다중클래스-SGCN: 에이전트 클래스 임베딩을 활용한 희소 그래프 기반 궤적 예측

실세계 환경에서 보행자 및 기타 도로 사용자의 경로 예측은 그들의 이동 패턴이 확률적이고 복잡하기 때문에 도전 과제이다. 기존의 보행자 중심 연구들은 보행자 간의 복잡한 상호작용을 효과적으로 모델링하는 데 성공했지만, 자동차, 자전거 등 다른 유형의 도로 사용자가 포함된 상황에서는 경로 예측이 실패하는 문제가 있다. 이는 기존 방법들이 사용자 유형을 무시하기 때문이다. 일부 최신 연구들은 사용자 레이블 정보를 포함한 밀집 연결 그래프를 구축하긴 했지만, 과도한 공간적 상호작용과 시간적 의존성으로 인해 성능에 제약이 있다. 이러한 문제를 해결하기 위해 우리는 속도 정보와 에이전트 레이블 정보를 고려한 다중 클래스 경로 예측을 위한 희소 그래프 컨볼루션 네트워크인 Multiclass-SGCN을 제안한다. 본 연구에서는 새로운 상호작용 마스크를 도입하여, 에이전트 간의 상호작용 점수에 기반해 공간적 및 시간적 연결을 적응적으로 결정한다. 제안된 방법은 스탠포드 드론 데이터셋에서 최신 기술 대비 뛰어난 성능을 보이며, 보다 현실적이고 타당한 경로 예측을 제공한다.