 정보를 바탕으로 온도 예측 정확성을 높이기 위한 가우시안 혼합 모델 기반 클러스터링과 예측 정확도 기반 클러스터링의 두 단계에 걸친 멀티레벨 클러스터링 기법을 사용한 온도 예측 시스템을 제안하였다. 또한, 앞에서 예측한 온도와 이의 신뢰도에 기반하여, 사용자의 현재 위치부터 가장 안전한 출구까지의 대피 경로를 도출하는 화재 대피 경로 알고리즘을 제안하였다.
- 마지막으로 본 논문에서 제안하는 알고리즘의 복잡도 측정을 위해 온도 예측 알고리즘 및 대피 경로 도출 알고리즘의 실행 시간을 측정하였다. 온도 예측 알고리즘의 경우 약 0.
- 멀티레벨 클러스터링의 두 번째 단계인, 예측 정확도 기반의 클러스터링을 적용하였을 때의 클러스터 분포와 예측 정확도를 살펴보았다. 그림 7을 통해 그룹 3의 분포는 복도와 일치하였고, 그룹 2는 불이 난 지점과 복도와 접한 노드들, 그리고 그룹 1은 화재의 영향이 직접적으로 미치지 않은 나머지 노드들이 속하였다.
- 멀티레벨 클러스터링의 첫 번째 단계인 GMM 클러스터링을 적용하였을 때의 예측 정확도를 살펴보았다. 클러스터링을 수행할 때 각 노드의 온도 정보와 위치 정보가 사용하였다.
- 본 논문에서 제시하는 화재 대피 경로 도출 알고리즘에서는, 정적 노드들로 구성된 WSN을 통해 얻은 각 노드별 온도 정보를 바탕으로, 멀티레벨 클러스터링 기법을 통해 도출된 예측 온도와 해당 값의 신뢰도를 이용해 사용자가 대피하는 시점으로부터 W초 이후의 안전한 대피경로를 제시한다. 이를 위해 알고리즘은 두 개의 세부 단계로 나누어져서 수행된다.
- 본 논문에서 제안한 멀티레벨 클러스터링 기법을 사용한 온도 예측 시스템과 화재 대피 경로 도출 알고리즘을 검증하기 위해 그림 4와 같은 이화여자대학교 아산공학관 3층 20×50m2의 공간에 47개의 정적 노드들로 구성된 무선 센서 네트워크 환경을 가정하여, 화재로 인한 유체 역학적인 전달 과정을 시뮬레이션하는 프로그램인 NIST의 FDS(Fire Dynamics Simulator)[15]를 이용하여, 총 1436.41초 동안 시뮬레이션을 통해 얻은 온도 데이터를 바탕으로 모의실험을 수행하였다.
- 본 논문에서 제안한 알고리즘의 성능을 검증하기 위해 3가지 경우 각각에 따라, 탈출에 걸리는 시간 및 거리와, 각각의 경로가 방문하는 노드 중 안전한 노드의 비율을 비교해보았다. 이때 데이터 값으로는 특정 시간대에 대하여 그림 7의 그룹 1에 해당하는 노드들을 시작점으로 했을 때의 값을 사용하였다.
- 본 논문에서 제안한 화재 대피경로 도출 알고리즘을 검증하기 위해 그림 4의 환경에서 얻은 온도데이터와 출구 노드, 출발 노드 정보를 바탕으로 MATLAB의 bintprog를 사용하여 시뮬레이션 기반실험을 진행하였다. 알고리즘을 결정하는 자료는 온도, 신뢰도와 거리가 있는데, 온도 변화 예측을 통한 화재 대피경로 도출 알고리즘의 정확도를 검증하기 위해, 3가지의 서로 다른 정보를 경로 도출 알고리즘에 적용하였을 때 도출한 결과를 분석하였다.
- 본 온도 예측 시스템에서는 정적 노드들로 구성된WSN을 통해 수집한 온도 정보를 기반으로 사용자가 대피할 시점의 온도 변화를 예측한다. 이를 위해 다음과 같이 두 개의 세부 단계로 나누어 수행한다.
- 알고리즘을 결정하는 자료는 온도, 신뢰도와 거리가 있는데, 온도 변화 예측을 통한 화재 대피경로 도출 알고리즘의 정확도를 검증하기 위해, 3가지의 서로 다른 정보를 경로 도출 알고리즘에 적용하였을 때 도출한 결과를 분석하였다. 세 가지의 경우모두 노드 간의 동일한 거리를 사용하였으며, 온도와 신뢰도는 서로 다른 3가지의 정보를 사용하였다. 첫 번째 경우는 본 시스템에서 제안하는 온도 예측 시스템을 통해 얻는 예측 온도와 식(4)를 사용하여 계산한 신뢰도를 적용한 ‘Predict’ 경로 도출 알고리즘 결과이다.
