Scenario Classification for Vehicle Trajectory Prediction in Urban Environments using Multi-Agent and Geometry Context
Year: 2026
Type: article
Abstract: 최근 자율주행에서의 다중 객체 이동 궤적에 대한 예측 기술은 대규모 데이터셋과 학습 기반 모델의 발전과 함께 크게 발전하였다. 하지만 이들 예측 모델의 실도로 적용은 제한될 수 있으며 높은 예측 성능을 다양한 예측 시나리오에 대해 일관성 있게 유지하는 부분은 여전히 큰 한계점으로 지적된다. 이는 기존 예측 모델들의 편중된 시나리오에 대한 학습 환경에서 기인한 것으로 해석될 수 있다. 이에 본 연구에서는 시나리오 수준의 요인을 두 가지 요인(주변 객체 및 도로 기하구조)으로 계층적으로 분류하고 예측 성능을 시나리오 타입별로 비교･분석 함으로써 Argoverse와 같은 오픈 데이터셋 기반의 예측 모델의 한계점과 해결방안을 모색하고자 한다. 조건부 변분 오토인코더(CVAE) 아키텍처를 활용하여 예측 모델로 선정되었으며 예측 대상과의 평균 및 최종 위치 오차(minADE, minFDE)를 측정함으로써 예측 정확도를 평가한다. 실험 결과, 객체 인자는 주로 예측 성능의 전반에 큰 영향을 주는 반면, 기하구조 요인은 성능 분산 증가를 야기하는 것으로 나타났다. 특히 교차로를 포함하지 않는 시나리오에서는 minADE@6와 minFDE@6는 각각 1.18±1.15m와 3.10±3.41m였으나, 교차로 포함 시나리오에서는 각각 1.37±1.39m와 3.66±4.05m로 증가하였다. 이는 교차로와 같은 복잡한 기하 조건에서는 다중 객체의 이동 궤적 예측 오차와 성능 변동성이 증가할 수 있음을 시사한다. 이에 도시 주행 환경에서의 이동궤적 예측의 안정성을 향상시키기 위해서는 복잡한 기하구조에 대한 시나리오 데이터셋 증강 등의 조치가 요구되며 예측 과정에서 상황/환경적 맥락을 임베딩할 수 있는 예측 전략을 마련할 필요가 있다. 본 연구에서 제시된 시나리오 분류체계는 예측 모델 간 비교 연구에서 활용될 수 있으며 새로운 예측 솔루션 마련 시 모델 보정 등 후속적인 조치를 통한 성능 향상에 기여할 수 있을 것으로 기대된다.
Source: 대한교통학회지
Authors: Beomjin PARK, Simon OH, Jinwon YOON
Language: English
Subfield: Automotive Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7225035421