초록
이 논문은 새로운 시나리오와 시점에서 미리 보지 못한 카메라 환경에서 사람의 미래 궤적을 예측하는 문제를 다룬다. 우리는 모델이 3D 시뮬레이션 데이터만으로 훈련되며, 다양한 실제 카메라 환경에 즉시 적용 가능한 '실제 데이터 없음(실제 데이터 프리)' 설정을 통해 이 문제에 접근한다. 우리는 시뮬레이션 훈련 데이터를 증강함으로써, 미지의 실제 환경 테스트 데이터로 더 잘 일반화할 수 있는 강건한 표현을 학습하는 새로운 접근법을 제안한다. 핵심 아이디어는 가장 어려운 카메라 시점의 특징과 원본 시점의 적대적 특징을 혼합하는 것이다. 본 연구에서 제안하는 방법을 SimAug라고 한다. 우리는 SimAug가 실제 데이터를 전혀 사용하지 않고도 세 가지 실제 벤치마크에서 매력적인 성능을 달성함을 보이며, 도메인 내 훈련 데이터를 사용할 경우 스탠포드 드론 및 VIRAT/ActEV 데이터셋에서 최신 기술 수준의 성능을 기록함을 확인하였다.