초록
관측된 에이전트(예: 보행자 또는 차량)의 미래 경로를 예측하기 위해, 우리는 다중 시간 스케일에서 에이전트의 목표를 추정하고 활용하는 방법을 제안한다. 우리는 이동하는 에이전트의 목표는 시간이 지남에 따라 변화할 수 있으며, 목표를 지속적으로 모델링하는 것이 미래 경로 예측에 더 정확하고 세밀한 정보를 제공한다고 주장한다. 이를 위해 우리는 단일 장기 목표만을 모델링하는 기존 방법과는 달리, 다중 시간 스케일에서 목표를 추정하고 활용하는 순환 신경망인 Stepwise Goal-Driven Network(SGNet)을 제안한다. 특히, 이 모델은 과거 정보를 포착하는 인코더, 미래에 걸쳐 연속적인 목표를 예측하는 스텝 와이즈 목표 추정기, 그리고 미래 경로를 예측하는 디코더로 구성되어 있다. 우리는 HEV-I, JAAD, PIE 세 가지 1인칭 시점 교통 데이터셋과 NuScenes, ETH, UCY 세 가지 bird’s eye view 데이터셋에서 본 모델을 평가하였으며, 모든 데이터셋에서 최신 기술(SOTA) 수준의 성능을 달성함을 보였다. 코드는 다음 링크에서 공개되어 있다: https://github.com/ChuhuaW/SGNet.pytorch.