자기 학습 기반 의도 인식 트랜스포머를 이용한 다중 모달 차량 경로 예측

Self-Discovered Intention-aware Transformer for Multi-modal Vehicle Trajectory Prediction

차량 경로 예측은 자율 주행 및 지능형 교통 시스템(ITS) 응용 분야에서 중요한 역할을 합니다. 여러 딥러닝 알고리즘이 차량 경로 예측을 위해 개발되었지만, 특정 그래프 구조(예: 그래프 신경망)에 의존하거나 명시적인 의도 레이블링을 필요로 하는 경우가 많아 유연성이 제한됩니다. 본 연구에서는 인접 차량을 고려한 다중 모달 정보를 활용하는 순수 트랜스포머 기반 네트워크를 제안합니다. 두 개의 독립적인 추론 경로를 사용합니다. 한 경로는 차량 경로를 예측하는 데 집중하고, 다른 경로는 인접 차량을 고려하여 각 의도의 발생 가능성을 예측하는 데 집중합니다. 연구 결과, 두 경로를 분리하여 공간 정보 처리 모듈과 경로 생성 모듈을 분리함으로써 성능 향상을 확인할 수 있었습니다. 또한, 모델이 K개의 경로에 대한 잔차 오프셋을 예측함으로써 순서가 정렬된 경로 그룹을 학습할 수 있음을 확인했습니다.

Predicting vehicle trajectories plays an important role in autonomous driving and ITS applications. Although multiple deep learning algorithms are devised to predict vehicle trajectories, their reliant on specific graph structure (e.g., Graph Neural Network) or explicit intention labeling limit their flexibilities. In this study, we propose a pure Transformer-based network with multiple modals considering their neighboring vehicles. Two separate tracks are employed. One track focuses on predicting the trajectories while the other focuses on predicting the likelihood of each intention considering neighboring vehicles. Study finds that the two track design can increase the performance by separating spatial module from the trajectory generating module. Also, we find the the model can learn an ordered group of trajectories by predicting residual offsets among K trajectories.