에이전트(예: 보행자의 미래 궤도)의 가능성이 있지만 다양한 미래 행동을 예측하는 능력은 안전이 중요한 인식 시스템(예: 자율 주행 차량)에서 필수적입니다. 특히, 시스템이 생성한 가능한 미래 행동 집합은 모든 가능한 결과를 고려하기 위해 다양해야 합니다. 이는 필요한 안전 조치를 취하기 위함입니다. 가장 가능성 있는 미래 결과만 유지하는 것은 충분하지 않습니다. 왜냐하면 그 집합은 단일 결과의 변형만 포함할 수 있기 때문입니다. 변동 오토인코더(VAEs)와 같은 생성 모델들이 미래 궤도 분포를 학습하는 강력한 도구로 입증되었지만, 학습된 암시적 가능도 모델에서 무작위로 추출된 샘플들은 다양하지 않을 수 있습니다. 가능도 모델은 훈련 데이터 분포에서 파생되며, 샘플들은 가장 많은 데이터를 가진 주요 모드 주변에 집중될 것입니다.본 연구에서는 다양하고 가능성 있는 미래 궤도 집합을 생성하는 다양성 샘플링 함수(DSF)를 학습하는 방법을 제안합니다. DSF는 예측 컨텍스트 특성을 잠재 코드 집합으로 매핑하며, 이 코드들은 생성 모델(예: VAE)에 의해 다양한 궤도 샘플 집합으로 디코딩됩니다. 구체적으로, 다양한 샘플 집합을 식별하는 과정은 DSF의 매개변수 추정 문제로 설정됩니다. DSF의 매개변수를 학습하기 위해, 궤도 샘플들의 다양성은 결정점 프로세스(DPP) 기반의 다양성 손실 함수로 평가됩니다. DSF 매개변수에 대한 경사 하강법을 수행하여, 샘플 집합의 잠재 코드들을 이동시키고 최적의 다양하고 가능성 있는 궤도 집합을 찾습니다.우리 방법은 연속 공간에서 항목(궤도) 집합을 최적화하기 위해 DPPs를 적용하는 새로운 접근 방식입니다. 우리는 제안된 접근 방식으로 생성된 궤도들의 다양성을 저차원 2D 궤도 데이터와 고차원 인간 운동 데이터 모두에서 확인하였습니다.