자기 일관성 제약을 활용한 부트스트랩 동작 예측

우리는 자기일관성 제약(Self-consistent Constraints)을 활용한 모션 예측을 부트스트래핑하는 새로운 프레임워크인 MISC(Motion forecasting with Self-consistent Constraints)를 제안한다. 모션 예측 작업은 과거의 공간적 및 시간적 정보를 통합하여 차량의 미래 궤적을 예측하는 것을 목표로 한다. MISC의 핵심 설계 요소는 학습 과정에서 공간적 및 시간적 편차에 대한 예측 궤적을 정규화하는 데 사용되는 새로운 이중 일관성 제약(Dual Consistency Constraints)이다. 또한 모션 예측에서 나타나는 다중 모달성(Multi-modality)을 효과적으로 모델링하기 위해, 다중 모달성에 대한 감독을 통해 자기 일관성 제약을 강화할 수 있는 정확한 티처 타겟을 얻기 위한 새로운 자기 앙상블(self-ensembling) 기법을 설계하였다. 여러 티처 타겟으로부터 명시적인 제약을 부여함으로써, 예측 성능이 뚜렷하게 향상됨을 관찰할 수 있었다. Argoverse 모션 예측 벤치마크 및 Waymo Open Motion 데이터셋에서 실시한 광범위한 실험 결과, MISC는 기존 최고 성능 기법들을 뛰어넘는 우수한 성능을 보였다. 제안된 전략들은 일반적이며 다른 모션 예측 접근법에 쉽게 통합 가능하므로, 여러 기존 방법들에 대해 제안된 기법이 일관되게 예측 성능을 향상시킴을 또한 입증하였다.