맥락을 고려한 모든 인간 궤적 예측을 향하여: TrajICL의 혁신

후지이 료, 사이토 히데오, 하치우마 료 연구팀이 개발한 TrajICL은 상황 내 학습(ICL) 프레임워크를 활용하여 에지 장치에서도 효율적인 보행자 궤적 예측을 가능하게 합니다. 공간-시간적 유사성 및 예측 기반 예시 선택 방법과 대규모 합성 데이터셋 활용을 통해 기존 방식을 뛰어넘는 성능을 달성했습니다.

자율 주행 시스템의 핵심 과제 중 하나는 보행자의 미래 궤적을 정확하게 예측하는 것입니다. 다양한 환경과 상황에 적응해야 한다는 점이 이를 어렵게 만듭니다. 기존에는 특정 시나리오에 맞춰 데이터를 수집하고 역전파를 통해 미세 조정하는 방식이 주를 이루었지만, 제한된 연산 자원을 가진 에지 장치에서는 현실적인 방법이 아니었습니다.

하지만, 후지이 료, 사이토 히데오, 하치우마 료 연구팀이 개발한 TrajICL은 이러한 문제에 대한 혁신적인 해결책을 제시합니다. TrajICL은 상황 내 학습(In-Context Learning, ICL) 프레임워크를 기반으로, 시나리오 특정 데이터에 대한 미세 조정 없이도 빠른 적응을 가능하게 합니다.

TrajICL의 핵심은 두 가지 혁신적인 예시 선택 방법에 있습니다. 먼저, 공간-시간적 유사성 기반 예시 선택(STES) 은 동일한 장면 내에서 과거 관측된 궤적 중 유사한 움직임 패턴을 가진 예시를 선택합니다. 이는 마치 과거의 경험을 통해 현재 상황을 이해하는 인간의 직관과 유사합니다. 더 나아가, 예측 기반 예시 선택(PG-ES) 은 과거 궤적뿐 아니라 예측된 미래 궤적까지 고려하여 예시를 선택합니다. 이는 장기적인 동역학을 고려하여 더욱 정확한 예측을 가능하게 합니다.

또한, TrajICL은 소규모 실제 데이터셋의 한계를 극복하기 위해 대규모 합성 데이터셋을 활용합니다. 이는 다양한 시나리오를 포함하는 풍부한 학습 데이터를 제공하여 예측 능력을 향상시키는 데 크게 기여합니다. 실험 결과, TrajICL은 여러 공개 벤치마크에서 미세 조정된 접근 방식보다 뛰어난 적응력과 예측 성능을 보여주었습니다.

TrajICL의 코드는 https://fujiry0.github.io/TrajICL-project-page 에서 확인할 수 있습니다. 이 연구는 에지 장치에서의 실시간 보행자 궤적 예측 기술 발전에 중요한 이정표를 세웠으며, 자율 주행 시스템의 안전성과 신뢰성 향상에 크게 기여할 것으로 기대됩니다. 특히, 대규모 합성 데이터셋 활용은 향후 AI 모델 개발의 새로운 패러다임을 제시할 가능성을 보여줍니다.