TrajEvo: LLM 기반 진화 알고리즘으로 궤적 예측의 새 지평을 열다

TrajEvo는 LLM과 진화 알고리즘을 결합하여 궤적 예측 휴리스틱을 자동 설계하는 혁신적인 프레임워크입니다. 기존 방식의 한계를 극복하고, 우수한 성능과 일반화 능력을 보이며, AI 기반 궤적 예측 기술 발전에 크게 기여할 것으로 예상됩니다.

사회 로봇 공학과 자율 주행 자동차 기술의 핵심 과제 중 하나는 바로 정확한 궤적 예측입니다. 기존의 수작업 규칙 기반 휴리스틱 방식은 정확도가 떨어지고, 최근 주목받는 딥러닝 기반 방법은 계산 비용이 높고, 설명 가능성이 부족하며, 일반화 성능이 낮다는 한계를 가지고 있습니다. 이러한 문제를 해결하기 위해 Zhao, Hua, Berto, Lee, Ma, Li, Park 등 연구진이 TrajEvo라는 혁신적인 프레임워크를 개발했습니다.

TrajEvo는 거대 언어 모델(LLM) 을 활용하여 궤적 예측 휴리스틱을 자동으로 설계하는 시스템입니다. LLM의 능력을 활용하여 과거 궤적 데이터로부터 예측 휴리스틱을 생성하고 개선하는 진화 알고리즘을 채택했습니다. 특히, 세대 간 엘리트 샘플링(Cross-Generation Elite Sampling) 기법을 통해 개체군의 다양성을 높이고, 통계적 피드백 루프(Statistics Feedback Loop) 를 통해 LLM이 여러 예측 결과를 분석하고 개선 방향을 제시하도록 설계되었습니다.

연구 결과, TrajEvo는 ETH-UCY 데이터셋에서 기존 휴리스틱 방식을 능가하는 성능을 보였을 뿐만 아니라, 미지의 SDD 데이터셋에 대한 일반화 성능에서도 휴리스틱 및 딥러닝 방식을 모두 뛰어넘는 놀라운 결과를 달성했습니다. 이는 빠르고, 설명 가능하며, 일반화 성능이 뛰어난 궤적 예측 휴리스틱을 자동으로 설계하는 데 있어 TrajEvo가 중요한 첫걸음임을 보여줍니다.

더욱 고무적인 것은 연구진이 TrajEvo의 소스 코드를 공개(https://github.com/ai4co/trajevo)하여 향후 연구를 위한 토대를 마련했다는 점입니다. TrajEvo는 단순한 기술적 발전을 넘어, LLM을 활용한 자동화된 시스템 설계의 가능성을 보여주는 중요한 사례로 기억될 것입니다. 이 연구는 AI 기반 궤적 예측 기술의 발전에 크게 기여하고, 사회 로봇 및 자율 주행 분야의 혁신을 가속화할 것으로 기대됩니다. 🎉