- 본 논문에서 제안한 화재 대피경로 도출 알고리즘을 검증하기 위해 그림 4의 환경에서 얻은 온도데이터와 출구 노드, 출발 노드 정보를 바탕으로 MATLAB의 bintprog를 사용하여 시뮬레이션 기반실험을 진행하였다. 알고리즘을 결정하는 자료는 온도, 신뢰도와 거리가 있는데, 온도 변화 예측을 통한 화재 대피경로 도출 알고리즘의 정확도를 검증하기 위해, 3가지의 서로 다른 정보를 경로 도출 알고리즘에 적용하였을 때 도출한 결과를 분석하였다. 세 가지의 경우모두 노드 간의 동일한 거리를 사용하였으며, 온도와 신뢰도는 서로 다른 3가지의 정보를 사용하였다.
- 온도를 예측하기 위해서, 화재 발생 시 내화 성능판정에 일반적으로 사용하는 표준 화재 온도 곡선[13]을 바탕으로, 각 노드별 온도 변화가 다양한 것을 고려한 응용 식을 사용한다. 응용 식은 현재까지 수집된 경험적 자료를 사용하여, 노드의 특성에 따라서 식을 결정할 수 있다.
- 노드별 예측한 온도의 RMSE 값의 분포를 확인하였을 때, 화재 발생 지점과 가까울수록 온도 변화가 일정하지 않았음을 확인할 수 있었다. 이러한 현상 파악을 바탕으로, 각 노드의 특성을 파악하여 화재 진행 상황을 알아내기 위해, 각 노드마다 실제 온도와 예측온도의 차이에 따라 나눈다.
- 이는 노이즈 현상의 영향을 완화하면서 동시에 클러스터링을 위한 연산 시간을 최소화하기 위함이다. 이를 위해, 초기에 클러스터의 개수가 1부터 N인 모든 경우에 대해서 각각 GMM 클러스터링을 실행한다. 그리고 각 노드마다 실제 온도와 속한 클러스터의 중심 온도의 차이 값을 구한다
- 목적함수 (5)는 각각의 노드를 이어주는 연결정보에 대해, 신뢰도와 예측 온도, 노드 간 거리에 따른 값을 최대화한다. 즉 예측 신뢰도를 최대화하면서, 예측온도 및 노드 간 이동 거리를 최소화하는 방향으로 경로들을 최적 결정하도록 한다. Ii,j는 대피경로를 나타내기 위한 표시함수(indicator function)로, 노드 i에서 j로 가는 경로가 선택되면 Ii,j = 1, 선택되지 않으면 Ii,j = 0의 값을 갖는다.
데이터처리
- i는 노드 번호이며, 신뢰도의 오차를 줄이기 위해 각 노드마다 20개의 실제값과 예측값과의 차의 제곱평균값을 사용하였다. predictij는 노드 i에 대해 j번째 예측 경우에 얻은 온도 예측 값을 의미하고, realij는 실제 j번째 경우의 온도 데이터를 의미한다.
- 해당 시스템에서는 총 두 단계의 클러스터링을 수행하는데, 온도 예측 정확성을 높이기 위한 가우시안 혼합 모델(Gaussian Mixture Model, GMM)[13]을 기반으로 한 클러스터링과 화재 상황 파악을 위한 예측정확도를 기반으로 하는 클러스터링을 사용한다. 또한, 이러한 멀티레벨 클러스터링 기법을 통해 도출한 예측 온도와 해당 온도 값의 평균 제곱근 오차(Root Mean Square Error, RMSE)를 사용하여, 각 노드에서의 평균적인 예측 신뢰도를 분석하여 사용자의 현 위치에서부터 출구까지의 화재 대피 경로를 파악한다. 본 시스템에 대한 전반적인 구조도는 그림 1과 같다.
- 예측 온도 값의 신뢰도 분석은, 두 번째 단계에서 사용할 예측된 온도의 정확성을 판단하기 위해 수행된다. 모든 노드에 대해서 각각 RMSE를 계산하여 신뢰도를 측정한다. RMSE를 도출하는 데에 사용되는 온도 데이터는, 센서를 통해 온도 데이터가 측정된 시간 구간 내에서 식 (2)를 사용하여 예측한 온도와 해당 시간에서의 실제 온도 데이터 이고, 두 데이터 집단을 사용하여 아래의 식을 통해 RMSE를 도출한다.
- 온도 예측 정확도를 검증하기 위해서 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 다룰 때 흔히 사용하는 측도인 식 4의 평균 제곱근 오차를 사용하였다. predicti를 구하는 기준 시간은 화재 진압의 초기대응에 있어서 가장 중요한 시간인 골든 타임(golden time)[12] 5분을 참고하여, 예측을 하기 위해 최근으로부터 과거 L시간 전까지의 데이터를 통해 모델 학습을 수행하고, 현재로부터 W 앞의 시간을 예측하되 L+W가 3분에서 5분이 되도록 하였고, 예측하고자 하는 시간이 사용한 시간 자료의 두 배가 넘지 않을 경우에서만의 예측 정확도를 측정하였다.
