초록
주변 차량의 향후 운동을 정확히 예측하기 위해서는 주행 행동 내재적 불확실성에 대한 추론이 필요하다. 이러한 불확실성은 대략적으로 횡방향(예: 차선 유지, 회전)과 종방향(예: 가속, 제동)으로 분리할 수 있다. 본 연구에서는 학습된 이산 정책 롤아웃과 차선 그래프의 부분 집합에 집중하는 디코더를 결합하는 새로운 방법을 제안한다. 정책 롤아웃은 현재 관측값을 바탕으로 다양한 목표를 탐색함으로써 횡방향 변동성을 효과적으로 포착한다. 종방향 변동성은 차선 그래프의 다양한 부분 집합에 조건부로 설정된 잠재 변수 모델 디코더를 통해 모델링한다. 제안된 모델은 nuScenes 운동 예측 데이터셋에서 최신 기준(SOTA) 성능을 달성하였으며, 시각적으로 우수한 장면 일관성(시나리오 적합성)을 보여준다. 심층적인 아블레이션 실험을 통해 정책 롤아웃과 디코더 아키텍처의 중요성이 입증된다.