核心概念
본 논문에서는 자율주행에서 중요한 과제인 모션 예측을 현실적인 연속 주행 상황에서 다루는 새로운 프레임워크인 RealMotion을 제안합니다. 이 프레임워크는 장면 컨텍스트 스트림과 에이전트 궤적 스트림이라는 두 가지 주요 구성 요소를 통해 시간에 따른 상황 정보와 예측된 에이전트 모션 상태를 순차적으로 활용하여 기존 방법보다 정확하고 효율적인 모션 예측을 가능하게 합니다.
摘要
RealMotion: 연속 주행 환경에서의 모션 예측
본 논문에서는 자율주행 시스템의 핵심 요소인 모션 예측 문제를 현실적인 연속 주행 시나리오를 고려하여 해결하는 새로운 프레임워크인 RealMotion을 제안합니다.
기존의 모션 예측 방법들은 각 주행 장면을 독립적으로 처리하여 실제 주행 환경에서 중요한 시간적 상관관계를 무시하는 한계점을 가지고 있습니다. 본 연구에서는 이러한 한계점을 극복하고 연속적인 주행 맥락에서 상황 정보와 이전 예측 정보를 활용하여 보다 정확하고 효율적인 모션 예측을 수행하는 것을 목표로 합니다.
RealMotion은 장면 컨텍스트 스트림과 에이전트 궤적 스트림이라는 두 가지 주요 구성 요소로 이루어져 있습니다.
장면 컨텍스트 스트림: 과거 장면 정보를 누적하여 현재까지의 상황 정보를 파악하고, 장면 요소 간의 시간적 상호 작용을 포착합니다. 이를 위해 이전 장면 특징을 현재 좌표계에 투영하고, 맵-맵 및 에이전트-장면 교차 어텐션 모듈을 사용하여 과거 정보를 현재 정보에 통합합니다.
에이전트 궤적 스트림: 과거 예측 정보를 순차적으로 활용하여 현재 예측을 최적화합니다. 이전 궤적을 저장하는 메모리 뱅크를 사용하고, 현재 예측과 유사한 과거 궤적을 기반으로 현재 예측을 수정합니다. 이때, 궤적 임베딩을 사용하여 공간적 유사도를 측정하고, MLP 모듈을 통해 오프셋을 생성하여 초기 예측을 업데이트합니다.