궤적 예측 모델의 숨겨진 비밀: 데이터셋과 유도적 편향의 놀라운 상관관계

본 연구는 세 가지 최첨단 궤적 예측 모델의 Out-of-Distribution(OOD) 일반화 능력을 비교 분석하여, 모델 크기, 유도적 편향, 데이터 증강 전략 및 데이터셋 크기의 상호작용이 OOD 성능에 미치는 영향을 규명했습니다. 특히, 소규모 데이터셋으로 학습한 가장 작은 모델이 대규모 데이터셋에서 테스트 시 가장 우수한 OOD 성능을 보인 점은 주목할 만합니다.

궤적 예측 모델의 숨겨진 비밀: 데이터셋과 유도적 편향의 놀라운 상관관계

최근, Yue Yao, Daniel Goehring, Joerg Reichardt 세 연구원이 발표한 논문 "Beyond In-Distribution Performance: A Cross-Dataset Study of Trajectory Prediction Robustness"는 인공지능 분야, 특히 자율주행의 핵심 기술인 궤적 예측 모델의 흥미로운 측면을 밝혀냈습니다. 이 연구는 단순히 훈련 데이터셋 내(In-Distribution, ID) 성능만을 비교하는 것을 넘어, 서로 다른 데이터셋 간의 일반화 능력(Out-of-Distribution, OoD)에 초점을 맞췄다는 점에서 주목할 만합니다.

연구팀은 Argoverse 2 (A2)와 Waymo Open Motion (WO) 두 개의 대표적인 데이터셋을 사용하여 세 가지 최첨단(SotA) 궤적 예측 모델을 비교했습니다. 흥미롭게도 이 세 모델은 ID 성능은 비슷했지만, 모델 설계는 서로 달랐습니다. 연구의 핵심은 바로 이러한 모델들이 서로 다른 데이터셋 환경에서 어떻게 다른 성능을 보이는가를 탐구하는 것입니다.

첫 번째 실험: A2 (소규모 데이터셋)에서 학습하고 WO (대규모 데이터셋)에서 테스트한 결과, 놀랍게도 가장 작은 모델이면서 가장 높은 유도적 편향을 가진 모델이 가장 우수한 OoD 일반화 성능을 보였습니다. 데이터 증강 전략에도 불구하고 이러한 결과는 일관되게 나타났습니다. 이는 모델의 설계, 특히 유도적 편향이 OoD 일반화에 중요한 역할을 한다는 것을 시사합니다.

두 번째 실험: 반대로, WO (대규모 데이터셋)에서 학습하고 A2 (소규모 데이터셋)에서 테스트한 결과는 예상과 달랐습니다. 모든 모델의 일반화 성능이 저조했고, 심지어 가장 높은 유도적 편향을 가진 모델조차도 그 성능이 제한적이었습니다. 이는 데이터셋의 크기와 특성이 모델의 일반화 능력에 큰 영향을 미친다는 것을 보여줍니다.

이 연구는 단순한 성능 비교를 넘어, 궤적 예측 모델의 설계 및 평가 방식에 대한 중요한 시사점을 제공합니다. 데이터셋 선택의 중요성과 유도적 편향의 역할을 명확히 함으로써, 보다 강건하고 일반화 능력이 뛰어난 궤적 예측 모델 개발에 기여할 것으로 기대됩니다. 앞으로의 연구는 이러한 발견을 바탕으로, 다양한 데이터셋과 모델 설계에 대한 더욱 심도 있는 분석을 통해 자율주행 기술의 발전에 기여할 것으로 예상됩니다. 특히, 데이터 증강 전략의 효과적인 활용과 유도적 편향 조절에 대한 연구가 더욱 활발해질 것으로 예상됩니다.