Core Concepts
부분 관측 상황에서도 안정적이고 정확한 예측 결과를 제공하기 위해 자기 지도 학습(SSL)과 특징 증류 기술을 활용한 POP 프레임워크를 제안한다.
Abstract
이 논문은 자율주행 차량의 안전한 주행을 위해 중요한 궤적 예측 문제를 다룬다. 기존 방법들은 완전한 관측 데이터를 사용하지만, 실제 환경에서는 센서 제한 등으로 인해 부분 관측 상황이 자주 발생한다. 이에 저자들은 POP(Partial Observations Prediction) 프레임워크를 제안한다.
POP 프레임워크는 3단계로 구성된다:
완전한 관측 데이터로 교사 모델을 학습시킨다.
자기 지도 학습(SSL) 단계에서 부분 관측 데이터를 입력으로 사용하고, 과거 상태 복원 작업을 수행한다.
특징 증류 단계에서 교사 모델의 특징을 학생 모델에 전달하여 부분 관측 상황에서도 안정적인 예측이 가능하도록 한다.
실험 결과, POP 프레임워크는 기존 최신 방법들과 비교해 부분 관측 상황에서도 우수한 예측 성능을 보였다. 특히 폐루프 시뮬레이션에서 안전 지표 측면에서 큰 성능 향상을 보였다.
Stats
아고버스 데이터셋에서 20프레임의 완전한 관측 데이터를 얻기 어려운 경우가 많다.
관측 데이터 길이가 짧을수록 예측 정확도가 크게 떨어진다.
Quotes
"현재 사용 가능한 최신 예측 방법들은 부분 관측 상황을 효과적으로 처리할 수 없다."
"부분 관측 현상은 실제 응용 프로그램에서 일반적으로 발생하는 핵심 문제이다."