COTTA: 문맥 인식 전이 적응 - 자율 주행 환경에서의 경로 예측

COTTA: Context-Aware Transfer Adaptation for Trajectory Prediction in Autonomous Driving

자율 주행 안전을 위해 주변 차량의 경로를 정확하게 예측하는 강력한 모델 개발은 매우 중요합니다. 그러나 Waymo Open Motion Dataset 및 Argoverse와 같은 대부분의 공개 데이터셋은 서구 도로 환경에서 수집되었으며, 한국을 포함한 다른 지역의 독특한 교통 패턴, 인프라 및 운전 행동을 반영하지 못합니다. 이러한 도메인 불일치는 서구 데이터를 기반으로 학습된 최첨단 모델이 다른 지리적 환경에 적용될 때 성능 저하를 초래합니다. 본 연구에서는 미국 기반 데이터로 학습된 Query-Centric Trajectory Prediction (QCNet) 모델을 한국 도로 환경으로 전이했을 때의 적응성을 조사합니다. 한국 자율 주행 데이터셋을 사용하여, 제로샷 전이, 처음부터 학습, 전체 미세 조정, 인코더 동결의 네 가지 학습 전략을 비교했습니다. 실험 결과, 사전 학습된 지식을 활용하면 예측 성능이 크게 향상되는 것을 확인했습니다. 특히, 인코더는 동결하고 디코더만 선택적으로 미세 조정하는 것이 정확도와 학습 효율성 간의 최적의 균형을 제공하며, 처음부터 학습하는 것보다 예측 오류를 66% 이상 줄이는 결과를 보였습니다. 본 연구는 새로운 지리적 영역에 경로 예측 모델을 배포하기 위한 효과적인 전이 학습 전략에 대한 실질적인 통찰력을 제공합니다.

Developing robust models to accurately predict the trajectories of surrounding agents is fundamental to autonomous driving safety. However, most public datasets, such as the Waymo Open Motion Dataset and Argoverse, are collected in Western road environments and do not reflect the unique traffic patterns, infrastructure, and driving behaviors of other regions, including South Korea. This domain discrepancy leads to performance degradation when state-of-the-art models trained on Western data are deployed in different geographic contexts. In this work, we investigate the adaptability of Query-Centric Trajectory Prediction (QCNet) when transferred from U.S.-based data to Korean road environments. Using a Korean autonomous driving dataset, we compare four training strategies: zero-shot transfer, training from scratch, full fine-tuning, and encoder freezing. Experimental results demonstrate that leveraging pretrained knowledge significantly improves prediction performance. Specifically, selectively fine-tuning the decoder while freezing the encoder yields the best trade-off between accuracy and training efficiency, reducing prediction error by over 66% compared to training from scratch. This study provides practical insights into effective transfer learning strategies for deploying trajectory prediction models in new geographic domains.