영상은 카메라 안에서 끝납니다
카메라 안의 칩이 그 자리에서 사람을 세고 화면은 바로 버립니다. 밖으로 나가는 것은 시간대별 숫자뿐입니다.
쉽게 말하면손님 얼굴은 기억하지 않고, 오늘 몇 명 왔는지만 장부에 적는 직원과 같습니다.
Storefront analytics on the edge
가게 앞 3미터만 보는 TARS의 엣지 AI 기술
예시 화면
가게 앞 3미터에 맞춰 만든
TARS의 영상 분석 엔진
TARS Edge
TARS Edge는 카메라 안의 작은 칩에서 돌아가는 분석 엔진입니다. 화면에서 사람을 찾고, 거리를 재고, 지나감·멈춤·입장을 판정한 뒤 숫자만 남기고 화면은 버립니다.
설계상 기기 밖으로 나가는 영상
0프레임
실적이 아니라 설계 원칙입니다. 영상은 기기 안에서 처리하고 바로 버립니다.
가게 앞과 길 건너편을 구분합니다
카메라 한 대로 사람까지의 거리를 추정해(단안 깊이 추정) 가게 앞 3미터 안의 사람만 셉니다. 거리를 스스로 재기 때문에 설치할 때 줄자로 기준점을 잡는 일도 거의 없습니다.
쉽게 말하면한쪽 눈을 감아도 가까운 컵과 먼 컵이 구분되는 것처럼, 사람의 크기와 발 위치로 거리를 짐작합니다.
모든 숫자에 범위를 붙입니다
"시간당 420명"으로 끝내지 않고 "90% 구간 380~465명"처럼 얼마나 확실한지 함께 보여 줍니다. 90%라고 했으면 실제로 열 번 중 아홉 번은 그 안에 들어오도록 범위를 맞춥니다(보정).
쉽게 말하면일기예보가 "비 온다" 대신 "강수확률 70%"라고 말하는 것과 같습니다.
예시 데이터
2주를 재서 1년을 추정합니다
입지 실사에서는 1~2주 측정값을 공공 생활인구 데이터·날씨·요일·공휴일과 결합해 1년 치 보행량을 추정합니다. 측정한 날에서 멀어질수록 범위는 넓어집니다.
쉽게 말하면2주 치 가계부로 1년 생활비를 어림하는 것과 같습니다. 명절이나 휴가철처럼 달라지는 때는 달력과 날씨를 보고 따로 계산합니다.
예시 데이터
Technology
makes the sidewalk
measurable.
Feature
가게 앞을 숫자로 바꾸는 세 가지 기술
보행자 검출·추적
Detection & Tracking
화면마다 사람을 찾고 화면 안에서 잠깐 이어서 따라갑니다. 다음에 다시 와도 같은 사람인지는 알아보지 않습니다.
단안 깊이 추정
Monocular Depth
카메라 하나로 사람까지의 거리를 잽니다.
퍼널 판정
Funnel Events
지나감·멈춤·입장을 구분해서 셉니다.
Differences
문만 세는 출입 카운터와 무엇이 다를까요
출입 카운터는 문을 지나간 사람만 셉니다. 그래서 왜 안 들어오는지는 알 수 없습니다.
TARS는 가게 앞을 지나간 사람, 멈춘 사람, 들어온 사람을 모두 세서 어느 단계에서 손님을 놓치는지 보여 줍니다.
일반 출입 카운터
[문을 지나간 사람만]
지나간 사람·멈춘 사람은 알 수 없음
TARS Edge
[지나감·멈춤·입장 모두]
가게 앞 3미터 안에서 어느 단계에서 놓치는지 보임
Process
가게마다 측정 구역을 맞춥니다
가게 정면에 맞춰 지나감 선, 멈춤 구역, 입장 선을 정합니다. 깊이 추정 덕분에 바닥에 표시를 붙이거나 줄자로 재는 작업은 거의 없습니다.
정확도는 파일럿 매장에서 실제로 측정한 뒤 숫자로 공개하겠습니다.
오래 잴수록
범위는 좁아집니다
측정 기간이 길어질수록 추정 범위가 좁아집니다. 범위가 충분히 좁아지기 전에는 결론을 서두르지 않습니다.
측정 기간별 시간당 보행량 추정 범위
예시 데이터점: 추정값 · 선: 90% 구간
News
파일럿 진행 기록
파일럿 매장의 실험 기록을 이곳에 공유할 예정입니다.
준비 중
Contact