자율 주행의 궤적 예측을 위한 일반화 가능한 물리 기반 인과 모델

A Generalizable Physics-guided Causal Model for Trajectory Prediction in Autonomous Driving

교통 객체의 궤적 예측은 안전한 자율 주행에 있어 매우 중요합니다. 하지만 이전에 접하지 못한 새로운 도메인에서 효과적인 제로샷(zero-shot) 일반화를 달성하는 것은 여전히 난제입니다. 본 연구는 다양한 도메인에서도 운동학(kinematics)적 특성은 일관되다는 점에 착안하여, 제로샷 궤적 예측 성능을 향상시키기 위해 도메인 불변(domain-invariant) 지식을 통합하고자 합니다. 주요 과제는 1) 도메인 불변 장면 표현을 효과적으로 추출하는 것과 2) 일반화된 예측이 가능하도록 불변 특징과 운동학적 모델을 통합하는 것입니다. 이를 해결하기 위해 우리는 두 가지 핵심 요소로 구성된 새로운 '일반화 가능한 물리 기반 인과 모델(Physics-guided Causal Model, PCM)'을 제안합니다. 첫 번째 요소는 장면에서 도메인 불변 특징을 추출하기 위해 개입(intervention) 기반 분리 기법을 채택한 'Disentangled Scene Encoder'이며, 두 번째는 운동학적 모델과 유의미한 맥락 정보를 효과적으로 통합하기 위해 인과 주의(causal attention) 메커니즘을 적용한 'CausalODE Decoder'입니다. 실제 자율 주행 데이터셋을 활용한 광범위한 실험 결과, 제안하는 방법은 처음 보는 도시 환경에서도 경쟁 모델들을 크게 앞서는 뛰어난 제로샷 일반화 성능을 입증했습니다. 소스 코드는 https://github.com/ZY-Zong/Physics-guided-Causal-Model 에서 확인할 수 있습니다.

Trajectory prediction for traffic agents is critical for safe autonomous driving. However, achieving effective zero-shot generalization in previously unseen domains remains a significant challenge. Motivated by the consistent nature of kinematics across diverse domains, we aim to incorporate domain-invariant knowledge to enhance zero-shot trajectory prediction capabilities. The key challenges include: 1) effectively extracting domain-invariant scene representations, and 2) integrating invariant features with kinematic models to enable generalized predictions. To address these challenges, we propose a novel generalizable Physics-guided Causal Model (PCM), which comprises two core components: a Disentangled Scene Encoder, which adopts intervention-based disentanglement to extract domain-invariant features from scenes, and a CausalODE Decoder, which employs a causal attention mechanism to effectively integrate kinematic models with meaningful contextual information. Extensive experiments on real-world autonomous driving datasets demonstrate our method's superior zero-shot generalization performance in unseen cities, significantly outperforming competitive baselines. The source code is released at https://github.com/ZY-Zong/Physics-guided-Causal-Model.