이론/모형
- 멀티레벨 클러스터링은 차례대로 여러 단계의 클러스터링을 적용하는 방식으로, 앞의 클러스터링 결과를 토대로 다음 클러스터링에 적용하는 단계적 클러스터링 기법이다. 해당 시스템에서는 총 두 단계의 클러스터링을 수행하는데, 온도 예측 정확성을 높이기 위한 가우시안 혼합 모델(Gaussian Mixture Model, GMM)[13]을 기반으로 한 클러스터링과 화재 상황 파악을 위한 예측정확도를 기반으로 하는 클러스터링을 사용한다. 또한, 이러한 멀티레벨 클러스터링 기법을 통해 도출한 예측 온도와 해당 온도 값의 평균 제곱근 오차(Root Mean Square Error, RMSE)를 사용하여, 각 노드에서의 평균적인 예측 신뢰도를 분석하여 사용자의 현 위치에서부터 출구까지의 화재 대피 경로를 파악한다.
- 화재의 영향으로 인해 순간적으로 온도가 급변하는 경우를 완화하면서 구간 신뢰성을 높이고 예측에 필요한 평균적인 상황을 파악하기 위해 클러스터링 기법을 적용한다. 특히 GMM 클러스터링 기법은 확률변화를 통해 클러스터를 결정하기 때문에 실시간으로 계속해서 변화하는 화재 상황을 확률 기반으로 처리하기에 적합하다고 할 수 있다.
성능/효과
- 그래프를 확인하였을 때, 안전한 노드를 경유하는 비율은 Real > Predict > Shortest 순으로 나타났다.
- 96으로 점점 RMSE의 값이 크게 감소하였다. 그룹 1에 속하는 예측 정확도가 높은 군에 속하는 노드에 대해서 예측 정확도가 4.21배로 크게 증가한 것으로 나타났다. 즉, 그룹 1에서 그룹 3으로 갈수록 예측정확도가 떨어지고, 예측 정확도의 변화가 불규칙함을 확인할 수 있었다.
- 그림 8에서 확인할 수 있듯이, 실제 온도와 예측 온도의 차이가 가장 큰 그룹 3에서의 RMSE는 평균 113.92로 나타났고, 그룹 2는 68.01, 그룹 1은 21.96으로 점점 RMSE의 값이 크게 감소하였다. 그룹 1에 속하는 예측 정확도가 높은 군에 속하는 노드에 대해서 예측 정확도가 4.
- 노드별 예측한 온도의 RMSE 값의 분포를 확인하였을 때, 화재 발생 지점과 가까울수록 온도 변화가 일정하지 않았음을 확인할 수 있었다. 이러한 현상 파악을 바탕으로, 각 노드의 특성을 파악하여 화재 진행 상황을 알아내기 위해, 각 노드마다 실제 온도와 예측온도의 차이에 따라 나눈다.
- 두 그래프를 확인하였을 때 탈출하는 데에 걸리는 거리와 시간이 Predict > Real > Shortest 순으로 나타났다.
- 또한 Predict는 Shortest에 비해 12% 정도 더 많은 비율로 안전한 노드를 지나는 것으로 확인되었다. 따라서 경로 내 노드의 안전성 비율을 확인하였을 때, 본 논문에서 제안한 알고리즘을 사용하여 탈출 경로를 도출할 경우, 최단 거리만을 고려한 경우(Shortest)보다 더 안전한 경로를 도출하였음을 확인할 수 있었다.
- 이때 Predict는 Real에 비해 경로 내 안전한 노드의 비율이 약 11% 더 떨어지는 것으로 확인되었으나 평균적으로 경로의 반 이상 안전한 노드를 지나는 것이 확인되었다. 또한 Predict는 Shortest에 비해 12% 정도 더 많은 비율로 안전한 노드를 지나는 것으로 확인되었다. 따라서 경로 내 노드의 안전성 비율을 확인하였을 때, 본 논문에서 제안한 알고리즘을 사용하여 탈출 경로를 도출할 경우, 최단 거리만을 고려한 경우(Shortest)보다 더 안전한 경로를 도출하였음을 확인할 수 있었다.
- 성능 및 비교 평과 결과, 제안한 온도 예측 시스템을 사용하였을 경우, 전체 노드에서 예측 정확도가 1.48배 증가하였고, 특히 예측 정확도가 높은 클러스터에 속한 노드들에 대해서는 최대 4.21배 증가함을 확인할 수 있었다. 또한, 멀티레벨 클러스터링을 사용하여 화재 상황 및 화재가 발생한 건물의 구조를 파악할 수 있음을 모의실험을 통해 검증하였다.
