핵심 개념
환경 요인으로 인한 혼란 요인을 제거하여 강건하고 일반화된 궤적 표현을 학습하는 것이 핵심 목표이다.
초록
이 논문은 궤적 모델링 과정에서 환경 요인이 미치는 혼란 효과를 해결하기 위한 방법을 제안한다.
먼저 구조적 인과 모델(SCM)을 통해 궤적 표현 학습 과정에서 환경 요인이 혼란 요인으로 작용하는 것을 분석한다.
이를 바탕으로 TrajCL 프레임워크를 제안한다. TrajCL은 두 가지 핵심 모듈로 구성된다:
- 환경 정렬 모듈: 환경 정보를 활용하여 인과 표현과 혼란 표현을 분리한다.
- 인과 학습 모듈: 분리된 표현을 활용하여 인과 관계를 학습하고 환경 요인의 혼란 효과를 제거한다.
실험 결과, TrajCL은 기존 모델 대비 성능 향상, 일반화 능력 향상, 해석 가능성 향상 등의 장점을 보여준다.
통계
차량이 혼잡한 지역이나 신호등에서 정차하는 경우, 보행자와 유사한 궤적 패턴(예: 낮은 속도)을 보인다.
이로 인해 모델이 혼잡 지역에서 보행자 패턴을 과도하게 인식하는 등의 잘못된 상관관계를 학습할 수 있다.
인용구
"환경 요인으로 인한 혼란 효과를 제거하여 강건하고 일반화된 궤적 표현을 학습하는 것이 핵심 목표이다."
"TrajCL은 두 가지 핵심 모듈로 구성된다: 1) 환경 정렬 모듈, 2) 인과 학습 모듈."