딥러닝으로 예측하는 미래: 행동 의사 레이블을 활용한 획기적인 궤적 예측 기술

본 기사는 보행자 및 이종 에이전트의 궤적 예측 정확도를 향상시키는 BP-SGCN(Behavioral Pseudo-Label Informed Sparse Graph Convolution Network)에 대한 최신 연구 결과를 소개합니다. 행동 의사 레이블과 카스케이드 학습 방식을 통해 기존 방법들을 능가하는 성능을 달성하여 자율주행 및 감시 시스템 발전에 기여할 것으로 기대됩니다.

자율주행 자동차나 감시 시스템에서의 의사결정 향상을 위해 단기간의 미래 이동을 예측하는 궤적 예측 기술이 주목받고 있습니다. 이 기술은 보행자 궤적 예측과 이종 에이전트(자전거, 차량 등) 궤적 예측으로 나뉘는데, 기존의 방법들은 각각 한계를 가지고 있었습니다. 보행자 궤적 예측은 보행자의 일관된 행동에 의존하지만, 실제 세상의 복잡한 교통 환경에서는 한계가 명확했고, 이종 에이전트 궤적 예측은 에이전트 종류를 구분하는 추가 레이블 정보에 의존하지만, 이러한 레이블의 수동 주석 작업은 비용이 많이 들고 일반화가 어려웠습니다.

Li Ruochen 박사를 비롯한 연구팀은 이러한 문제점을 해결하기 위해, 행동 의사 레이블(Behavioral Pseudo-Labels) 이라는 혁신적인 개념을 도입했습니다. 이 행동 의사 레이블은 에이전트의 운동 특징만을 기반으로 보행자와 이종 에이전트의 행동 분포를 효과적으로 포착하여 궤적 예측의 정확도를 크게 향상시킵니다.

이를 구현하기 위해 연구팀은 행동 의사 레이블 기반 희소 그래프 합성곱 네트워크(BP-SGCN) 을 제안했습니다. BP-SGCN은 의사 레이블을 학습하고 궤적 예측기에 정보를 제공하는 구조를 가지고 있습니다. 최적화를 위해 카스케이드 학습 방식을 채택하여, 먼저 비지도 학습으로 의사 레이블을 학습하고, 그 후 궤적 예측 정확도 향상 방향으로 레이블에 대한 엔드-투-엔드 미세 조정을 수행합니다.

실험 결과, 제안된 행동 의사 레이블은 다양한 행동 클러스터를 효과적으로 모델링하여 궤적 예측 성능을 향상시켰습니다. BP-SGCN은 보행자 전용 데이터셋(ETH/UCY, pedestrian-only SDD)과 이종 에이전트 데이터셋(SDD, Argoverse 1) 모두에서 기존 방법들을 능가하는 성능을 보였습니다. 이는 자율주행 및 감시 시스템의 지능화에 크게 기여할 것으로 기대됩니다. 향후 연구에서는 더욱 다양하고 복잡한 환경에서의 궤적 예측 성능 향상 및 실시간 처리 성능 개선에 초점을 맞출 것으로 예상됩니다.

핵심 연구진: Li Ruochen, Stamos Katsigiannis, Tae-Kyun Kim, Hubert P. H. Shum