- 마지막으로 본 논문에서 제안하는 알고리즘의 복잡도 측정을 위해 온도 예측 알고리즘 및 대피 경로 도출 알고리즘의 실행 시간을 측정하였다. 온도 예측 알고리즘의 경우 약 0.41초, 대피 경로 도출 알고리즘의 경우 약 0.85초로 측정되어, 전체 시스템은 약 1.26초의 실행 시간이 소요됨을 확인하였다. 이는 화재 대피 시 5분의 골든 타임이라는 시간을 고려했을 때, 본 논문에서 제안하는 알고리즘의 복잡도 측면에서 적합성을 갖는다고 할 수 있다.
- 5로 측정이 되었다. 이는 GMM 클러스터링을 적용하였을 경우 예측 정확도가 1.48배 증가하였다는 결과로, 클러스터링을 거쳐 예측을 수행하는 것이 화재 상황에서 온도의 예측 정확도를 더욱 높이기 위해 필요한 단계라는 것을 확인할 수 있다.
- 26초의 실행 시간이 소요됨을 확인하였다. 이는 화재 대피 시 5분의 골든 타임이라는 시간을 고려했을 때, 본 논문에서 제안하는 알고리즘의 복잡도 측면에서 적합성을 갖는다고 할 수 있다.
- 그래프를 확인하였을 때, 안전한 노드를 경유하는 비율은 Real > Predict > Shortest 순으로 나타났다. 이때 Predict는 Real에 비해 경로 내 안전한 노드의 비율이 약 11% 더 떨어지는 것으로 확인되었으나 평균적으로 경로의 반 이상 안전한 노드를 지나는 것이 확인되었다. 또한 Predict는 Shortest에 비해 12% 정도 더 많은 비율로 안전한 노드를 지나는 것으로 확인되었다.
- 그림 7을 통해 그룹 3의 분포는 복도와 일치하였고, 그룹 2는 불이 난 지점과 복도와 접한 노드들, 그리고 그룹 1은 화재의 영향이 직접적으로 미치지 않은 나머지 노드들이 속하였다. 이를 통해 건물의 구체적인 구조 설계도 없이도 온도의 변화 양상만으로도 화재가 발생한 지점과 직접적으로 영향을 받는 인근 지역을 파악할 수 있으며, 해당 건물의 구조를 어느 정도 예측할 수 있음을 확인할 수 있다.
- 21배로 크게 증가한 것으로 나타났다. 즉, 그룹 1에서 그룹 3으로 갈수록 예측정확도가 떨어지고, 예측 정확도의 변화가 불규칙함을 확인할 수 있었다.
- 39004인 것으로 나타났다. 클러스터의 개수 튜닝을 통해 15개로 클러스터링할 때, 평균 36.05083과 표준편차 7.027293으로 앞의 전체 경우와 가장 유사한 결과를 보이는 클러스터링 개수를 설정하였다..
- 또한, 멀티레벨 클러스터링을 사용하여 화재 상황 및 화재가 발생한 건물의 구조를 파악할 수 있음을 모의실험을 통해 검증하였다. 화재 대피경로 도출 알고리즘을 통해 찾아낸 대피 경로는 실제 ground-truth 온도를 사용하여 대피했을 때에 비하여 안전한 노드를 경유하는 비율이 큰 차이를 보이지 않았으며, 최단 경로만 고려하여 도출된 대피 경로의 경우에 비해서는 더 안전한 경로를 도출하였음을 확인하였다
후속연구
- 향후 연구에서는 본 논문에서 제안한 대피 경로 알고리즘과 기존에 제안된 대피 경로 도출 방식의 성능을 알고리즘의 정확성, 복잡성 등 다양한 측면에서 비교분석할 예정이다. 또한, 도출된 경로를 실제 상황에 적용하기 위하여, 사용자에게 대피 경로를 전달하여 실질적으로 본 시스템을 적용할 수 있는 방안을 연구할 계획이다.
- 본 연구는 화재가 발생하였을 시, 현재 상황이 아닌 대피할 시점의 상황을 예측함으로써 대피 경로를 제안한다는 점에 있어서, 기존의 화재 대피 경로 시스템에 비해 더 실용적인 기여를 할 수 있을 것으로 기대한다.
- 향후 연구에서는 본 논문에서 제안한 대피 경로 알고리즘과 기존에 제안된 대피 경로 도출 방식의 성능을 알고리즘의 정확성, 복잡성 등 다양한 측면에서 비교분석할 예정이다. 또한, 도출된 경로를 실제 상황에 적용하기 위하여, 사용자에게 대피 경로를 전달하여 실질적으로 본 시스템을 적용할 수 있는 방안을 연구할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.