피벗 중심 경로 예측: 동적 가이드를 통한 장거리 예측 문제 해결

Pivot-Centric Trajectory Prediction: Bridging Long Horizons via Dynamical Guidance

자율 주행 차량의 안정적인 작동을 위해서는 주변 객체의 정확한 미래 움직임을 예측하는 것이 필수적입니다. 그러나 예측 범위가 길어짐에 따라, 기존의 최종 지점 완성 또는 반복 개선 방법은 약한 가이드와 누적 오류로 인해 어려움을 겪습니다. 이러한 장거리 예측 문제를 해결하기 위해, 본 연구에서는 피벗 중심 경로 예측(Pivot-Centric Trajectory Prediction, PCTP) 방법을 제안합니다. PCTP는 '피벗'이라는 개념을 도입하고, 확장된 경로 상의 피벗 지점을 예측하는 데 집중하여, 장기 예측 작업을 다양한 규모의 단기 하위 작업으로 분할합니다. 구체적으로, PCTP는 장기 경로 예측 과정을 두 가지 과정, 즉 피벗 예측과 피벗 기반 경로 개선으로 분리합니다. 피벗 예측 과정은 글로벌 지도 정보와 객체 간 상호 작용을 활용하여 '피벗 지점'을 식별하는 것을 목표로 합니다. 반면, 피벗 기반 경로 개선 과정은 로컬 지도 세부 정보를 활용하여 예측된 '피벗 지점'에 기반하여 단기 경로를 개선합니다. 기존 방법과 비교했을 때, PCTP는 더 많은 중간 가이드를 제공하고 누적 오류를 줄입니다. 또한, PCTP는 대부분의 최첨단 경로 예측 모델에 통합될 수 있는 유연한 접근 방식입니다. 실험 결과, PCTP는 Argoverse I 및 Argoverse II 데이터셋 모두에서 선도적인 모델의 예측 정확도를 향상시키며, 모델 크기에 미치는 영향은 최소합니다. 특히, QCNet과 결합된 PCTP는 제출 시점에 Argoverse II 순위표에서 기존 발표된 모든 앙상블 기반 방법보다 우수한 성능을 보였습니다.

Forecasting precise future motion of surrounding agents is essential for reliable autonomous vehicles. However, as the demand for longer prediction horizons increases, existing endpoint-completion or iterative-refine methods increasingly struggle with weak guidance and compounding errors. To tackle the long-horizon prediction challenge, we propose Pivot-Centric Trajectory Prediction (PCTP). By introducing ``pivots'' and focusing on predicting pivot points along extended trajectories, we divide the long-term prediction task into short-term sub-tasks at various scales. Specifically, PCTP decouples the long-term trajectory predicting process into two processes: pivot prediction and pivot-based trajectory refinement. The pivot prediction process aims to utilize global map context and agent-to-agent interactions to identify these ``pivot points'', while the pivot-based trajectory refinement process focuses on local map details and refines the short-term trajectory based on predicted ``pivot points''. Compared with existing methods, PCTP provides more intermediate guidance while reducing compounding errors. Moreover, PCTP is a flexible approach that can be integrated into most state-of-the-art trajectory prediction models. Experimental results show that PCTP improves the prediction accuracy of leading models on both Argoverse I and Argoverse II datasets with minimal impact on model size. Specifically, PCTP combined with QCNet outperforms all published ensemble-free methods on the Argoverse II leaderboard at submission.